[發(fā)明專利]一種圖像目標(biāo)檢測(cè)方法、裝置及存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 201910034102.8
• 申請(qǐng)日: 2019-01-15
• 公開(kāi)（公告）號(hào): CN109815868B
• 公開(kāi)（公告）日: 2022-02-01
• 發(fā)明（設(shè)計(jì)）人: 崔志鵬;王亞彪;羅棟豪;汪鋮杰;李季檁;黃飛躍;吳永堅(jiān)
• 申請(qǐng)（專利權(quán)）人: 騰訊科技（深圳）有限公司
• 主分類號(hào): G06V40/16
• 分類號(hào): G06V40/16;G06V20/00;G06V10/22;G06V10/25;G06V10/32;G06V10/74;G06K9/62;G06T3/40;G06T5/50
• 代理公司: 深圳市深佳知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44285
• 代理人: 王仲凱

本發(fā)明實(shí)施例公開(kāi)了一種圖像目標(biāo)檢測(cè)方法、裝置及存儲(chǔ)介質(zhì)，本發(fā)明實(shí)施例可以獲取待檢測(cè)圖像，并對(duì)所述待檢測(cè)圖像按照不同分辨率分別進(jìn)行縮放處理，得到多張縮放后圖像；分別從每張縮放后圖像中篩選符合目標(biāo)區(qū)域類型的區(qū)域，得到多個(gè)初始圖像塊；將每個(gè)初始圖像塊分別劃分為多個(gè)區(qū)域，并獲取每個(gè)區(qū)域?qū)儆谀繕?biāo)區(qū)域的概率；從每個(gè)初始圖像塊中提取出所述概率大于預(yù)設(shè)閾值的區(qū)域，得到多個(gè)候選圖像塊；將所述多個(gè)候選圖像塊映射至所述待檢測(cè)圖像上，并根據(jù)所述多個(gè)候選圖像塊之間的重合度篩選出符合預(yù)設(shè)條件的候選圖像塊所在的區(qū)域，得到目標(biāo)區(qū)域。該方案對(duì)計(jì)算資源的需求較低，且檢測(cè)速度較快，提高了對(duì)圖像目標(biāo)檢測(cè)的效率及目標(biāo)檢測(cè)的準(zhǔn)確性。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，具體涉及一種圖像目標(biāo)檢測(cè)方法、裝置及存儲(chǔ)介質(zhì)。

背景技術(shù)

隨著科技的發(fā)展，以及深度學(xué)習(xí)的興起，對(duì)圖像中目標(biāo)進(jìn)行識(shí)別的技術(shù)已成為計(jì)算機(jī)視覺(jué)非常重要技術(shù)之一，并且使用深度學(xué)習(xí)在圖像目標(biāo)檢測(cè)領(lǐng)域中的應(yīng)用得到巨大的突破，一系列基于深度學(xué)習(xí)算法的圖像目標(biāo)學(xué)習(xí)方法被提出來(lái)。例如，快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Faster-RCNN，F(xiàn)aster-Regions with Convolutional Neural Networks features)和YOLO(You Only Look Once)等深度學(xué)習(xí)算法。通過(guò)這些深度學(xué)習(xí)算法，可以從給定的圖像中識(shí)別出某個(gè)物體所在的區(qū)域，如在圖像上識(shí)別出人、車、或房子等物體。

目前，由于基于Faster-RCNN和YOLO等深度學(xué)習(xí)的圖像目標(biāo)檢測(cè)算法的技術(shù)重心是放在檢測(cè)結(jié)果的準(zhǔn)確率上，因此現(xiàn)有的圖像目標(biāo)檢測(cè)算法的運(yùn)行速度并不滿足實(shí)際場(chǎng)景的落地，且一些相對(duì)比較高效的圖像目標(biāo)檢測(cè)系統(tǒng)的模型非常大，使得現(xiàn)有的圖像目標(biāo)檢測(cè)系統(tǒng)運(yùn)行速度較慢，且無(wú)法在計(jì)算資源配置較小的移動(dòng)終端上實(shí)施，即現(xiàn)有圖像目標(biāo)檢測(cè)算法普遍存在模型大及速度慢等問(wèn)題，不僅檢測(cè)效率低，而且很難滿足移動(dòng)端進(jìn)行實(shí)時(shí)檢測(cè)的需求。

發(fā)明內(nèi)容

本發(fā)明實(shí)施例提供一種圖像目標(biāo)檢測(cè)方法、裝置及存儲(chǔ)介質(zhì)，旨在提高對(duì)圖像目標(biāo)檢測(cè)的效率及減少計(jì)算資源。

為解決上述技術(shù)問(wèn)題，本發(fā)明實(shí)施例提供以下技術(shù)方案：

一種圖像目標(biāo)檢測(cè)方法，包括：

獲取待檢測(cè)圖像，并對(duì)所述待檢測(cè)圖像按照不同分辨率分別進(jìn)行縮放處理，得到多張縮放后圖像；

分別從每張縮放后圖像中篩選符合目標(biāo)區(qū)域類型的區(qū)域，得到多個(gè)初始圖像塊；

將每個(gè)初始圖像塊分別劃分為多個(gè)區(qū)域，并獲取每個(gè)區(qū)域?qū)儆谀繕?biāo)區(qū)域的概率；

從每個(gè)初始圖像塊中提取出所述概率大于預(yù)設(shè)閾值的區(qū)域，得到多個(gè)候選圖像塊；

將所述多個(gè)候選圖像塊映射至所述待檢測(cè)圖像上，并根據(jù)所述多個(gè)候選圖像塊之間的重合度篩選出符合預(yù)設(shè)條件的候選圖像塊所在的區(qū)域，得到目標(biāo)區(qū)域。

一種圖像目標(biāo)檢測(cè)裝置，包括：

處理單元，用于獲取待檢測(cè)圖像，并對(duì)所述待檢測(cè)圖像按照不同分辨率分別進(jìn)行縮放處理，得到多張縮放后圖像；

第一篩選單元，用于分別從每張縮放后圖像中篩選符合目標(biāo)區(qū)域類型的區(qū)域，得到多個(gè)初始圖像塊；

第一獲取單元，用于將每個(gè)初始圖像塊分別劃分為多個(gè)區(qū)域，并獲取每個(gè)區(qū)域?qū)儆谀繕?biāo)區(qū)域的概率；

提取單元，用于從每個(gè)初始圖像塊中提取出所述概率大于預(yù)設(shè)閾值的區(qū)域，得到多個(gè)候選圖像塊；

映射單元，用于將所述多個(gè)候選圖像塊映射至所述待檢測(cè)圖像上，并根據(jù)所述多個(gè)候選圖像塊之間的重合度篩選出符合預(yù)設(shè)條件的候選圖像塊所在的區(qū)域，得到目標(biāo)區(qū)域。

可選地，所述第一獲取單元包括：