[發(fā)明專利]一種面向嵌入式深度學習的超大尺寸圖像目標檢測方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202010003131.0
• 申請日: 2020-01-02
• 公開（公告）號: CN111191730B
• 公開（公告）日: 2023-05-12
• 發(fā)明（設計）人: 程陶然;白林亭;文鵬程;高澤;鄒昌昊;李欣瑤
• 申請（專利權）人: 中國航空工業(yè)集團公司西安航空計算技術研究所
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/26;G06T7/11
• 代理公司: 西安智邦專利商標代理有限公司 61211
• 代理人: 胡樂

1.一種面向嵌入式深度學習的超大尺寸圖像目標檢測方法，其特征在于，包括：

1)接收輸入圖像，按照像素點位置將圖像分割為多個子圖像，其中任意一個子圖像均與其相鄰的所有子圖像在靠近邊界的區(qū)域互相重疊，該區(qū)域記為分割冗余區(qū)域；具體是根據(jù)預設的寬度W、高度H、冗余閾值T進行圖像分割；所述冗余閾值T表征所述在靠近邊界的區(qū)域互相重疊的像素數(shù)；

2)分別對每個子圖像進行目標檢測，得到目標相關信息；具體是基于卷積神經(jīng)網(wǎng)絡算法分別對大小為W×H的子圖像進行目標檢測，輸出目標相關信息，所述目標相關信息至少包括目標位置；

3)參考得到的各個子圖像的目標相關信息，對分割冗余區(qū)域的目標重新檢測定位；根據(jù)更新后的目標檢測結果在原始圖像上標記，輸出可視化結果；具體包括：分析各個子圖像的分割冗余區(qū)域是否存在目標回歸框，且目標回歸框到子圖邊界的距離小于aT，其中a為設定的系數(shù)；若存在滿足以上條件的目標回歸框，則以分割冗余區(qū)域為中心，重新確定相應的寬度或高度范圍，采樣大小為W×H的新的子圖像；對所述新的子圖像重新進行目標檢測，僅采納所述分割冗余區(qū)域的目標檢測結果，更新分割冗余區(qū)域目標相關信息，根據(jù)此前非分割冗余區(qū)域的目標相關信息，將全部目標相關信息按所需規(guī)則標記在原始圖像上，形成可視化輸出圖像。

2.根據(jù)權利要求1所述的面向嵌入式深度學習的超大尺寸圖像目標檢測方法，其特征在于：所述目標相關信息還包括所屬類別和置信度。

3.根據(jù)權利要求1所述的面向嵌入式深度學習的超大尺寸圖像目標檢測方法，其特征在于：所述寬度W、高度H和冗余閾值T，是根據(jù)原始圖像尺寸、目標尺寸和處理器計算能力來確定；

分割圖像寬度范圍為[0，W-1]、[W-T，2W-T-1]、[2W-2T，3W-2T-1]......；

分割圖像高度范圍為[0，H-1]、[H-T，2H-T-1]、[2H-2T，3H-2T-1]......；

任一寬度范圍和高度范圍共同組成子圖像區(qū)域。

4.根據(jù)權利要求1所述的面向嵌入式深度學習的超大尺寸圖像目標檢測方法，其特征在于：0＜a＜0.5。

5.一種面向嵌入式深度學習的超大尺寸圖像目標檢測系統(tǒng)，其特征在于，包括：

圖像預處理單元，用于接收輸入圖像，按照像素點位置將圖像分割為多個子圖像，其中任意一個子圖像均與其相鄰的所有子圖像在靠近邊界的區(qū)域互相重疊，該區(qū)域記為分割冗余區(qū)域；具體用于根據(jù)預設的寬度W、高度H、冗余閾值T進行圖像分割；所述冗余閾值T表征所述在靠近邊界的區(qū)域互相重疊的像素數(shù)；

目標檢測單元，分別對每個子圖像進行目標檢測，得到目標相關信息；具體用于基于卷積神經(jīng)網(wǎng)絡算法分別對大小為W×H的子圖像進行目標檢測，輸出目標相關信息，所述目標相關信息至少包括目標位置；

圖像后處理單元，用于參考得到的各個子圖像的目標相關信息，對分割冗余區(qū)域的目標重新檢測定位；根據(jù)更新后的目標檢測結果在原始圖像上標記，輸出可視化結果；具體用于分析各個子圖像的分割冗余區(qū)域是否存在目標回歸框，且目標回歸框到子圖邊界的距離小于aT，其中a為設定的系數(shù)；若存在滿足以上條件的目標回歸框，則以分割冗余區(qū)域為中心，重新確定相應的寬度或高度范圍，采樣大小為W×H的新的子圖像；之后對所述新的子圖像重新進行目標檢測，僅采納所述分割冗余區(qū)域的目標檢測結果，更新分割冗余區(qū)域目標相關信息，根據(jù)此前非分割冗余區(qū)域的目標相關信息，將全部目標相關信息按所需規(guī)則標記在原始圖像上，形成可視化輸出圖像。

6.一種嵌入式設備，包括處理器和程序存儲器，其特征在于，所述程序存儲器存儲的程序被處理器加載時執(zhí)行權利要求1所述面向嵌入式深度學習的超大尺寸圖像目標檢測方法。