[發明專利]基于目標檢測的切圖方法、切圖裝置和存儲介質

在審

• 申請號: 202110248957.8
• 申請日: 2021-03-08
• 公開（公告）號: CN112927247A
• 公開（公告）日: 2021-06-08
• 發明（設計）人: 宋怡然;項強德;馬元巍;潘正頤;侯大為
• 申請（專利權）人: 常州微億智造科技有限公司
• 主分類號: G06T7/12
• 分類號: G06T7/12;G06T7/62;G06T7/73;G06T7/90;G06N3/04;G06N3/08;G06N20/00;G06K9/62
• 代理公司: 常州佰業騰飛專利代理事務所(普通合伙) 32231
• 代理人: 陳紅橋

本發明提供一種基于目標檢測的切圖方法、切圖裝置和存儲介質，所述方法包括：獲取檢測圖像中目標框的位置信息和大小以判斷目標框的分布規律；判斷目標在檢測圖像中的分布情況；根據目標框的分布規律和目標在檢測圖像中的分布情況選擇切圖策略，并根據切圖策略進行切圖；將切圖后的圖片輸入深度學習模型進行訓練，以判斷切圖效果；根據切圖效果挑選出包含較難負樣本的Negative chips切圖，對負樣本進行區域提取，根據提取的區域進行切圖。該方法通過對目標和位置、大小、分布情況，可以選擇合適切圖策略進行自動切圖，同時結合后續的深度學習模型表現進一步評估切圖效果，保證了切圖效果，為后續實際操作打下基礎。

技術領域

本發明涉及圖像處理技術領域，具體涉及一種基于目標檢測的切圖方法、一種基于目標檢測的切圖裝置和一種非臨時性計算機可讀存儲介質。

背景技術

在基于目標檢測進行深度算法的學習和檢測中，一般需要對于圖像數據進行切圖處理，以適應各類算法需求或者機器內存需求，如yolo中的32倍數，比如切成512*512，256*256等圖片大小。合理切割圖片，保證所有目標的準確學習，并且不增加額外的偏移信息，使模型學習更加有效對于算法的表現有著重要的意義。

因此，如何有效切圖，最大程度保留和增強有效信息，并且減少不必要冗余需要，成為本領域技術人員亟待解決的技術問題。

發明內容

本發明為解決上述技術問題，提出了一種基于目標檢測的切圖方法，該方法通過對目標和位置、大小、分布情況，可以選擇合適切圖策略進行自動切圖，同時結合后續的深度學習模型表現進一步評估切圖效果，保證了切圖效果，為后續實際操作打下基礎。

本發明還提出一種基于目標檢測的切圖裝置。

本發明還提出一種非臨時性計算機可讀存儲介質。

本發明采用的技術方案如下：

本發明第一方面實施例提出了一種基于目標檢測的切圖方法，包括以下步驟：獲取檢測圖像中目標框的位置信息和大小，并根據所述目標框的位置信息和大小判斷所述目標框的分布規律；統計所述檢測圖像中非黑非白區域和像素跳躍情況，并根據所述非黑非白區域和像素跳躍情況判斷目標在所述檢測圖像中的分布情況；根據所述目標框的分布規律和目標在所述檢測圖像中的分布情況選擇切圖策略，并根據所述切圖策略進行切圖，其中，所述切圖策略包括：滑窗法切圖策略、特殊位置切圖策略、聚類切圖策略和基于邊緣切圖策略；將所述切圖后的圖片輸入深度學習模型進行訓練，以判斷切圖效果；根據所述切圖效果挑選出包含較難負樣本的Negative chips切圖，對所述負樣本進行區域提取，根據提取的區域進行切圖。

根據本發明的一個實施例，還包括：獲取所述切圖后的圖片的目標框的分布規律變化、所述目標框的大小變化；將所述切圖后的圖片輸入單階段目標檢測模型或者雙階段目標檢測模型中，以獲取所述切圖后的圖片的算法表現，所述算法表現包括：目標的過殺率、目標的漏檢率、目標的準確率、目標的混淆矩陣、類別AP(平均精度)值和整體mAP(meanAverage Precision，平均精度均值)值；根據所述目標框的分布規律變化、所述目標框的大小變化和所述算法表現修正所述切圖策略。

根據本發明的一個實施例，所述單階段目標檢測模型包括：YOLOv5模型、SSD(Single Shot MultiBox Detector，單鏡頭多盒檢測器)模型，所述雙階段目標檢測模型包括：Faster R-CNN(Region Convolutional Neural Networks，基于卷積神經網絡)、Cascade R-CNN、HTC(Hybrid Task Cascade，混合任務級聯)。

根據本發明的一個實施例，根據所述切圖效果，基于SNIPER算法挑選出包含較難負樣本的Negative chips切圖。