[發明專利]一種圖像處理方法及系統

在審

• 申請號: 202110370945.2
• 申請日: 2021-04-07
• 公開（公告）號: CN113139441A
• 公開（公告）日: 2021-07-20
• 發明（設計）人: 任永騰;王堃;王成
• 申請（專利權）人: 青島以薩數據技術有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08;G06T3/40
• 代理公司: 北京酷愛智慧知識產權代理有限公司 11514
• 代理人: 盧蓉

1.一種圖像處理方法，其特征在于，所述方法包括：

對預先獲取的原始圖像進行歸一化處理；

將經過歸一化處理后的圖像輸入預先建立的深度學習模型，提取圖像特征；

將提取圖像特征生成的特征圖維度放縮至預設維度；

將對應標簽和放縮后的圖像特征輸入損失函數，進而獲取損失值；

根據損失值獲取損失值梯度并進行反向傳播，獲取整體準確結果和單點準確位置信息。

2.根據權利要求1所述的一種圖像處理方法，其特征在于，所述對預先獲取的原始圖像進行歸一化處理包括：

獲取原始圖像，將原始圖像尺寸放縮至預設值，獲得放縮圖像；

計算所述放縮圖像的像素均值和方差值；

將所述放縮圖像的每一個像素值與其均值相減，再除以方差，獲得歸一化圖像。

3.根據權利要求1所述的一種圖像處理方法，其特征在于，所述將歸一化圖像進行深度學習包括：

將經過歸一化處理后的圖像輸入預先建立的深度學習模型，通過所述深度學習模型中的卷積神經網絡對輸入的歸一化圖像信息進行深度學習；

根據所述深度學習的結果提取所述圖像特征。

4.根據權利要求3所述的一種圖像處理方法，其特征在于，所述將圖像特征生成的特征圖維度放縮到計算獲取的維度包括：

將所述特征圖的維度放縮到(5+c+2*k)維度；

其中，5為檢測框的坐標x，y，w，h和置信度，c為物體類別，k為目標關鍵點數量。

5.根據權利要求4所述的一種圖像處理方法，其特征在于，將所述對應標簽和放縮后的圖像特征輸入損失函數包括：

將對應標簽和放縮后的圖像特征輸入均方誤差損失函數進行計算；

根據均方誤差損失函數進行計算，獲取并定義檢測框與標簽值的誤差系數為p1，置信度損失為p2，關鍵點損失和的誤差系數為p3；

其中，p1＞p2＞p3；

根據p1、p2和p3獲取損失值；

根據損失值獲取損失值梯度并進行反向傳播，獲取整體準確結果和單點準確位置信息。

6.一種圖像處理系統，其特征在于，所述系統包括：

獲取模塊，用于對預先獲取的原始圖像進行歸一化處理；；

深度學習模塊，用于將經過歸一化處理后的圖像輸入預先建立的深度學習模型，提取圖像特征；

卷積層，用于將將提取圖像特征生成的特征圖維度放縮至預設維度；

損失函數模塊，用于將對應標簽和放縮后的圖像特征輸入損失函數，進而獲取損失值；

反向傳播模塊，用于根據損失值獲取損失值梯度并進行反向傳播，獲取整體準確結果和單點準確位置信息。

7.根據權利要求6所述的一種圖像處理系統，其特征在于，所述獲取模塊包括：

獲取單元，用于獲取原始圖像；

放縮單元，用于放縮所述原始圖像的尺寸至預設特定值，獲取放縮圖像；

第一計算單元，用于計算所述放縮圖像的像素的均值和方差值；

第二計算單元，用于獲取所述放縮圖像的每一個像素值，將所述放縮圖像的每一個像素值與其均值相減，再除以方差，獲得歸一化圖像。

8.根據權利要求6所述的一種圖像處理系統，其特征在于，所述深度學習模塊包括：

卷積神經網絡，用于輸入所述歸一化圖像信息至卷積神經網絡進行深度學習；

特征提取單元，用于根據所述卷積神經網絡經過深度學習提取所述圖像特征。

9.根據權利要求8所述的一種圖像處理系統，其特征在于，所述卷積神經網絡包括：

卷積層，用于將所述圖像特征的維度放縮到(5+c+2*k)維度；

其中，5為檢測框的坐標x，y，w，h和置信度，c為物體類別，k為目標關鍵點數量。

10.根據權利要求9所述的一種圖像處理系統，其特征在于，所述損失函數模塊連接所述反向傳播模塊；

所述損失函數模塊包括：

均方誤差損失函數，用于將對應標簽和放縮后的圖像特征輸入均方誤差損失函數進行計算；

獲取定義單元，用于根據均方誤差損失函數進行計算，獲取并定義檢測框與標簽值的誤差系數為p1，置信度損失為p2，關鍵點損失和的誤差系數為p3；

其中，p1＞p2＞p3；

損失值獲取單元，用于根據p1、p2和p3獲取損失值；

所述損失獲取單元將所述損失值輸入所述反向傳播模塊；

所述反向傳播模塊，用于根據損失值獲取損失值梯度并進行反向傳播，進而獲取整體準確結果和單點準確位置信息。