主体对象检测方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种主体对象检测方法、装置、计算机设备和存储介质。所述方法包括：获取尺寸互不相同的多个HSV图像；所述多个HSV图像由同一个RGB图像得到；确定每个HSV图像中每个像素点对应的特征向量；对所述每个HSV图像中的各像素点按照相应特征向量进行聚类，得到每个像素点对应的聚类类别；将所述每个HSV图像重置为与所述RGB图像尺寸一致的目标图像；根据各所述目标图像中各像素点对应的聚类类别，得到所述RGB图像中相应像素点的类别；基于所述RGB图像中各像素点的类别，从所述RGB图像中提取主体对象对应的前景区域。采用本方法能够提高主体对象的检测准确性。高主体对象的检测准确性。高主体对象的检测准确性。

【技术实现步骤摘要】
主体对象检测方法、装置、计算机设备和存储介质


[0001]本申请涉及计算机
，特别是涉及一种主体对象检测方法、装置、计算机设备和存储介质。

技术介绍

[0002]随着计算机技术、物联网技术与人工智能技术的不断发展，主体检测技术作为计算机视觉的一个重要分支，已经广泛应用于物流监控、商品推荐与新零售等各个领域中。主体检测的任务是从图像的背景中检测出作为前景的主体对象。由于前景的种类复杂，由此，如何从图像中检测出主体对象是值得关注的问题。
[0003]目前，通常是基于卷积神经网络进行主体对象检测。但是，基于卷积神经网络的主体对象检测方式，需要采集大量的训练数据来训练卷积神经网络，由于图像中主体对象的类别多种多样，训练数据难以采集，由此难以形成泛化能力较强的卷积神经网络，存在主体对象的检测准确性低的问题。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够提高主体对象检测准确性的主体对象检测方法、装置、计算机设备和存储介质。
[0005]一种主体对象检测方法，所述方法包括：
[0006]获取尺寸互不相同的多个HSV图像；所述多个HSV图像由同一个RGB图像得到；
[0007]确定每个HSV图像中每个像素点对应的特征向量；
[0008]对所述每个HSV图像中的各像素点按照相应特征向量进行聚类，得到每个像素点对应的聚类类别；
[0009]将所述每个HSV图像重置为与所述RGB图像尺寸一致的目标图像；
[0010]根据各所述目标图像中各像素点对应的聚类类别，得到所述RGB图像中相应像素点的类别；
[0011]基于所述RGB图像中各像素点的类别，从所述RGB图像中提取主体对象对应的前景区域。
[0012]在其中一个实施例中，所述获取尺寸互不相同的多个HSV图像，包括：
[0013]获取RGB图像；
[0014]将所述RGB图像重置为尺寸互不相同的多个RGB子图像；
[0015]将每个RGB子图像转换为相应的HSV图像。
[0016]在其中一个实施例中，所述对所述每个HSV图像中的各像素点按照相应特征向量进行聚类，得到每个像素点对应的聚类类别，包括：
[0017]针对所述每个HSV图像，根据所述HSV图像中各像素点对应的特征向量，按照K-means聚类方式对所述HSV图像中的各像素点进行二分类聚类，得到所述HSV图像中每个像素点对应的聚类类别。
[0018]在其中一个实施例中，所述根据各所述目标图像中各像素点对应的聚类类别，得到所述RGB图像中相应像素点的类别，包括：
[0019]根据各所述目标图像中相同位置的像素点所对应的聚类类别，对所述RGB图像中相同位置的像素点的类别进行投票，得到所述RGB图像中每个像素点的类别。
[0020]在其中一个实施例中，所述确定每个HSV图像中每个像素点对应的特征向量，包括：
[0021]对每个HSV图像中的每个像素点在每个颜色分量上，分别计算梯度分布与均差值分布；
[0022]基于所述每个像素点在每个颜色分量上对应的梯度分布与均差值分布，得到相应的特征向量。
[0023]在其中一个实施例中，所述每个像素点在每个颜色分量上对应的梯度分布的确定步骤，包括：
[0024]针对每个HSV图像，依次将所述HSV图像中的每个像素点作为中心像素点，在每个颜色分量上，分别基于所述中心像素点的每个邻域像素点，以及所述中心像素点在所述颜色分量上各自对应的分量值，得到相应的归一化差值，并基于所述归一化差值得到所述中心像素点在所述颜色分量上的梯度分布。
[0025]在其中一个实施例中，所述每个像素点在每个颜色分量上对应的均差值分布的确定步骤，包括：
[0026]针对每个HSV图像，在每个颜色分量上，基于所述HSV图像中各像素点在所述颜色分量上的分量值得到相应的分量均值，并基于所述HSV图像中每个像素点在所述颜色分量上的分量值与所述分量均值，得到所述每个像素点在所述颜色分量上对应的均差值分布。
[0027]一种主体对象检测装置，所述装置包括：
[0028]获取模块，用于获取尺寸互不相同的多个HSV图像；所述多个HSV图像由同一个RGB图像得到；
[0029]确定模块，用于确定每个HSV图像中每个像素点对应的特征向量；
[0030]聚类模块，用于对所述每个HSV图像中的各像素点按照相应特征向量进行聚类，得到每个像素点对应的聚类类别；
[0031]重置模块，用于将所述每个HSV图像重置为与所述RGB图像尺寸一致的目标图像；
[0032]得到模块，用于根据各所述目标图像中各像素点对应的聚类类别，得到所述RGB图像中相应像素点的类别；
[0033]提取模块，用于基于所述RGB图像中各像素点的类别，从所述RGB图像中提取主体对象对应的前景区域。
[0034]一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述各方法实施例中的步骤。
[0035]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0036]上述主体对象检测方法、装置、计算机设备和存储介质，针对由同一个RGB图像得到的、且尺寸互不相同的多个HSV图像，在HSV颜色空间中分别确定每个HSV图像中每个像素点的特征向量，在每个HSV图像中对各像素点对应的特征向量进行聚类得到每个像素点对
应的聚类类别，并将每个HSV图像重置为与相应RGB图像尺寸一致的目标图像，且每个目标图像中各像素点对应的聚类类别，由相应HSV图像中相应像素点所对应的聚类类别确定，由此在HSV颜色空间中在多个尺寸上分别确定同一个RGB图像中各像素点对应的聚类类别，并基于该RGB图像中每个像素点在多个尺寸上分别对应的聚类类别确定该像素点的类别，进而基于RGB图像中每个像素点的类别在该RGB图像中进行主体对象的检测与提取，能够提高主体对象的检测准确性。
附图说明
[0037]图1为一个实施例中主体对象检测方法的流程示意图；
[0038]图2为一个实施例中基于多个HSV图像各自的预测图通过投票机制确定相应RGB图像中的前景区域的原理图；
[0039]图3为一个实施例中将RGB图像重置为尺寸互不相同的多个RGB子图像的示意图；
[0040]图4为一个实施例中HSV颜色空间模型的结构示意图；
[0041]图5为一个实施例中中心像素点的邻域特征块的示意图；
[0042]图6为一个实施例中主体对象检测方法的原理示意图；
[0043]图7为一个实施例中主体对象检测装置的结构框图；
[0044]图8为一个实施例中计算机设备的内部结构图。
具体实施方式
[0045]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种主体对象检测方法，其特征在于，所述方法包括：获取尺寸互不相同的多个HSV图像；所述多个HSV图像由同一个RGB图像得到；确定每个HSV图像中每个像素点对应的特征向量；对所述每个HSV图像中的各像素点按照相应特征向量进行聚类，得到每个像素点对应的聚类类别；将所述每个HSV图像重置为与所述RGB图像尺寸一致的目标图像；根据各所述目标图像中各像素点对应的聚类类别，得到所述RGB图像中相应像素点的类别；基于所述RGB图像中各像素点的类别，从所述RGB图像中提取主体对象对应的前景区域。2.根据权利要求1所述的方法，其特征在于，所述获取尺寸互不相同的多个HSV图像，包括：获取RGB图像；将所述RGB图像重置为尺寸互不相同的多个RGB子图像；将每个RGB子图像转换为相应的HSV图像。3.根据权利要求1所述的方法，其特征在于，所述对所述每个HSV图像中的各像素点按照相应特征向量进行聚类，得到每个像素点对应的聚类类别，包括：针对所述每个HSV图像，根据所述HSV图像中各像素点对应的特征向量，按照K-means聚类方式对所述HSV图像中的各像素点进行二分类聚类，得到所述HSV图像中每个像素点对应的聚类类别。4.根据权利要求1所述的方法，其特征在于，所述根据各所述目标图像中各像素点对应的聚类类别，得到所述RGB图像中相应像素点的类别，包括：根据各所述目标图像中相同位置的像素点所对应的聚类类别，对所述RGB图像中相同位置的像素点的类别进行投票，得到所述RGB图像中每个像素点的类别。5.根据权利要求1至4任意一项所述的方法，其特征在于，所述确定每个HSV图像中每个像素点对应的特征向量，包括：对每个HSV图像中的每个像素点在每个颜色分量上，分别计算梯度分布与均差值分布；基于所述每个像素点在每个颜色分量上对应的梯度分布与均差值分布，得到相应的特征向量。6.根据权利要求5所述...

【专利技术属性】
技术研发人员：李京，
申请(专利权)人：顺丰科技有限公司，
类型：发明
国别省市：