本发明专利技术属于图像处理技术领域，具体涉及图像目标检测方法、装置、计算机设备及可读存储介质。该方法包括：获取至少一个包含多目标对象的初始图像样本，通过图像特征分离处理获得初始图像样本的所有特征的区域图块集；选定多目标对象特征的区域图块，并为选定的每个目标对象的区域图块配置确定的神经网络模型；获取待检测图像文本，并利用每个目标对象各自的神经网络模型进行处理，以获得检测到目标对象的边缘坐标点集；将获得的边缘坐标点集映射到同一图像文本中，以标记与多目标对象相关联的多个特征。本发明专利技术实现图像中多目标对象的检测，无需预先获取大量的训练样本，加快了图像目标检测的效率，避免出现漏检测或检测不准确的问题。题。题。
【技术实现步骤摘要】
图像目标检测方法、装置、计算机设备及可读存储介质
[0001]本专利技术属于图像处理
，具体涉及一种图像目标检测方法、装置、计算机设备及可读存储介质。
技术介绍
[0002]随着计算机视觉的相关理论与应用研究的快速发展，计算机视觉技术在日常生活中应用的优越性也日益突显出来，采用计算机对相关视频或图像中的特征进行识别和提取操作，因而，图像处理技术也得到了逐渐推广和不断应用。
[0003]现有应用中，为了对图像中的目标对象进行检测识别，通常利用人工智能的机器学习来训练检测网络，进而可以通过该检测网络实现对图像中的对象的检测。在进行检测网络训练时，通常是采用一组类别相同的样本数据集进行训练，实现对一个目标对象的检测，而且，需要预先采集携带有该目标对象的图像对检测网络进行训练，只有待检测的目标对象的数量级很大时，对目标对象添加到检测网络以生成目标识别，对于图像中未预先训练的目标对象，通常存在漏检测或检测不准确的问题，导致图像目标检测成为一项浩大的工程。费时费力，无法满足图像中多目标对象的检测需求。
技术实现思路
[0004]为解决针对图像中目标对象检测需要预先采集数量级很大的样本数据，且对未预先训练的目标对象，存在的漏检测或检测不准确的问题，本专利技术提供了一种图像目标检测方法、装置、计算机设备及可读存储介质，基于多个目标样本图像的处理，在待识别图像中进行多目标对象检测识别，输出识别结果。
[0005]为实现上述目的，本专利技术实施例提供了如下的技术方案：
[0006]第一方面，在本专利技术提供的一个实施例中，提供了一种图像目标检测方法，包括：
[0007]获取至少一个包含多目标对象的初始图像样本，并通过图像特征分离处理获得所述初始图像样本的所有特征的区域图块集；
[0008]基于区域图块集选定多目标对象特征的区域图块，并为选定的每个目标对象的区域图块配置确定的神经网络模型；
[0009]获取待检测图像文本，并利用每个目标对象各自的神经网络模型进行处理，以获得检测到目标对象的边缘坐标点集；
[0010]将获得的边缘坐标点集映射到同一图像文本中，以标记与多目标对象相关联的多个特征。
[0011]在本专利技术提供的一些实施例中，所述获得所述初始图像样本的所有特征的区域图块集的方法包括：
[0012]获取至少一个包含多目标对象的初始图像样本；
[0013]采用图像特征识别方法获取所有对象的像素特征点；
[0014]将所述初始图像样本进行二值化处理，所述像素特征点部分设为前景，其余部分
设为背景，得到包含所有对象的特征图像块；
[0015]利用图像分割技术，分割特征图像块，获得所有特征的区域图块集。
[0016]在本专利技术提供的一些实施例中，所述图像特征识别方法获取像素特征点的步骤包括：
[0017]读取初始图像样本的图像像素点，并将所述图像像素点输入图像RGB三通道，得到当前初始图像样本的RGB三通道数据；
[0018]根据标定的背景图像与当前初始图像样本的RGB三通道数据进行对比，检测所述初始图像样本中的前景像素特征点和背景像素点。
[0019]在本专利技术提供的一些实施例中，得到包含所有对象的特征图像块的方法，包括：
[0020]设定前景像素特征点和背景像素点的分离阈值；
[0021]对初始图像样本进行二值化处理，得到前景像素的轮廓线特征；
[0022]对所述前景像素的轮廓线进行参数化和拟合处理，并沿处理后轮廓线进行分割，得到包含所有对象的特征图像块。
[0023]在本专利技术提供的一些实施例中，所述轮廓线进行参数化和拟合处理的方法为：
[0024]获取前景像素的轮廓线；
[0025]按照设定步长沿所述轮廓线获取离散边缘特征点集；
[0026]基于所述离散边缘特征点集拟合特征区域的轮廓曲线，得到拟合后轮廓线；
[0027]沿拟合后轮廓线进行分割，得到包含所有对象的特征图像块。
[0028]在本专利技术提供的一些实施例中，所述散边缘特征点集为对象特征区域的边缘位置属性，所述边缘位置属性包括主体对象的边缘点位置坐标。
[0029]在本专利技术提供的一些实施例中，配置确定的神经网络的方法，包括：
[0030]预先获取匹配文件，配置文件包括神经网络模型及参数信息；
[0031]根据目标对象数量进行配置所述神经网络模型；
[0032]基于每个目标对象的名称命名各自的神经网络模型的名称；
[0033]将目标对象的区域图块作为参数配置于神经网络模型中；
[0034]其中，每个目标对象的神经网络模型是相同的神经网络模型。
[0035]在本专利技术提供的一些实施例中，在获得检测到目标对象的边缘坐标点集之前，还包括：
[0036]拷贝获得的检测图像文本，并行输入每个目标对象配置的神经网络模型；
[0037]利用每个目标对象各自的神经网络模型对每个输入的检测图像文本检测，以获取是否存在与每个目标对象相关联的区域图块；
[0038]同步检测包含目标对象的待检测图像文本，并获取检测的目标对象在所述待检测图像文本中的边缘坐标点集。
[0039]在本专利技术提供的一些实施例中，所述标记与多目标对象相关联的多个特征的方法，包括：
[0040]从包含边缘坐标点集的检测图像文本中确定一幅当前检测图像文本；
[0041]将多个包含边缘坐标点集的检测图像文本中除当前检测图像文本之外的每个边缘坐标点集确定为待映射边缘坐标点集；
[0042]基于待映射边缘坐标点集，将多个目标对象的待映射边缘坐标点集依次映射到同
一当前检测图像文本中，在检测图像文本中完成多目标对象的检测。
[0043]第二方面，在本专利技术提供的另一个实施例中，提供了一种图像目标检测系统，所述图像目标检测系统采用上述图像目标检测方法检测图像中多目标对象；所述图像目标检测系统包括特征图块确定模块、模型配置模块、目标识别模块以及多目标融合模块。
[0044]所述特征图块确定模块，用于在获取的初始图像样本中分离出所有特征的区域图块集，并从中选定多目标对象特征的区域图块；
[0045]所述模型配置模块，用于根据选定多目标对象特征的区域图块的数量进行逐一配置对应的确定的神经网络模型；
[0046]所述目标识别模块，用于将获取的待检测图像文本复制后，利用每个目标对象各自的神经网络进行分别处理，通过各自的神经网络进行识别目标对象，并获得检测到目标对象的边缘坐标点集；
[0047]所述多目标融合模块，用于将获得的边缘坐标点集映射到同一图像文本中，将检测到的多目标对象融合于同一待检测图像文本中。
[0048]第三方面，在本专利技术提供的又一个实施例中，提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器加载并执行所述计算机程序时实现图像目标检测方法的步骤。
[0049]第四方面，本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种图像目标检测方法，包括：获取至少一个包含多目标对象的初始图像样本，并通过图像特征分离处理获得所述初始图像样本的所有特征的区域图块集；基于区域图块集选定多目标对象特征的区域图块，并为选定的每个目标对象的区域图块配置确定的神经网络模型；获取待检测图像文本，并利用每个目标对象各自的神经网络模型进行处理，以获得检测到目标对象的边缘坐标点集；将获得的边缘坐标点集映射到同一图像文本中，以标记与多目标对象相关联的多个特征。2.如权利要求1所述的图像目标检测方法，其特征在于：所述获得所述初始图像样本的所有特征的区域图块集的方法，包括：获取至少一个包含多目标对象的初始图像样本；采用图像特征识别方法获取所有对象的像素特征点；将所述初始图像样本进行二值化处理，所述像素特征点部分设为前景，其余部分设为背景，得到包含所有对象的特征图像块；利用图像分割技术，分割特征图像块，获得所有特征的区域图块集。3.如权利要求2所述的图像目标检测方法，其特征在于：所述图像特征识别方法获取像素特征点的步骤包括：读取初始图像样本的图像像素点，并将所述图像像素点输入图像RGB三通道，得到当前初始图像样本的RGB三通道数据；根据标定的背景图像与当前初始图像样本的RGB三通道数据进行对比，检测所述初始图像样本中的前景像素特征点和背景像素点。4.如权利要求3所述的图像目标检测方法，其特征在于：得到包含所有对象的特征图像块的方法，包括：设定前景像素特征点和背景像素点的分离阈值；对初始图像样本进行二值化处理，得到前景像素的轮廓线特征；对所述前景像素的轮廓线进行参数化和拟合处理，并沿处理后轮廓线进行分割，得到包含所有对象的特征图像块...
【专利技术属性】
技术研发人员：詹瑾，岳振猛，赵慧民，谭天浪，汪龙浩，
申请(专利权)人：广东技术师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。