用于归一化图像的系统和方法技术方案

技术编号:19397077 阅读:3 留言:0更新日期:2018-11-10 05:07
描述了一种用于通过电子装置归一化图像的方法。所述方法包含获得包含目标对象的图像。所述方法还包含确定所述图像的窗口的集合。所述方法进一步包含对于所述图像的所述窗口的集合的每个窗口使用第一卷积神经网络CNN预测适应于所述窗口的照度归一化模型的参数,并且将所述照度归一化模型应用到所述窗口以产生归一化的窗口。

【技术实现步骤摘要】
【国外来华专利技术】用于归一化图像的系统和方法相关申请本申请涉及并且主张2016年3月11日递交的针对“用于检测目标对象的系统和方法(SYSTEMSANDMETHODSFORDETECTINGATARGETOBJECT.)”的第62/307,225号美国临时专利申请的优先权。
本专利技术大体上涉及电子装置。更具体地说,本专利技术涉及用于归一化图像的系统和方法。
技术介绍
一些电子装置(例如,摄像机、视频摄录像机、数码摄像机、蜂窝式电话、智能电话、计算机、电视、汽车、个人摄像机、动作摄像机、监控摄像机、安装式摄像机、连接式摄像机、机器人、无人机、智能应用程序、医疗保健设备、机顶盒等)俘获和/或利用图像。举例来说,智能电话可以俘获和/或处理静态图像和/或视频图像。处理图像可能需要相对大量的时间、处理、存储器和能量资源。所需要的资源根据处理的复杂度可能不同。图像在它们的特性上可能大幅变化。举例来说,不同图像可能在照度中、在图像中所示的对象的数目和种类中、在图像中所示的纹理和结构中等大幅变化。由于图像特性中的多种多样,所以可能难以实现恒定的图像处理。如可从此论述中观察到,改进图像处理的系统和方法可能是有益的。
技术实现思路
描述了一种用于通过电子装置归一化图像的方法。所述方法包含获得包含目标对象的图像。所述方法还包含确定所述图像的窗口的集合。所述方法额外包含对于所述图像的所述窗口的集合的每个窗口使用第一卷积神经网络(CNN)预测适应于所述窗口的照度归一化模型的参数。所述方法进一步包含对于所述图像的所述窗口的集合的每个窗口将所述照度归一化模型应用到所述窗口以产生归一化的窗口。将所述照度归一化模型应用到窗口可包含对卷积滤波器与窗口进行卷积。所述方法可包含对于所述图像的所述窗口的集合的每个窗口通过第二CNN分析所述归一化的窗口以用于对所述归一化的窗口进行评分。所述方法可包含检测具有最大分数的归一化的窗口中的目标对象。第一CNN和第二CNN可以是联合地训练的CNN。第一CNN可以是归一化器CNN且第二CNN可以是检测器CNN。第一CNN可经训练以用于基于训练图像的集合预测照度归一化模型的参数。训练图像的集合的子集可包含训练目标对象。第二CNN可经训练以用于基于训练图像的集合和照度归一化模型检测训练目标对象。第一CNN和第二CNN可基于最小化联合损失函数训练。预测参数可包含预测分别应用于高斯滤波器的集合的权重的集合以获得卷积滤波器。所述方法可包含可基于每个窗口的预测的参数确定预测的权重矩阵。所述方法还可包含基于预测的权重矩阵归一化图像以产生归一化的图像。所述图像可以是彩色图像。所述方法可包含变换彩色图像以产生亮度通道和彩色通道。所述方法还可包含归一化亮度通道以产生归一化的亮度通道。所述方法可进一步包含变换归一化的亮度通道和彩色通道到原始彩色空间。还描述了用于归一化图像的电子装置。所述电子装置包含处理器。所述处理器经配置以获得包含目标对象的图像。所述处理器还经配置以确定图像的窗口的集合。所述处理器进一步经配置以对于所述图像的窗口的集合的每个窗口使用第一卷积神经网络(CNN)预测适应于所述窗口的照度归一化模型的参数。所述处理器另外经配置以对于所述图像的窗口的集合的每个窗口将照度归一化模型应用到所述窗口以产生归一化的窗口。还描述了用于归一化图像的设备。所述设备包含用于获得包含目标对象的图像的装置。所述设备还包含用于确定图像的窗口的集合的装置。所述设备进一步包含用于对于所述图像的窗口的集合的每个窗口使用第一卷积神经网络(CNN)预测适应于所述窗口的照度归一化模型的参数的装置。所述设备额外包含用于对于所述图像的窗口的集合的每个窗口将照度归一化模型应用到所述窗口以产生归一化的窗口的装置。还描述了一种用于归一化图像的计算机程序产品。所述计算机程序产品包含具有指令的非暂时性计算机可读媒体。所述指令包含用于使得电子装置获得包含目标对象的图像的代码。所述指令还包含用于使得电子装置确定图像的窗口的集合的代码。所述指令进一步包含用于使得电子装置对于所述图像的窗口的集合的每个窗口使用第一卷积神经网络(CNN)预测适应于所述窗口的照度归一化模型的参数的代码。所述指令额外包含用于使得电子装置对于所述图像的窗口的集合的每个窗口将照度归一化模型应用到所述窗口以产生归一化的窗口的代码。还描述了一种用于通过电子装置训练卷积神经网络(CNN)的方法。所述方法包含获得图像的集合。图像的集合的子集包含目标对象。所述方法还包含训练第一卷积神经网络(CNN)以用于基于图像的集合预测照度归一化模型的参数。所述方法进一步包含训练第二CNN以用于基于图像的集合和照度归一化模型检测目标对象。第一CNN和第二CNN可以联合地训练。训练第一CNN和第二CNN可基于最小化联合损失函数。所述方法可包含基于照度归一化模型训练用于第二目标对象的第三CNN。还描述了一种用于训练卷积神经网络(CNN)的电子装置。所述电子装置包含处理器。所述处理器经配置以获得图像的集合。图像的集合的子集包含目标对象。所述处理器还经配置以训练第一卷积神经网络(CNN)以用于基于图像的集合预测照度归一化模型的参数。所述处理器进一步经配置以训练第二CNN以用于基于图像的集合和照度归一化模型检测目标对象。还描述了一种用于训练卷积神经网络(CNN)的设备。所述设备包含用于获得图像的集合的装置。图像的集合的子集包含目标对象。所述设备还包含用于训练第一卷积神经网络(CNN)以用于基于图像的集合预测照度归一化模型的参数的装置。所述设备进一步包含用于训练第二CNN以用于基于图像的集合和照度归一化模型检测目标对象的装置。还描述了一种用于训练卷积神经网络(CNN)的计算机程序产品。所述计算机程序产品包含具有指令的非暂时性有形计算机可读媒体。所述指令包含用于使得电子装置获得图像的集合的代码。图像的集合的子集包含目标对象。所述指令还包含用于使得电子装置训练第一卷积神经网络(CNN)以用于基于图像的集合预测照度归一化模型的参数的代码。所述指令进一步包括用于使得电子装置训练第二CNN以用于基于图像的集合和照度归一化模型检测目标对象的代码。附图说明图1是说明可实施用于归一化图像的系统和方法的电子装置的一个实例的框图;图2是说明用于归一化图像的方法的一个配置的流程图;图3是说明归一化器卷积神经网络(CNN)和/或检测器CNN的实例的框图;图4是说明用于检测对象的方法的一个配置的流程图;图5是说明根据本文中所公开的系统和方法的一些配置的CNN训练的实例的框图;图6是说明用于训练一或多个卷积神经网络的方法的一个配置的流程图;图7是说明用于目标对象的若干对象检测技术的精确度和查全率的曲线图;图8是说明用于另一目标对象的若干对象检测技术的精确度和查全率的曲线图;图9是说明用于又一目标对象的若干对象检测技术的精确度和查全率的曲线图;图10是说明用于目标对象的不同数目的训练图像的适应性局部对比度归一化(ALCN)的精确度和查全率的曲线图;图11是说明用于另一目标对象的不同数目的训练图像的ALCN的精确度和查全率的曲线图;图12是说明用于又一目标对象的不同数目的训练图像的ALCN的精确度和查全率的曲线图;图13是说明用于目标对象的联合地训练的归一化器对预先训练的归一化器C本文档来自技高网...

【技术保护点】
1.一种用于通过电子装置归一化图像的方法,所述方法包括:获得包括目标对象的图像;确定所述图像的窗口的集合;对于所述图像的所述窗口的集合的每个窗口:使用第一卷积神经网络CNN预测适应于所述窗口的照度归一化模型的参数;以及将所述照度归一化模型应用到所述窗口以产生归一化的窗口。

【技术特征摘要】
【国外来华专利技术】2016.03.11 US 62/307,225;2016.07.11 US 15/207,2391.一种用于通过电子装置归一化图像的方法,所述方法包括:获得包括目标对象的图像;确定所述图像的窗口的集合;对于所述图像的所述窗口的集合的每个窗口:使用第一卷积神经网络CNN预测适应于所述窗口的照度归一化模型的参数;以及将所述照度归一化模型应用到所述窗口以产生归一化的窗口。2.根据权利要求1所述的方法,其进一步包括:对于所述图像的所述窗口的集合的每个窗口,通过第二CNN分析所述归一化的窗口以用于对所述归一化的窗口进行评分。3.根据权利要求2所述的方法,其中所述第一CNN和所述第二CNN是联合地训练的CNN。4.根据权利要求2所述的方法,其进一步包括检测具有最大分数的归一化的窗口中的所述目标对象。5.根据权利要求2所述的方法,其中所述第一CNN是归一化器CNN并且所述第二CNN是检测器CNN。6.根据权利要求2所述的方法,其中所述第一CNN是训练用于基于训练图像的集合预测所述照度归一化模型的参数的,其中所述训练图像的集合的子集包括训练目标对象,并且其中所述第二CNN是训练用于基于所述训练图像的集合和所述照度归一化模型检测所述训练目标对象的。7.根据权利要求2所述的方法,其中所述第一CNN和所述第二CNN是基于最小化联合损失函数训练的。8.根据权利要求1所述的方法,其中预测所述参数包括预测分别应用于高斯滤波器的集合以获得卷积滤波器的权重的集合。9.根据权利要求1所述的方法,其中将所述照度归一化模型应用到窗口包括对卷积滤波器与所述窗口进行卷积。10.根据权利要求1所述的方法,其进一步包括:基于用于每个窗口的所述预测的参数确定预测的权重矩阵;以及基于所述预测的权重矩阵归一化所述图像以产生归一化的图像。11.根据权利要求1所述的方法,其中所述图像是彩色图像,并且其中所述方法进一步包括:变换所述彩色图像以产生亮度通道和彩色通道;归一化所述亮度通道以产生归一化的亮度通道;以及变换所述归一化的亮度通道和所述彩色通道到原始彩色空间。12.一种用于归一化图像的电子装置,其包括:处理器,其经配置以进行以下操作:获得包括目标对象的图像;确定所述图像的窗口的集合;对于所述图像的所述窗口的集合的每个窗口:使用第一卷积神经网络CNN预测适应于所述窗口的照度归一化模型的参数;以及将所述照度归一化模型应用到所述窗口以产生归一化的窗口。13.根据权利要求12所述的电子装置,其中所述处理器经配置以对于所述图像的所述窗口的集合的每个窗口通过第二CNN分析所述归一化的窗口以对所述归一化的窗口进行评分。14.根据权利要求13所述的电子装置,其中所述第一CNN和所述第二CNN是联合地训练的CNN。15.根据权利要求13所述的电子装置,其中所述处理器经配置以检测具有最大分数的归一化的窗口中的所述目标对象。16.根据权利要求13所述的电子装置,其中所述第一CNN是归一化器CNN并且所述第二CNN是检测器CNN。17.根据权利要求13所述的电子装置,其中所述第一CNN是训练用于基于训练图像的集合预测所述照度归一化模型的参数的,其中所述训练图像的集合的子集包括训练目标对象...

【专利技术属性】
技术研发人员:M·拉德M·奥贝维吉尔V·勒珀蒂
申请(专利权)人:高通股份有限公司
类型:发明
国别省市:美国,US

网友询问留言 已有0条评论
  • 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。

1