一种分析图像的方法及装置制造方法及图纸

本发明专利技术实施例公开了一种分析图像的方法及装置，涉及计算机视觉技术领域，能够从预设的训练样本中自动学习较优的特征和比对方式，并通过掩模模板自适应的抑制对物体检测和视角估计作用较小或基本无用的信息，提高了物体检测和视角估计准确性，从而提高了分析图像过程的准确性。本发明专利技术的方法包括：根据预设的训练样本得到待定参数的值；根据第一级神经网络和待定参数生成掩模模板，根据掩模模板对待处理图像进行图像掩模处理，得到掩模处理后的图像；根据第二级神经网络和待定参数分析掩模处理后的图像，得到掩模处理后的图像的分析结果。本发明专利技术适用于对图像中物体进行分析处理。

【技术实现步骤摘要】
一种分析图像的方法及装置
本专利技术涉及计算机视觉
，尤其涉及一种分析图像的方法及装置。
技术介绍
目前计算机视觉技术得到了广泛应用，并且发展出了很多分析、处理图像的方法。当需要对图像中的一个物体执行跟踪、识别和行为分析等处理过程时，通常需要对于所拍摄的图像中的物体进行检测和物体的视角估计。在现有技术中，主要通过可形变部件模型对目标物体进行检测和视角估计。例如：将人体作为目标物体，并针对目标物体的全部或部分特征设定可形变部件模型，可形变部件模型包括了人体在运动过程中的特征。在图像中识别出模型的特征，并将图像中具有模型的特征的这部分区域的物体作为目标物体或目标物体的一部分。由于在实际场景中的目标物体可能是非刚体，由于拍摄角度的变化、目标物体形状的改变、或者光线强度的改变等原因，使图像中的目标物体的特征往往会有较大的变化，这就导致预先设定好的模型无法准确对应上目标物体的特征，从而导致通过可形变部件模型对目标物体进行识别检测或视角估计时的准确度降低。因此，可形变部件模型中可用于目标物体识别的特征是有限的，在对非刚体的分析过程中可形变部件模型的灵活性较差，难以准确的检测和视角估计，从而降低了分析图像过程的准确性。
技术实现思路
本专利技术的实施例提供一种分析图像的方法及装置，能够提高检测和视角估计准确度，从而提高分析图像过程的准确性。为达到上述目的，本专利技术的实施例采用如下技术方案：第一方面，本专利技术的实施例提供一种分析图像的方法，所述方法应用于一种图像分析系统，所述图像分析系统至少用于通过第一级神经网络得到图像的掩模模板，还用于通过第二级神经网络根据所述第一级神经网络得到的掩模模板处理图像；所述方法包括：根据预设的训练样本得到待定参数的值，所述训练样本包括样本图像和样本图像参数，其中，样本图像参数用于表示在样本图像是否包含目标物体，还用于表示包含所述目标物体时所述目标物体在所述样本图像中的视角；根据所述第一级神经网络和所述待定参数生成掩模模板，根据所述掩模模板对待处理图像进行图像掩模处理，得到掩模处理后的图像；根据所述第二级神经网络和所述待定参数分析所述掩模处理后的图像，得到所述掩模处理后的图像的分析结果，所述分析结果包括：目标物体检测结果和视角估计结果中的至少一项。结合第一方面，在第一方面的第一种可能的实现方式中，所述根据预设的训练样本得到待定参数的值包括：将所述待定参数设定为第1赋值；在一个周期内，根据所述第1赋值和第1样本获取所述第1样本对应的掩模模板，所述训练样本包括了第1至N样本；并依据所述第1样本对应的掩模模板对所述第1样本进行图像掩模处理；并通过所述第二级神经网络，根据所述第1赋值对经过所述图像掩模处理的所述第1样本进行分析，并得到第1样本的分析结果；重复上述周期，并获取第1至N样本在第1赋值下的分析结果；依次将所述待定参数设定为第2至X赋值，并依次获取第1至N样本在第2赋值下的分析结果，直至在第X赋值下的分析结果；根据第1至X赋值下的分析结果，确定目标赋值，并将所述目标赋值作为所述待定参数的值。结合第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，所述根据所述第二级神经网络和所述待定参数分析所述掩模处理后的图像，得到所述掩模处理后的图像的分析结果，包括：通过所述第二级神经网络，根据所述目标赋值对所述掩模处理后的图像进行分析，并得到所述掩模处理后的图像的分析结果。结合第一方面的第一种可能的实现方式，在第一方面的第三种可能的实现方式中，所述根据第1至X赋值下的分析结果，确定目标赋值，并将所述目标赋值作为所述待定参数的值包括：根据获取所述第1至N样本在各个赋值下的代价值E；其中，有N个训练样本{I1,I2,…,IN}，所述N个训练样本对应的类标为和其中，表示第i号样本图像包含所述目标物体，表示第i号样本图像不包含所述目标物体，表示在第i号样本图像中所述目标物体的视角，T表示视角被离散化为{1,2,…,T}，的T个分量中最多只有一个分量等于1，其他分量均为0，λ表示预设系数；mk表示所述掩模模板的第k个点的值，rk为mk到所述掩模模板中心点的距离；M＝fM(I)，fM表示所述第一级神经网络的映射函数，M表示所述掩模模板，I表示所述训练样本中的样本图像，IM＝min{I,M}即求I和M的各个对应元素的最小值，IM表示经过所述图像掩模处理后的样本图像，qV表示视角估计结果，qD表示目标物体检测结果，且qV＝fV(IM)，qD＝fD(IM)；fV和fD分别表示所述第二级神经网络的映射函数；将代价值最小的赋值作为所述目标赋值。结合第一方面、以及第一方面的第一至第三种可能的实现方式，在第一方面的第四种可能的实现方式中，在根据预设的训练样本得到待定参数的值之前，还包括：获取样本集合中的一部分样本图像参数，并将所述一部分样本图像和所述一部分样本图像参数作为所述预设的训练样本；并将所述样本集合中的另一部分样本图像作为所述待处理图像。第二方面，本专利技术的实施例提供一种分析图像的装置，所述装置应用于一种图像分析系统，所述图像分析系统至少用于通过第一级神经网络得到图像的掩模模板，还用于通过第二级神经网络根据所述第一级神经网络得到的掩模模板处理图像；所述装置包括：第一获取模块，用于根据预设的训练样本得到待定参数的值，所述训练样本包括样本图像和样本图像参数，其中，样本图像参数用于表示在样本图像是否包含目标物体，还用于表示包含所述目标物体时所述目标物体在所述样本图像中的视角；第一处理模块，用于根据所述第一级神经网络和所述待定参数生成掩模模板，根据所述掩模模板对待处理图像进行图像掩模处理，得到掩模处理后的图像；分析模块，用于根据所述第二级神经网络和所述待定参数分析所述掩模处理后的图像，得到所述掩模处理后的图像的分析结果，所述分析结果包括：目标物体检测结果和视角估计结果中的至少一项。结合第二方面，在第二方面的第一种可能的实现方式中，所述第一获取模块包括：赋值单元，用于将所述待定参数设定为第1赋值；第一处理单元，用于在一个周期内，根据所述第1赋值和第1样本获取所述第1样本对应的掩模模板，所述训练样本包括了第1至N样本；并依据所述第1样本对应的掩模模板对所述第1样本进行图像掩模处理；并通过所述第二级神经网络，根据所述第1赋值对经过所述图像掩模处理的所述第1样本进行分析，并得到第1样本的分析结果；第二处理单元，用于重复上述周期，并获取第1至N样本在第1赋值下的分析结果；第三处理单元，用于依次将所述待定参数设定为第2至X赋值，并依次获取第1至N样本在第2赋值下的分析结果，直至在第X赋值下的分析结果；获取单元，用于根据第1至X赋值下的分析结果，确定目标赋值，并将所述目标赋值作为所述待定参数的值。结合第二方面的第一种可能的实现方式，在第二方面的第二种可能的实现方式中，所述分析模块，包括：分析单元，用于通过所述第二级神经网络，根据所述目标赋值对所述掩模处理后的图像进行分析，并得到所述掩模处理后的图像的分析结果。结合第二方面的第一种可能的实现方式，在第二方面的第三种可能的实现方式中，所述获取单元包括：获取子单元，用于根据获取所述第1至N样本在各个赋值下的代价值E；其中，有N个训练样本{I1,I2,…,IN}，所述N个训练样本对本文档来自技高网...

【技术保护点】
一种分析图像的方法，其特征在于，所述方法应用于一种图像分析系统，所述图像分析系统至少用于通过第一级神经网络得到图像的掩模模板，还用于通过第二级神经网络根据所述第一级神经网络得到的掩模模板处理图像；所述方法包括：根据预设的训练样本得到待定参数的值，所述训练样本包括样本图像和样本图像参数，其中，样本图像参数用于表示在样本图像是否包含目标物体，还用于表示包含所述目标物体时所述目标物体在所述样本图像中的视角；根据所述第一级神经网络和所述待定参数生成掩模模板，根据所述掩模模板对待处理图像进行图像掩模处理，得到掩模处理后的图像；根据所述第二级神经网络和所述待定参数分析所述掩模处理后的图像，得到所述掩模处理后的图像的分析结果，所述分析结果包括：目标物体检测结果和视角估计结果中的至少一项。

【技术特征摘要】
1.一种分析图像的方法，其特征在于，所述方法应用于一种图像分析系统，所述图像分析系统至少用于通过第一级神经网络得到图像的掩模模板，还用于通过第二级神经网络根据所述第一级神经网络得到的掩模模板处理图像；所述方法包括：根据预设的训练样本得到待定参数的值，所述训练样本包括样本图像和样本图像参数，其中，样本图像参数用于表示在样本图像是否包含目标物体，还用于表示包含所述目标物体时所述目标物体在所述样本图像中的视角；根据所述第一级神经网络和所述待定参数生成掩模模板，根据所述掩模模板对待处理图像进行图像掩模处理，得到掩模处理后的图像；根据所述第二级神经网络和所述待定参数分析所述掩模处理后的图像，得到所述掩模处理后的图像的分析结果，所述分析结果包括：目标物体检测结果和视角估计结果中的至少一项。2.根据权利要求1所述的分析图像的方法，其特征在于，所述根据预设的训练样本得到待定参数的值包括：将所述待定参数设定为第1赋值；在一个周期内，根据所述第1赋值和第1样本获取所述第1样本对应的掩模模板，所述训练样本包括了第1至N样本；并依据所述第1样本对应的掩模模板对所述第1样本进行图像掩模处理；并通过所述第二级神经网络，根据所述第1赋值对经过所述图像掩模处理的所述第1样本进行分析，并得到第1样本的分析结果；重复上述周期，并获取第1至N样本在第1赋值下的分析结果；依次将所述待定参数设定为第2至X赋值，并依次获取第1至N样本在第2赋值下的分析结果，直至在第X赋值下的分析结果；根据第1至X赋值下的分析结果，确定目标赋值，并将所述目标赋值作为所述待定参数的值。3.根据权利要求2所述的分析图像的方法，其特征在于，所述根据所述第二级神经网络和所述待定参数分析所述掩模处理后的图像，得到所述掩模处理后的图像的分析结果，包括：通过所述第二级神经网络，根据所述目标赋值对所述掩模处理后的图像进行分析，并得到所述掩模处理后的图像的分析结果。4.根据权利要求2所述的分析图像的方法，其特征在于，所述根据第1至X赋值下的分析结果，确定目标赋值，并将所述目标赋值作为所述待定参数的值包括：根据获取所述第1至N样本在各个赋值下的代价值E；其中，有N个训练样本{I1,I2,…,IN}，所述N个训练样本对应的类标为和其中，表示第i号样本图像包含所述目标物体，表示第i号样本图像不包含所述目标物体，表示在第i号样本图像中所述目标物体的视角，T表示视角被离散化为{1,2,…,T}，的T个分量中最多只有一个分量等于1，其他分量均为0，λ表示预设系数；mk表示所述掩模模板的第k个点的值，rk为mk到所述掩模模板中心点的距离；M＝fM(I)，fM表示所述第一级神经网络的映射函数，M表示所述掩模模板，I表示所述训练样本中的样本图像，IM＝min{I,M}即求I和M的各个对应元素的最小值，IM表示经过所述图像掩模处理后的样本图像，qV表示视角估计结果，qD表示目标物体检测结果，且qV＝fV(IM)，qD＝fD(IM)；fV和fD分别表示所述第二级神经网络的映射函数；将代价值最小的赋值作为所述目标赋值。5.根据权利要求1-4中的任意一项所述的分析图像的方法，其特征在于，在根据预设的训练样本得到待定参数的值之前，还包括：获取样本集合中的一部分样本图像参数，并将所述一部分样本图像和所述一部分样本图像参数作为所述预设的训练样本；并将所述样本集合中的另一部分样本图像作为所述待处理图像。6.一...

【专利技术属性】
技术研发人员：杨林杰，黎伟，许春景，刘健庄，汤晓鸥，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：广东;44