图像强反光检测方法和装置制造方法及图纸

本发明专利技术实施例提供一种图像强反光检测方法和装置。该图像强反光检测方法包括：获取待检测图像；以及利用全卷积网络对所述待检测图像进行处理，以获得关于所述待检测图像中的强反光区域的位置信息的检测结果。根据本发明专利技术实施例的图像强反光检测方法和装置，利用全卷积网络可以有效、高精度地检测图像中的强反光区域，从而有助于提高图像识别任务中的图像识别的精度和可靠性。此外，该方法还具有处理速度快、模型体积小的特点，因此可以方便地部署到诸如智能手机、平板电脑等移动设备上。

Method and device for detecting strong reflection of image

The embodiment of the invention provides a method and a device for detecting the strong light reflection of an image. Including the image of strong reflection detection method: obtaining the image to be detected; and the use of the whole network convolution of image processing, the detection results to obtain location information about the image to be detected in the region of the strong reflection. According to an embodiment of the present invention is highly reflective image detection method and apparatus using convolutional network can effectively and accurately detect strong reflective regions in the image, which is helpful to improve the image recognition tasks in precision and reliability. In addition, the method has the characteristics of fast processing speed and small model size, so it can be easily deployed to mobile devices such as smart phones and tablet computers.

【技术实现步骤摘要】
图像强反光检测方法和装置
本专利技术涉及图像处理领域，更具体地涉及一种图像强反光检测方法和装置。
技术介绍
对于许多图像识别任务(例如图像分类、文字识别、目标跟踪等)而言，图像中的强反光是一个严重的干扰因素，会影响图像识别的精度和稳定性(即可靠性)。因此，如果能够在执行图像识别任务之前判断图像中是否存在强反光并预测强反光所在的区域，就可以有效地降低图像识别任务的难度、提升图像识别的精度和稳定性。然而，目前尚缺乏可以准确地检测图像中的强反光的成熟技术或系统。
技术实现思路
考虑到上述问题而提出了本专利技术。本专利技术提供了一种图像强反光检测方法和装置。根据本专利技术一方面，提供了一种图像强反光检测方法。该图像强反光检测方法包括：获取待检测图像；以及利用全卷积网络对所述待检测图像进行处理，以获得关于所述待检测图像中的强反光区域的位置信息的检测结果。示例性地，所述检测结果包括强反光概率图，所述强反光概率图中的每个像素的像素值代表在所述待检测图像中的、与该像素坐标相同的像素处存在强反光的概率。示例性地，所述图像强反光检测方法还包括：获取训练数据，其中，所述训练数据包括样本图像集和与所述样本图像集中的每个样本图像分别对应的掩膜信息，所述掩膜信息用于指示对应的样本图像中的强反光区域的位置；以及利用所述训练数据进行神经网络训练以得到所述全卷积网络。示例性地，所述掩膜信息为与对应的样本图像尺寸相同的二值图像，所述二值图像中的、与位于对应的样本图像的强反光区域内部的像素坐标相同的像素具有第一像素值，并且，所述二值图像中的、与位于对应的样本图像的强反光区域外部的像素坐标相同的像素具有第二像素值。示例性地，所述获取训练数据包括：获取初始图像集，其中，所述初始图像集中的初始图像与所述样本图像集中的样本图像一一对应；对于所述初始图像集中的每个初始图像，生成预定数目的强反光区域；对于所述初始图像集中的每个初始图像，将该初始图像与所述预定数目的强反光区域叠加在一起，以获得与该初始图像相对应的样本图像；以及对于所述初始图像集中的每个初始图像，根据所述预定数目的强反光区域在该初始图像中的叠加位置获得与该初始图像所对应的样本图像相对应的掩膜信息。示例性地，所述生成预定数目的强反光区域包括：利用冯氏(Phong)光照模型随机生成所述预定数目的强反光区域。示例性地，在所述利用所述训练数据进行神经网络训练以得到所述全卷积网络之前，所述图像强反光检测方法还包括：将所述样本图像集中的样本图像的尺寸缩放为标准尺寸。示例性地，所述将所述样本图像集中的样本图像的尺寸缩放为标准尺寸包括：对于所述样本图像集中的每个样本图像，在保持该样本图像的宽高比不变的同时，将该样本图像的高度和宽度中的较大者缩放到标准大小。示例性地，所述获取训练数据包括：接收所述样本图像集和与所述样本图像集中的每个样本图像分别对应的标注数据，其中，所述标注数据包括用于指示对应的样本图像中的强反光区域的轮廓的轮廓数据；以及根据与所述样本图像集中的每个样本图像相对应的轮廓数据生成与该样本图像相对应的掩膜信息。示例性地，在所述利用全卷积网络对所述待检测图像进行处理之前，所述图像强反光检测方法还包括：将所述待检测图像的尺寸缩放为标准尺寸。示例性地，所述将所述待检测图像的尺寸缩放为标准尺寸包括：在保持所述待检测图像的宽高比不变的同时，将所述待检测图像的高度和宽度中的较大者缩放到标准大小。示例性地，所述利用全卷积网络对所述待检测图像进行处理包括：将标准尺寸的所述待检测图像输入所述全卷积网络，以获得关于标准尺寸的所述待检测图像中的强反光区域的位置信息的初级结果；以及根据所述待检测图像的缩放比例和所述初级结果获得所述检测结果。示例性地，所述全卷积网络配置为具有以下网络结构：输入层，接下来是两个卷积层，连接一个最大池化层，接下来是两个卷积层，连接一个最大池化层，接下来是三个卷积层，连接一个最大池化层，接下来是三个卷积层，连接一个最大池化层，接下来是三个卷积层。根据本专利技术另一方面，提供了一种图像强反光检测装置，包括：图像获取模块，用于获取待检测图像；以及处理模块，用于利用全卷积网络对所述待检测图像进行处理，以获得关于所述待检测图像中的强反光区域的位置信息的检测结果。示例性地，所述检测结果包括强反光概率图，所述强反光概率图中的每个像素的像素值代表在所述待检测图像中的、与该像素坐标相同的像素处存在强反光的概率。示例性地，所述图像强反光检测装置还包括：数据获取模块，用于获取训练数据，其中，所述训练数据包括样本图像集和与所述样本图像集中的每个样本图像分别对应的掩膜信息，所述掩膜信息用于指示对应的样本图像中的强反光区域的位置；以及训练模块，用于利用所述训练数据进行神经网络训练以得到所述全卷积网络。示例性地，所述掩膜信息为与对应的样本图像尺寸相同的二值图像，所述二值图像中的、与位于对应的样本图像的强反光区域内部的像素坐标相同的像素具有第一像素值，并且，所述二值图像中的、与位于对应的样本图像的强反光区域外部的像素坐标相同的像素具有第二像素值。示例性地，所述数据获取模块包括：初始图像获取子模块，用于获取初始图像集，其中，所述初始图像集中的初始图像与所述样本图像集中的样本图像一一对应；强反光区域生成子模块，用于对于所述初始图像集中的每个初始图像，生成预定数目的强反光区域；叠加子模块，用于对于所述初始图像集中的每个初始图像，将该初始图像与所述预定数目的强反光区域叠加在一起，以获得与该初始图像相对应的样本图像；以及掩膜信息获得子模块，用于对于所述初始图像集中的每个初始图像，根据所述预定数目的强反光区域在该初始图像中的叠加位置获得与该初始图像所对应的样本图像相对应的掩膜信息。示例性地，所述强反光区域生成子模块包括：强反光区域生成单元，用于利用冯氏(Phong)光照模型随机生成所述预定数目的强反光区域。示例性地，所述图像强反光检测装置还包括：第一缩放模块，用于在所述训练模块进行神经网络训练以得到所述全卷积网络之前，将所述样本图像集中的样本图像的尺寸缩放为标准尺寸。示例性地，所述第一缩放模块包括：第一缩放子模块，用于对于所述样本图像集中的每个样本图像，在保持该样本图像的宽高比不变的同时，将该样本图像的高度和宽度中的较大者缩放到标准大小。示例性地，所述数据获取模块包括：接收子模块，用于接收所述样本图像集和与所述样本图像集中的每个样本图像分别对应的标注数据，其中，所述标注数据包括用于指示对应的样本图像中的强反光区域的轮廓的轮廓数据；以及掩膜信息生成子模块，用于根据与所述样本图像集中的每个样本图像相对应的轮廓数据生成与该样本图像相对应的掩膜信息。示例性地，所述图像强反光检测装置还包括：第二缩放模块，用于在所述处理模块利用全卷积网络对所述待检测图像进行处理之前，将所述待检测图像的尺寸缩放为标准尺寸。示例性地，所述第二缩放模块包括：第二缩放子模块，用于在保持所述待检测图像的宽高比不变的同时，将所述待检测图像的高度和宽度中的较大者缩放到标准大小。示例性地，所述处理模块包括：输入子模块，用于将标准尺寸的所述待检测图像输入所述全卷积网络，以获得关于标准尺寸的所述待检测图像中的强反光区域的位置信息的初级结果；以及检测结果获得子模块，用于根据所述待检测图像的缩本文档来自技高网...

【技术保护点】
一种图像强反光检测方法，包括：获取待检测图像；以及利用全卷积网络对所述待检测图像进行处理，以获得关于所述待检测图像中的强反光区域的位置信息的检测结果。

【技术特征摘要】
1.一种图像强反光检测方法，包括：获取待检测图像；以及利用全卷积网络对所述待检测图像进行处理，以获得关于所述待检测图像中的强反光区域的位置信息的检测结果。2.如权利要求1所述的图像强反光检测方法，其中，所述检测结果包括强反光概率图，所述强反光概率图中的每个像素的像素值代表在所述待检测图像中的、与该像素坐标相同的像素处存在强反光的概率。3.如权利要求1或2所述的图像强反光检测方法，其中，所述图像强反光检测方法还包括：获取训练数据，其中，所述训练数据包括样本图像集和与所述样本图像集中的每个样本图像分别对应的掩膜信息，所述掩膜信息用于指示对应的样本图像中的强反光区域的位置；以及利用所述训练数据进行神经网络训练以得到所述全卷积网络。4.如权利要求3所述的图像强反光检测方法，其中，所述掩膜信息为与对应的样本图像尺寸相同的二值图像，所述二值图像中的、与位于对应的样本图像的强反光区域内部的像素坐标相同的像素具有第一像素值，并且，所述二值图像中的、与位于对应的样本图像的强反光区域外部的像素坐标相同的像素具有第二像素值。5.如权利要求3所述的图像强反光检测方法，其中，所述获取训练数据包括：获取初始图像集，其中，所述初始图像集中的初始图像与所述样本图像集中的样本图像一一对应；对于所述初始图像集中的每个初始图像，生成预定数目的强反光区域；将该初始图像与所述预定数目的强反光区域叠加在一起，以获得与该初始图像相对应的样本图像；以及根据所述预定数目的强反光区域在该初始图像中的叠加位置获得与该初始图像所对应的样本图像相对应的掩膜信息。6.如权利要求5所述的图像强反光检测方法，其中，所述生成预定数目的强反光区域包括：利用冯氏光照模型随机生成所述预定数目的强反光区域。7.如权利要求3所述的图像强反光检测方法，其中，在所述利用所述训练数据进行神经网络训练以得到所述全卷积网络之前，所述图像强反光检测方法还包括：将所述样本图像集中的样本图像的尺寸缩放为标准尺寸。8.如权利要求7所述的图像强反光检测方法，其中，所述将所述样本图像集中的样本图像的尺寸缩放为标准尺寸包括：对于所述样本图像集中的每个样本图像，在保持该样本图像的宽高比不变的同时，将该样本图像的高度和宽度中的较大者缩放到标准大小。9.如权利要求3所述的图像强反光检测方法，其中，所述获取训练数据包括：接收所述样本图像集和与所述样本图像集中的每个样本图像分别对应的标注数据，其中，所述标注数据包括用于指示对应的样本图像中的强反光区域的轮廓的轮廓数据；以及根据与所述样本图像集中的每个样本图像相对应的轮廓数据生成与该样本图像相对应的掩膜信息。10.如权利要求1或2所述的图像强反光检测方法，其中，在所述利用全卷积网络对所述待检测图像进行处理之前，所述图像强反光检测方法还包括：将所述待检测图像的尺寸缩放为标准尺寸。11.如权利要求10所述的图像强反光检测方法，其中，所述将所述待检测图像的尺寸缩放为标准尺寸包括：在保持所述待检测图像的宽高比不变的同时，将所述待检测图像的高度和宽度中的较大者缩放到标准大小。12.如权利要求10所述的图像强反光检测方法，其中，所述利用全卷积网络对所述待检测图像进行处理包括：将标准尺寸的所述待检测图像输入所述全卷积网络，以获得关于标准尺寸的所述待检测图像中的强反光区域的位置信息的初级结果；以及根据所述待检测图像的缩放比例和所述初级结果获得所述检测结果。13.如权利要求1所述的图像强反光检测方法，其中，所述全卷积网络配置为具有以下网络结构：输入层，接下来是两个卷积层，连接一个最大池化层，接下来是两个卷积层，连接一个最大池化层，接下来是三个卷积层，连接一个最大池化层，接下来是三个卷积层，连接一个最大池化层，接下来是三个卷积层。14.一种图像强反光检测装置，包括：图像获取模块，用于获取待检测图像；以及处理模块，用于利用全卷积网络对所述待检测图像进行处理，以获得关于所述待检测图像中的强反光区域的位置信息的检测结...

【专利技术属性】
技术研发人员：姚聪，周舒畅，周昕宇，何蔚然，印奇，
申请(专利权)人：北京旷视科技有限公司，北京小孔科技有限公司，
类型：发明
国别省市：北京,11