【技术实现步骤摘要】
图像检测方法、装置、计算机设备及存储介质
本专利技术涉及轨道交通
,尤其涉及一种图像检测方法、装置、计算机设备及存储介质。
技术介绍
在轨道交通领域,随着无人驾驶技术的研究热度不断攀升,如何检测列车前方的障碍物以保证列车安全运行逐渐成为研究热点。目前,主要通过目标检测来识别列车前方的障碍物。相关技术中,主要采用区域卷积神经网络特征(RegionswithConvolutionalNeuralNetworkFeatures,RCNN)算法实现目标检测。然而,RCNN算法主要针对较大的目标进行检测,而列车行驶过程中需要检测的目标相对较小,采用RCNN算法进行检测的检测效果较差,准确度低。此外,由于列车行驶速度较快,对于实时性要求较高,而RCNN算法针对每一张图像都要选出2000~3000个候选区域进行检测,耗时较长,检测效率低,难以满足实时性要求。
技术实现思路
本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本专利技术的第一个目的在于提出一种图像检测方法,以将采集的图像切分成多个图像分片后进行两次检测,得到检测结果。通过将采集的图像切分成多个图像分片进行检测,极大地减少了需要检测的区域数量,能够缩短检测耗时,提高检测效率,满足实时性要求;通过进行两次检测,能够提高检测精度和检测效果,提高在列车运行场景中的适应性。本专利技术的第二个目的在于提出一种图像检测装置。本专利技术的第三个目的在于提出一种计算机设备。本专利技术的第四个目的在于提出一种非临时性计算机可读存储介质。本专利技术的第五个目的在于提出一种计算机程序产品。为达上述目的,本专利技术 ...
【技术保护点】
1.一种图像检测方法,其特征在于,包括:采集图像,对所述图像进行规则切分,形成多个第一图像分片;将所述第一图像分片输入到第一层联合神经网络中进行目标检测,得到第一检测结果;其中,所述第一检测结果中包括所述第一图像分片的第一位置信息和第一类别信息;所述第一层联合神经网络中包括对所述第一图像分片进行位置检测的第一位置预测神经网络和对所述第一图像分片进行目标类别检测的第一分类神经网络;从所述图像中截取与所述第一位置信息匹配的第二图像分片;将所述第二图像分片输入到第二层联合神经网络中进行目标检测,得到所述第二检测结果;其中,所述第二检测结果中包括所述第二图像分片的第二位置信息和第二类别信息;其中,所述第二层联合神经网络包括对所述第二图像分片进行位置检测的第二位置预测神经网络和对所述第二图像分片进行目标类别检测的第二分类神经网络;根据所述第二类别信息,确定所述第二图像分片所属的目标类别和所述目标类别的置信度。
【技术特征摘要】
1.一种图像检测方法,其特征在于,包括:采集图像,对所述图像进行规则切分,形成多个第一图像分片;将所述第一图像分片输入到第一层联合神经网络中进行目标检测,得到第一检测结果;其中,所述第一检测结果中包括所述第一图像分片的第一位置信息和第一类别信息;所述第一层联合神经网络中包括对所述第一图像分片进行位置检测的第一位置预测神经网络和对所述第一图像分片进行目标类别检测的第一分类神经网络;从所述图像中截取与所述第一位置信息匹配的第二图像分片;将所述第二图像分片输入到第二层联合神经网络中进行目标检测,得到所述第二检测结果;其中,所述第二检测结果中包括所述第二图像分片的第二位置信息和第二类别信息;其中,所述第二层联合神经网络包括对所述第二图像分片进行位置检测的第二位置预测神经网络和对所述第二图像分片进行目标类别检测的第二分类神经网络;根据所述第二类别信息,确定所述第二图像分片所属的目标类别和所述目标类别的置信度。2.根据权利要求1所述的方法,其特征在于,所述将所述第一图像分片输入到第一层联合神经网络中进行目标检测,得到第一检测结果,包括:将所述第一图像分片输入到所述第一位置预测神经网络中,得到所述第一图像分片的所述第一位置信息和所述第一图像分片的特征信息;其中,所述第一位置信息中包括所述第一图像分片的坐标信息和形状信息;将所述第一图像分片的形状信息和特征信息,输入到所述第一分类神经网络中,得到所述第一类别信息;其中,所述第一类别信息包括所述第一图像分片对应的第一目标类别和属于所述第一目标类别的第一概率。3.根据权利要求2所述的方法,其特征在于,所述将所述第一图像分片的形状信息和特征信息,输入到所述第一分类神经网络中,得到所述第一类别信息,包括:将所述第一图像分片的形状信息和特征信息输入到所述第一分类神经网络中,得到所述第一图像分片属于每个类别的第一概率;将最大所述第一概率对应的类别作为所述第一目标类别;利用所述第一目标类别和所述第一目标类别的所述第一概率,形成所述第一类别信息。4.根据权利要求1所述的方法,其特征在于,所述将所述第二图像分片输入到第二层联合神经网络中进行目标检测,得到所述第二检测结果,包括:将所述第二图像分片输入到所述第二位置预测神经网络中,得到所述第二图像分片的所述第二位置信息和所述第二图像分片的特征信息;其中,所述第二位置信息中包括所述第二图像分片的坐标信息和形状信息;将所述第二图像分片的形状信息和特征信息,输入到所述第二分类神经网络中,得到所述第二类别信息;其中,所述第一类别信息包括所述第一图像分片对应的第二目标类别和属于所述第二目标类别的第二概率。5.根据权利要求4所述的方法,其特征在于,所述将所述第二图像分片形状信息和特征信息,输入到所述第二分类神经网络中,得到所述第二类别信息,包括:将所述第二图像分片的形状信息和所述特征信息输入到所述第二分类神经网络中,得到所述第二图像分片属于每个类别的第二概率;将最大所述第二概率对应的类别作为所述第二目标类别;利用所述第二目标类别和所述第二目标类别的所述第二概率,形成所述第二类别信息。6.根据权利要求2所述的方法,其特征在于,所述从所述图像中截取与所述第一位置信息匹配的第二图像分片,包括:根据所述第一位置信息中的坐标信息,在所述图像中进行定位;从所述图像中所定位的位置,按照所述第一位置信息中的形状信息,截取所述第二图像分片。7.根据权利要求1-6任一项所述的方法,其特征在于,所述得到所述第二检测结果后,还包括:根据所述第一类别信息和所述第二类别信息,确定所述第二图像分片所属的目标类别和所述目标类别的置信度。8.根据权利要求7所述的方法,其特征在于,所述第一类别信息中包括所述第一图像分片所属的第一目标类别和所述第一目标类别的第一概率;所述第二类别信息中包括所述第二图像分片所属的第二目标类别和所述第二目标类别的第二概率...
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。