双目全景图像目标检测方法、装置、计算机设备制造方法及图纸

本发明专利技术实施例公开了双目全景图像目标检测方法，包括以下步骤：首先，将双目全景图像切割为若干碎片图像，然后，根据若干碎片图像对每个碎片图像进行缩放，将切割好之后的碎片图像按一定的顺序进行存储，最后，根据存储好的碎片图像，对所有的碎片图像进行目标识别，在双目全景图像上将待检测的目标标记出来，并输出待检测的目标数量。可见，将双目全景图像进行碎片化，避免对尺寸较大的双目全景图像直接处理，提高了检测速度，同时由于在本实施例中是逐一对碎片化的图像进行处理和识别检测，这样计算机可以调用更大的运算能力来进行目标识别检测，这样就使得目标识别检测的精度有较大的提高。大的提高。大的提高。

【技术实现步骤摘要】
双目全景图像目标检测方法、装置、计算机设备


[0001]本专利技术涉及目标检测
，尤其涉及双目全景图像目标检测方法、装置、计算机设备及存储介质。

技术介绍

[0002]双目全景图像的像素尺寸往往很大，在这么大的图像中进行目标检测速度很慢，而且目前的识别算法或者工具都是对较小图像进行的，利用深度学习框架训练最大一般也只有512*512，这就导致了传统的利用深度学习框架进行双目全景图像的目标检测速度慢、不精确的问题。

技术实现思路

[0003]为解决现有存在的技术问题，本专利技术实施例提供了一种双目全景图像目标检测方法、装置、计算机设备及存储介质。
[0004]为达到上述目的，本专利技术实施例的技术方案是这样实现的：
[0005]本专利技术实施例提供了一种双目全景图像目标检测方法，所述方法包括：
[0006]根据获取的双目全景图像的信息，将双目全景图像切割为若干碎片图像，其中，切割好的碎片图像尺寸为神经网络模型处理的图像尺寸的若干倍；
[0007]根据若干碎片图像对每个碎片图像进行缩放，将切割好之后的碎片图像按一定的顺序进行存储，其中，缩放后的每个碎片图像尺寸均与神经网络模型处理的图像尺寸相同；
[0008]根据存储好的碎片图像，对所有的碎片图像进行目标识别，在双目全景图像上将待检测的目标标记出来，并输出待检测的目标数量。
[0009]优选的，所述获取的双目全景图像的信息，包括：
[0010]加载深度学习框架训练得到的网络模型，对与该模型对应的深度学习卷积神经网络进行加速处理硬件单元进行配置；
[0011]加载双目全景图像，获取图像的尺寸信息。
[0012]优选的，所述根据存储好的碎片图像，对所有的碎片图像进行目标检测，在双目全景图像上将待检测的目标标记出来，并输出待检测的目标数量，包括：
[0013]根据存储好的碎片图像，对所有的碎片图像进行目标识别，将识别后的数据保存在输出缓冲区；
[0014]待全部的碎片图像检测完毕后，在双目全景图像上待检测的目标用线框标记出来；
[0015]对标记出来的线框进行去重，计算线框的数量，其中线框的数量即为待检测目标的数量。
[0016]优选的，所述在双目全景图像上待检测的目标用线框标记出来，包括：
[0017]利用opencv算法策略将待检测的目标在双目全景图像上逐一用线框标记出来。
[0018]优选的，所述对所有的碎片图像进行目标识别，将识别后的数据保存在输出缓冲
区，包括：
[0019]启用多线程对处所有的碎片化图像按照YOLO算法策略进行目标检测识别，将识别数据保存在输出缓冲区。
[0020]优选的，其中，双目全景图像边缘的碎片图像尺寸小于神经网络模型处理的图像尺寸。
[0021]优选的，其中，网络模型为加载Caffe深度学习框架训练得到的网络模型。
[0022]本专利技术实施例还提供一种双目全景图像目标检测装置，包括：
[0023]切割模块，用于根据获取的双目全景图像的信息，将双目全景图像切割为若干碎片图像，其中，切割好的碎片图像尺寸为神经网络模型处理的图像尺寸的若干倍；
[0024]缩放模块，用于根据若干碎片图像对每个碎片图像进行缩放，将切割好之后的碎片图像按一定的顺序进行存储，其中，缩放后的每个碎片图像尺寸均与神经网络模型处理的图像尺寸相同；
[0025]识别模块，用于根据存储好的碎片图像，对所有的碎片图像进行目标识别，在双目全景图像上将待检测的目标标记出来，并输出待检测的目标数量。
[0026]本专利技术实施例还提供一种计算机设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器，其中所述处理器用于运行所述计算机程序时，实现所述的双目全景图像目标检测方法。
[0027]本专利技术实施例还提供一种计算机存储介质，存储有可执行程序，所述可执行程序被处理器执行时，实现所述的双目全景图像目标检测方法。
[0028]上述实施例所提供的双目全景图像目标检测方法，在对双目全景图像中的目标进行识别检测时，先将双目全景图像进行碎片化，避免对尺寸较大的双目全景图像直接处理，提高了检测速度，同时由于在本实施例中是逐一对碎片化的图像进行处理和识别检测，这样计算机可以调用更大的运算能力来进行目标识别检测，这样就是的目标识别检测的精度有较大的提高。
附图说明
[0029]图1为本专利技术一实施例所提供的目标检测方法的流程示意图；
[0030]图2为本专利技术一实施例所提供的目标检测装置的结构示意图；
[0031]图3为本专利技术一实施例所提供的计算机设备的结构示意图；
[0032]图4为本专利技术一实施例所提供的双目全景图像被切割后的碎片化图像的示意图。
具体实施方式
[0033]以下结合实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0034]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中在本专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0035]本专利技术实施例中提供的一种双目全景图像目标检测方法，属于目标检测技术领
域，应用场景可以为：图像中待检测目标数量的统计。可以理解的是，现有技术中，双目全景图像的像素尺寸往往很大，在这么大的图像中进行目标检测速度很慢，而且目前的识别算法或者工具都是对较小图像进行的，利用深度学习框架训练最大一般也只有512*512，这就导致了传统的利用深度学习框架进行双目全景图像的目标检测速度慢、不精确的问题。
[0036]基于此，如何提高成双目全景图像的目标检测的速度和精度为了亟需解决的技术问题。
[0037]需要指出的是，该目标检测方法由计算机设备执行。需要说明的是，这里的计算机设备是指任何具有计算处理功能的设备，包括但不限于固定终端设备或者移动终端设备。该固定终端设备可以包括但不限于台式电脑或者计算机设备等，该移动终端设备可以包括但不限于手机、平板电脑、穿戴式设备或者笔记本电脑等。
[0038]以下结合附图及具体实施例对本专利技术技术方案做进一步的详细阐述。
[0039]参考图1，本专利技术实施例提供一种双目全景图像目标检测方法，所述方法包括：
[0040]S11：根据获取的双目全景图像的信息，将双目全景图像切割为若干碎片图像，其中，切割好的碎片图像尺寸为神经网络模型处理的图像尺寸的若干倍；
[0041]S12：根据若干碎片图像对每个碎片图像进行缩放，将切割好之后的碎片图像按一定的顺序进行存储，其中，缩放后的每个碎片图像尺寸均与神经网络模型处理的图像尺寸相同；
[0042]S13：根据存储好的碎片图像，对所有的碎片图像进行目标识别，在双目全景图像上本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种双目全景图像目标检测方法，其特征在于，所述方法包括：根据获取的双目全景图像的信息，将双目全景图像切割为若干碎片图像，其中，切割好的碎片图像尺寸为神经网络模型处理的图像尺寸的若干倍；根据若干碎片图像对每个碎片图像进行缩放，将切割好之后的碎片图像按一定的顺序进行存储，其中，缩放后的每个碎片图像尺寸均与神经网络模型处理的图像尺寸相同；根据存储好的碎片图像，对所有的碎片图像进行目标识别，在双目全景图像上将待检测的目标标记出来，并输出待检测的目标数量。2.根据权利要求1所述的目标检测方法，其特征在于，所述获取的双目全景图像的信息，包括：加载深度学习框架训练得到的网络模型，对与该模型对应的深度学习卷积神经网络进行加速处理硬件单元进行配置；加载双目全景图像，获取图像的尺寸信息。3.根据权利要求1所述的目标检测方法，其特征在于，所述根据存储好的碎片图像，对所有的碎片图像进行目标检测，在双目全景图像上将待检测的目标标记出来，并输出待检测的目标数量，包括：根据存储好的碎片图像，对所有的碎片图像进行目标识别，将识别后的数据保存在输出缓冲区；待全部的碎片图像检测完毕后，在双目全景图像上待检测的目标用线框标记出来；对标记出来的线框进行去重，计算线框的数量，其中线框的数量即为待检测目标的数量。4.根据权利要求3所述的目标检测方法，其特征在于，所述在双目全景图像上待检测的目标用线框标记出来，包括：利用opencv算法策略将待检测的目标在双目全景图像上逐一用线框标记出来。5.根据权...

【专利技术属性】
技术研发人员：肖坤，李麟，钟仁福，廖玉林，
申请(专利权)人：江西裕丰智能农业科技有限公司，
类型：发明
国别省市：