本公开的实施例公开了区域信息生成方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：获取目标物体的图像作为目标图像；基于目标图像和预先部署的特征提取模型，生成特征向量集合；根据特征向量集合，生成空间向量信息集合；将空间向量信息集合输入至预先训练的嵌入式神经网络模型中，得到目标物体的区域信息。该实施方式可以减少计算机的显存空间和内存空间的占用，从而，减少了计算机的图像处理时间，进而，提高了计算机的图像处理效率。理效率。理效率。
【技术实现步骤摘要】
区域信息生成方法、装置、电子设备和计算机可读介质
[0001]本公开的实施例涉及计算机
，具体涉及区域信息生成方法、装置、电子设备和计算机可读介质。
技术介绍
[0002]区域信息生成，是计算机视觉领域中的一项基本技术。目前，关于区域信息生成的方法通常是对图像进行处理并提取特征信息，然后，对提取的特征信息进行处理以生成区域信息。
[0003]然而，当采用上述方法时往往会存在如下技术问题：
[0004]第一，由于计算机直接对图像进行处理，从而，占用了大量的计算机显存空间和内存空间，造成计算机的图像处理时间增加，进而，导致计算机的图像处理效率降低；
[0005]第二，由于未能综合考虑空间向量信息生成的影响因素，从而，使得生成的空间向量信息不够精确。
技术实现思路
[0006]本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
[0007]本公开的一些实施例提出了区域信息生成方法、装置、电子设备和计算机可读介质，来解决以上
技术介绍
部分提到的技术问题中的一项或多项。
[0008]第一方面，本公开的一些实施例提供了一种区域信息生成方法，该方法包括：获取目标物体的图像作为目标图像；基于上述目标图像和预先部署的特征提取模型，生成特征向量集合；根据上述特征向量集合，生成空间向量信息集合，其中，上述空间向量信息表征上述特征向量集合中与上述空间向量信息对应的特征向量之间的空间结构；将上述空间向量信息集合输入至预先训练的嵌入式神经网络模型中，得到目标物体的区域信息。
[0009]第二方面，本公开的一些实施例提供了一种区域信息生成装置，装置包括：获取单元，被配置成获取目标物体的图像作为目标图像；第一生成单元，被配置成基于上述目标图像和预先部署的特征提取模型，生成特征向量集合；第二生成单元，被配置成根据上述特征向量集合，生成空间向量信息集合，其中，上述空间向量信息表征上述特征向量集合中与上述空间向量信息对应的特征向量之间的空间结构；输入单元，被配置成将上述空间向量信息集合输入至预先训练的嵌入式神经网络模型中，得到目标物体的区域信息。
[0010]第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中所描述的方法。
[0011]第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现如第一方面中所描述的方法。
[0012]本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的区域信息生成方法得到目标物体的区域信息，提高了计算机的图像处理效率。具体来说，造成计算机的图像处理效率降低的原因在于：由于计算机直接对图像进行处理，从而，占用了大量的计算机显存空间和内存空间，造成计算机的图像处理时间增加。基于此，本公开的一些实施例的区域信息生成方法，首先，获取目标物体的图像作为目标图像。通过获取包括目标物体的图像，从而，便于对目标物体进行处理。其次，基于上述目标图像和预先部署的特征提取模型，生成特征向量集合。由此，使得后续的图像处理不需要对整张图像进行处理，可以对提取的特征向量进行处理。从而，降低了计算机显存和内存的占用空间，进而，提高了计算机显存和内存空间的可利用空间。接着，根据上述特征向量集合，生成空间向量信息集合，其中，上述空间向量信息表征上述特征向量集合中各个特征向量之间的空间结构。由此，可以所得到的特征向量集合转化为空间向量信息，从而，可以构建关于特征向量集合的空间结构。进而，可以确定各个特征向量之间的空间关系。最后，将上述空间向量信息集合输入至预先训练的嵌入式神经网络模型中，得到目标物体的区域信息。由于对目标图像进行了特征向量的提取，并通过预先训练的嵌入式神经网络模型得到目标物体的区域信息。从而，减少了计算机的显存空间和内存空间的占用，降低了计算机的图像处理时间。进而，提高了计算机的图像处理效率。
附图说明
[0013]结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
[0014]图1是根据本公开的一些实施例的区域信息生成方法的一个应用场景的示意图；
[0015]图2是根据本公开的区域信息生成方法的一些实施例的流程图；
[0016]图3是根据本公开的区域信息生成装置的一些实施例的结构示意图；
[0017]图4是根据本公开的区域信息生成方法的电子设备的结构示意图。
具体实施方式
[0018]下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
[0019]另外还需要说明的是，为了便于描述，附图中仅示出了与有关专利技术相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
[0020]需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
[0021]需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
[0022]本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
[0023]下面将参考附图并结合实施例来详细说明本公开。
[0024]图1是根据本公开的一些实施例的区域信息生成方法的一个应用场景的示意图。
[0025]在图1的应用场景中，首先，计算设备101可以获取目标物体的图像作为目标图像102。然后，计算设备101可以基于上述目标图像102和预先部署的特征提取模型103，生成特征向量集合104。之后，根据上述特征向量集合104，生成空间向量信息集合105。其中，上述空间向量信息表征上述特征向量集合104中与上述空间向量信息对应的特征向量之间的空间结构。最后，将上述空间向量信息集合105输入至预先训练的嵌入式神经网络模型106中，得到目标物体的区域信息107。
[0026]需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种区域信息生成方法，包括：获取目标物体的图像作为目标图像；基于所述目标图像和预先部署的特征提取模型，生成特征向量集合；根据所述特征向量集合，生成空间向量信息集合，其中，所述空间向量信息表征所述特征向量集合中与所述空间向量信息对应的特征向量之间的空间结构；将所述空间向量信息集合输入至预先训练的嵌入式神经网络模型中，得到目标物体的区域信息。2.根据权利要求1所述的方法，其中，所述方法还包括：将所述目标物体的区域信息发送至关联的设备以供所述设备进行图像处理。3.根据权利要求2所述的方法，其中，所述基于所述目标图像和预先部署的特征提取模型，生成特征向量集合，包括：对所述目标图像进行图像灰度化处理，得到所述目标图像中的各个像素点的灰度值和与所述目标图像对应的背景图像中的各个背景像素点的灰度值；基于所述目标图像中的每个像素点的灰度值和与所述目标图像对应的背景图像中与所述像素点对应的背景像素点的灰度值，生成差值，得到差值集合；对所述差值集合中的每个差值进行差值检测处理以生成目标点，得到目标点集合；对所述目标点集合进行聚合处理，生成特征向量集合。4.根据权利要求3所述的方法，其中，所述基于所述目标图像中的每个像素点的灰度值和与所述目标图像对应的背景图像中与所述像素点对应的背景像素点的灰度值，生成差值，包括：响应于所述像素点和所述背景像素点的差满足第一预定条件，将第一预定阈值确定为差值；响应于所述像素点和所述背景像素点的差满足第二预定条件，将第二预定阈值确定为差值。5.根据权利要求4所述的方法，其中，所述特征提取模型包括雷达特征提取模型、双目摄像机专有特征提取模型和空间特征提取模型，所述雷达特征提取模型是用来分析运动速度和方向的模型，所述双目摄像机专有特征提取模型是用来处理视频流的模型，所述空间特征提取模型是用来建立空间向量模型的模型。6.根据权利要求5所述的方法，其中，所述对所述目标点集合进行聚合处理，生成特征向量集合，包括：基于所述目标点集合，生成目标物体连通区域的中...
【专利技术属性】
技术研发人员：张韵东，孙向东，饶颖，李振华，韩建辉，徐祥，刘小涛，
申请(专利权)人：重庆中星微人工智能芯片技术有限公司，
类型：发明
国别省市：
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。