[发明专利]一种图像处理方法以及装置

说明书

本发明提供了一种图像处理方法以及装置，其中，该方法包括：接收输入的待处理图像；采用预设候选框确定方法对待处理图像进行处理，确定可能包含待处理图像中目标的候选框；确定待处理图像中目标与确定的各候选框内目标之间的相似度；基于相似度达到预设相似度阈值的候选框，对待处理图像进行分类处理。该方法通过确定待处理图像中目标与确定的各候选框之内目标之间的相似度，来对候选框进行进一步的筛选，只有在待处理图像中目标与确定的各候选框之间的相似度达到预设相似度阈值的候选框，才会将其基于深度学习算法进行分类，从而能够减少输入至CNN的筛选窗口数量，减小对筛选窗口进行特征提取以及训练时所需的计算量，缩短图像处理时间。

技术领域

本发明涉及图像处理技术领域，具体而言，涉及一种图像处理方法以及装置。

背景技术

随着计算机和人工智能技术的发展，探测机器人可以代替人进入危险环境或者无法到达的区域进行探测和工作，如军事制导、民用、海洋勘探、矿井探测、反恐排爆等领域，探测人员不需要亲临现场，只需要远程接收探测机器人发送的探测图像或者探测数据就能够实现探测目的。

为了实现对特定物的识别，探测机器人通常具有视觉识别和视频跟踪功能，该功能的基础即为图像识别。目前采用深度学习对图像进行识别或者对图像识别模型进行训练的时候，所采用的方法一般包括三种，分别为区域卷积学习神经网络(Regions withConvolutional Neural Network，R-CNN)、快速区域卷积学习神经网络(Fast Regionswith Convolutional Neural Network，Fast R-CNN)以及Faster R-CNN。R-CNN中首先采用目标检测算法从待识别图像中提取2000个左右的筛选窗口，然后将每个筛选窗口中的图像缩放成227×227的大小，并输入至卷积神经学习网络(Convolutional Neural Network，CNN)；Fast R-CNN与R-CNN类似，也是采用目标检测算法从待识别图像中提取2000个左右的筛选窗口；再将待识别图像输入至CNN中；而对于Faster R-CNN，首先将待识别图像输入至CNN进行特征提取，然后生成300个筛选窗口，然后把筛选窗口隐射到CNN的最后一层卷积层上。

以上不论哪种图像处理方法，都会在将筛选窗口输入至CNN之前，产生大量的筛选窗口，导致在对筛选窗口进行特征提取以及训练时所需计算量大，需要耗费的时间长。

发明内容

有鉴于此，本发明实施例的目的在于提供一种图像处理方法以及装置，能够减少输入至CNN的筛选窗口数量，减小对筛选窗口进行特征提取以及训练时所需的计算量，缩短图像处理时间。

第一方面，本发明实施例提供了一种图像处理方法，包括：

接收输入的待处理图像；

采用预设候选框确定方法对所述待处理图像进行处理，确定可能包含所述待处理图像中目标的候选框；

确定所述待处理图像中目标与确定的各候选框内目标之间的相似度；

基于相似度达到预设相似度阈值的候选框，对所述待处理图像进行分类处理。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中：确定所述待处理图像中目标与确定的各候选框内目标之间的相似度，具体包括：

采用预设特征提取方法对所述确定的候选框以及所述待处理图像进行特征提取；

采用预设边缘检测算法确定所述待处理图像中提取的第一目标特征，以及所述确定的各候选框中提取的第二目标特征；

确定所述第一目标特征分别与各第二目标特征之间的相似度。