[发明专利]图像处理方法、装置、计算机设备及存储介质

说明书

本发明公开了一种图像处理方法、装置、计算机设备及存储介质，使得最后得到的固定尺寸的特征图的像素值计算结果比较准确。方法部分包括：获取候选区域特征图；根据预设候选区域池化参数将候选区域特征图划分为NxM个大小等同的小区域；根据预设采样点数P将每个小区域平均划分为P个采样区域；确定出候选区域特征图中与采样区域相交的相交像素点；根据相交像素点，确定出采样区域的中心点位置的像素值；根据小区域对应的每个采样区域的中心点位置的像素值，对应确定出每个小区域的像素值；根据每个小区域的像素值获得固定尺寸的候选区域特征图。

技术领域

本发明涉及图像处理领域，尤其涉及一种图像处理方法、装置、计算机设备及存储介质。

背景技术

在图像处理领域，通常需要检测并分析某块区域，称为目标检测。在目标检测领域的众多框架中，比如Fast-RCNN，Faster-RCNN，RFCN，ROI Pooling的作用是根据预选框Region Proposal，也即候选区域的位置坐标在特征图中将相应区域池化为固定尺寸的特征图，以便进行后续的分类操作。但是Region Proposal的位置信息是由模型回归得到的，得到的位置信息一般是浮点数的形式，而池化操作的特征图要求尺寸固定。故将相应区域池化为固定尺寸的特征图这一过程存在两次取整量化的操作：(1)将Region Proposal边界取整量化为整数点坐标值。(2)将取整量化后的边界区域平均分割成N xN个单元,对每一个单元的边界再进行取整量化。

然而经过两次取整量化，得到的候选框已经和最开始回归出来的位置有一定的偏差，这个偏差会影响检测或者分割的准确度，称为区域不匹配问题(misalignment)。传统的方案中，是取消取了上述的整量化操作，使用双线性内插的方法获得坐标为浮点数的像素点上的图像数值，从而将整个特征聚集过程转化为一个连续的操作，具体是：先通过双线性内插值算法计算出一“红叉点”，并依据红叉点的旁边固定位置，例如统一红叉点所在的像素点的左下、右下像素点计算出红叉点所在的像素的位置，然而，红叉点的旁边固定位置所在的像素点的像素不一定是接近红叉点所在的像素点的像素，因此可能会导致计算出来的结果存在一定的误差。

发明内容

本发明提供了一种图像处理方法、装置、计算机设备及存储介质，使得最后得到的固定尺寸的特征图的像素值计算结果比较准确。

一种图像处理方法，包括：

获取候选区域特征图，所述候选区域特征图为将候选区域映射至特征图后所得到的，所述特征图为通过卷积神经网络对输入图像进行特征提取所得到，所述候选区域为根据预设目标检测算法对所述输入图像进行目标区域检测所得到；

根据预设候选区域池化参数将所述候选区域特征图划分为NxM个大小等同的小区域，所述N、M为正整数且大于或等于1，所述预设候选区域池化参数包括用于池化处理的宽度参数以及长度参数；

根据预设采样点数P将每个所述小区域平均划分为P个采样区域，所述P为正整数且大于或等于2；

确定出所述候选区域特征图中与所述采样区域相交的相交像素点；

根据所述候选区域特征图中与所述采样区域相交的相交像素点，确定出所述采样区域的中心点位置的像素值；

根据所述小区域对应的每个所述采样区域的中心点位置的像素值，对应确定出每个所述小区域的像素值；

根据每个所述小区域的像素值获得固定尺寸的所述候选区域特征图。

一种图像处理装置，包括：

第一获取模块，用于获取候选区域特征图，所述候选区域特征图为将候选区域映射至特征图后所得到的，所述特征图为通过卷积神经网络对输入图像进行特征提取所得到，所述候选区域为根据预设目标检测算法对所述输入图像进行目标区域检测所得到；