[发明专利]高分辨率图像目标检测方法及系统

说明书

本发明涉及一种高分辨率图像目标检测方法及系统，所述检测方法包括：根据待检高分辨率图像的尺寸，确定分块基准比例大小；根据所述待检高分辨率图像的尺寸、分块基准比例大小，以及待检目标的最大尺寸，对待检高分辨率图像进行分块，得到多个基准块图像；针对每一基准块图像，通过检测设备检测基准块图像中的目标，确定检测时间；根据各检测时间及各基准块图像，确定分块效率函数；根据分块效率函数，确定最优分块比例；根据最优分块比例，对所述待检高分辨率图像进行二次分块，得到多个子图像；通过检测设备检测，可快速、准确的确定各子图像中目标，使得检测设备的硬件资源的利用率最高。

技术领域

本发明涉及图像识别技术领域，特别涉及一种高分辨率图像目标检测方法及系统。

背景技术

在目标检测领域中，目标检测算法应用于实际生活中，诸如应用于安防监控、闸机人脸识别、SAR卫星检测等方面，这些应用将目标检测算法应用到其他不同的硬件中，例如低资源硬件。

自2019年起人脸识别移植到智能手机，此后科大讯飞、商汤、百度等公司将目标检测和跟踪算法移植到Acorn RISC Machine(ARM)、DSP、ADSP芯片等嵌入式设备，应用于人脸检测、活体识别、物体识别等方向。

目前计算机视觉领域内，已有诸多将目标检测、识别算法移植到低资源硬件的成功案例。虽然以深度学习为代表的目标检测算法得到了广泛应用，如YOLOv1、v2、v3、v4目标检测算法取得很好的检测效果，然而目前的一些低资源硬件设备并不完全支持深度学习网络结构，而且深度学习网络结构功耗和计算能力的需求高，也不适合低资源环境，同时一些典型应用场景下，如卫星和机载卫星影像因为分辨率高、成像幅面大，在不支持硬件设备上实现目标检测是一个挑战，高分辨率是指超过10240x10240以上的图像，在这样的超分辨图像中目标是较小且稀疏的，而在低资源硬件上，计算资源紧缺，处理这样的高分辨率图像往往需要分块细化处理，如何利用最少的硬件资源达到最快的检测效果是亟需解决的问题。

发明内容

为了解决现有技术中的上述问题，即为了提高高分辨率图像目标检测的效率，本发明的目的在于提供一种高分辨率图像目标检测方法及系统。

为解决上述技术问题，本发明提供了如下方案：

一种高分辨率图像目标检测方法，所述检测方法包括：

根据待检高分辨率图像的尺寸，确定所述待检高分辨率图像的分块基准比例大小；

根据所述待检高分辨率图像的尺寸、分块基准比例大小，以及待检目标的最大尺寸，对所述待检高分辨率图像进行分块，得到多个基准块图像；

针对每一基准块图像，通过检测设备检测所述基准块图像中的目标，确定检测时间；

根据各检测时间及各基准块图像，确定分块效率函数；

根据所述分块效率函数，确定最优分块比例；

根据所述最优分块比例，对所述待检高分辨率图像进行二次分块，得到多个子图像；

通过检测设备检测检测各子图像中的目标。

可选地，根据以下公式，确定所述待检高分辨率图像的分块基准比例大小α：

其中，M表示待检高分辨率图像的宽，N表示待检高分辨率图像的高。

可选地，所述根据所述待检高分辨率图像的尺寸、分块基准比例大小，以及待检目标的最大尺寸，对所述待检高分辨率图像进行分块，得到多个基准块图像，具体包括：

根据所述待检高分辨率图像的尺寸、分块基准比例大小，确定基准块大小：