[发明专利]一种图像处理的方法及设备

说明书

一种图像处理的方法及设备，用以解决现有技术中存在的目标检测过程中筛选出的目标候选框的个数固定使得在目标检测时不能同时保证检测效率和检测准确性问题。本发明实施例中，设备基于待检测图像确定待检测图像的目标数量，并从待检测图像的多个目标候选框中选取与所述目标数量相关的目标候选框，以使得针对不同的图像选取的目标候选框的数量更适合，从而可以在目标图像检测过程中既可以避免计算量太大导致的检测效率较低的问题，又可以使得检测结果较为准确。

技术领域

本申请涉及图像处理技术领域，尤其涉及一种图像处理的方法及设备。

背景技术

对于给定的图像，常常需要将图像中用户关心的目标标注或提取出来，该过程称为目标检测，也可以称为目标提取；目标检测是一种基于目标几何和统计特征的图像分割的技术，目标检测中涉及图像中目标的识别及图像分割，而目标检测的准确性和高效性是评价目标检测的两个重要指标。

近年来，目标检测多使用一些基于深度学习的目标检测算法。这些基于深度学习的目标检测算法中，大部分都采用了级联(cascade)架构，例如Fast-RCNN(fastconvolution neural network，快速区域卷积神经网络)、Faster-RCNN(fasterconvolution neural network，高效区域卷积神经网络)、Cascade CNN(cascadeconvolution neural network，级联卷积神经网络)、Multi-task Network Cascades(多任务网络级联)等；Cascade架构的目标检测算法由多个处理模块串联而成，在待检测的图像的每个像素点上生成大小不同的目标候选框(proposal region candidate window)，由于待检测图像中会包含成千上万个像素点，因此会产生成千上万个目标候选框，将生成的千上万个目标候选框输入到第一级处理模块，继而，每一级模块对输入的目标候选框进行分析评估，并根据评估结果过滤其中部分的目标候选框，降低目标候选框的数量，进而将通过筛选的目标候选框输入到后一级模块再进行进一步的评估分析，最终输出包含有目标的目标候选框。

Faster RCNN目标检测算法为目标检测算法中较为典型的一种算法，在算法中对于输入的一幅图像首先使用多层卷积层(conv layers)提取图像的基础特征图，基于基础特征图，利用Faster RCNN算法中的RPN(region proposal net，区域提议网络)生成大量的目标候选框，并对大量的目标候选框进行筛选和过滤，只选取固定数量的目标候选框输入到后一级模块中；之后对固定数量的目标候选框进行更深层的分类分析，最终获取包含有目标的目标候选框。

还有一些基于级联架构的目标检测算法中，会将经过前级筛选过滤以后的所有目标候选框全部输送到后级进行处理，而不经过额外的排序以及取固定数量的目标候选框的操作；事实上这种处理方式是将固定数量设置为一个较大的数值。

在实际应用中，不同图像中的目标数量差别一般较大。以车辆图像的目标检测场景为例，在市中心拍摄的道路照片中的车辆数量往往很大，而郊区拍摄的道路照片中的车辆数量就会很少。若在目标检测过程中，将固定数量设置为较大的数目，对于检测包含单一目标或少量目标的图像就会产生大量的冗余的计算过程，导致目标检测效率较低，而将固定数量设置为较小的数目，对于检测包含较多目标的图像而言，就会使得目标检测结果准确度较低。

发明内容

本申请提供一种图像处理的方法及设备，用以解决现有技术中存在的目标检测过程中筛选出的目标候选框的个数固定使得在目标检测时不能同时保证检测效率和检测准确性问题。