[发明专利]图像边界框筛选方法、系统、电子装置及介质

权利要求书

1.一种图像边界框筛选方法，其特征在于，包括：

基于对目标图片集合中的目标图片的图像识别处理，获得一个或多个目标边界框；

记录至少预设数量的所述目标图片所对应的目标边界框中的数据，包括：将至少预设数量的所述目标图片所对应的一个或多个目标边界框的坐标数据进行记录，存储记录的坐标数据；

其中，至少预设数量的所述目标图片包括从一所述目标图片集合中抽取至少预设数量的所述目标图片，并且，所述至少预设数量表示小于所述目标图片集合中的目标图片总数量的一半的少量目标图片的数量，由此动态设定需要的目标图片的数量以记录相对少量的目标边界框中的数据；以及，其中，记录的所述目标边界框中的数据作为目标边界框的字段信息；

将获得的一个或多个目标边界框在记录了数据的目标边界框所确定的大小范围之间进行遍历，以筛选出优选的边界框，包括：根据记录了数据的目标边界框的坐标数据确定筛选用的每个角的坐标位置的最大值和最小值范围，形成筛选目标边界框的大小范围；从获得的所有一个或多个目标边界框中提取每个目标边界框的每个角的坐标位置的坐标数据；将每个目标边界框的每个角的坐标位置的坐标数据分别与对应的筛选用的每个角的坐标位置的所述大小范围进行比较，以筛选出优选的边界框；

其中，所述获得的一个或多个目标边界框为从所述目标图片集合中获得的所有的一个或多个目标边界框。

2.如权利要求1所述的方法，其特征在于，基于对目标图片集合中的目标图片的图像识别处理，获得一个或多个目标边界框，具体包括：

根据图像分类模型进行图像分类，以获得一个或多个目标图片集合；

基于图像识别和目标检测算法，对每个所述目标图片集合中的图片进行识别和检测，以获得每个集合中对应每个目标图片的一个或多个目标边界框。

3.如权利要求2所述的方法，其特征在于，

所述图像分类模型至少包括：基于深度学习的通用图像分类模型；

和/或，

所述图像识别至少包括：图片的文本信息识别以及对应所述图片的文本信息识别的置信度；

和/或，

所述目标检测算法至少包括：基于深度学习的R-CNN算法或YOLO算法；

和/或，

所述目标边界框至少包括边界框的坐标数据。

4.如权利要求3所述的方法，其特征在于，将每个目标边界框的每个角的坐标位置的坐标数据分别与对应的筛选用的每个角的坐标位置的所述大小范围进行比较，以筛选出优选的边界框，具体包括：

如果每个角的坐标位置的坐标数据都在对应的筛选用的角的坐标位置的所述大小范围内，则符合条件，将相应的目标边界框作为优选边界框；

否则滤掉相应的目标边界框。

5.如权利要求1至4任一项所述的方法，其特征在于，还包括：

获取筛选出的优选的目标边界框对应的目标图片在识别时的文本信息的置信度，以确定最优的目标边界框，并获取所述最优的目标边界框对应的目标图片的文本信息。