[发明专利]一种图像处理方法、设备及计算机可读存储介质

说明书

本发明提出了一种图像处理方法、设备及计算机可读存储介质，该方法包括：将视频中设定帧图像中每一个可移动物体设置为矩形图像块；通过在所述设定帧图像中设置设定尺寸的分析子图覆盖所述矩形图像块，确定所述分析子图的数量范围；在预置的约束条件，及所述分析子图的数量范围的限制下，基于遗传算法，根据所述矩形图像块的位置及数量，设置所述分析子图的适应度函数，并对所述适应度函数进行迭代计算，得到所述分析子图的配置参数；对所述配置参数对应的分析子图中的矩形图像块进行检测，以获取所述矩形图像块中的所述可移动物体。本发明比现有检测算法具有更高的精度，并且比将视频中任一帧图像进行分块检测的方法有效地提升了检测速度。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种图像处理方法、设备及计算机可读存储介质。

背景技术

基于深度学习的目标检测是近几年的研究热点，通过对卷积神经网络进行改良，大大提高了目标检测的速率，甚至达到了实时。但是现有的众多深度学习方法，往往会对输入的图片进行降采样，使用小分辨率的图像，减少运算量，进而提高检测速度。然而对于包含很多细节特征的高清大图来说，损失了细节特征将会降低检测精度。而如果直接将高清图片不经降采样，直接输入深度网络进行训练，庞大的计算量又将造成很大的速度损失。

在监控领域当中，由于拍摄角度、环境因素以及监控场景本身的复杂性，视频的质量层次不齐。当监控视频当中目标物体得尺寸差距比较大，或者目标较为密集，或者局部目标处于光线较差得环境中时，使用传统的检测方法将图片直接进行缩小的话，检测效果就变得非常糟糕。而如果考虑不对图片进行缩小，将原图进行切片后，分块输入深度网络进行检测，这样虽然能够一定程度提高检测的精度，但是效率却非常低，很有可能有大量的图像块只包含很少的目标，甚至只包含背景，没有目标。

发明内容

本发明要解决的技术问题是，提供一种图像处理方法、设备及计算机可读存储介质，克服现有技术中对原图像不压缩的情况下，对目标检测效率低的缺陷。

本发明采用的技术方案是，所述一种图像处理方法，包括：

将视频中设定帧图像中每一个可移动物体设置为矩形图像块；

通过在所述设定帧图像中设置设定尺寸的分析子图覆盖所述矩形图像块，确定所述分析子图的数量范围；

在预置的约束条件，及所述分析子图的数量范围的限制下，基于遗传算法，根据所述矩形图像块的位置及数量，设置所述分析子图的适应度函数，并对所述适应度函数进行迭代计算，得到所述分析子图的配置参数；

对所述配置参数对应的分析子图中的矩形图像块进行检测，以获取所述矩形图像块中的所述可移动物体。

进一步的，所述矩形图像块为所述可移动物体的最小外接矩形内的图像。

进一步的，所述分析子图的配置参数至少包括以下之一：所述分析子图的数量，所述分析子图在所述设定帧图像中的位置，及所述矩形图像块在所述分析子图中的位置。

进一步的，在所述将视频中设定帧图像中每一个可移动物体设置为矩形图像块之前，所述方法还包括：

基于预置的可移动物体分析模型，对所述视频的多个连续帧图像进行计算，得到所述视频的任一帧图像中的不可移动物体；

将所述视频的设定帧图像中的所有物体与所述不可移动物体相减，得到所述设定帧图像中的可移动物体。

进一步的，在所述得到所述视频的设定帧图像中的可移动物体之后，所述方法还包括：

基于预置的滤波模型，对所述视频的设定帧图像中的可移动物体上的噪声进行过滤。

进一步的，所述通过在所述设定帧图像中设置设定尺寸的分析子图覆盖所述矩形图像块，确定所述分析子图的数量范围，包括：