[发明专利]图像边缘和显著性检测方法及装置

说明书

本申请公开了人工智能领域的一种检测方法及装置。涉及人工智能领域。具体涉及计算机视觉领域。该方法包括：获取待检测图像；将待检测图像输入到特征检测模型中，得到待检测图像的显著性检测图像和边缘检测图像。本申请的检测方法适用于显著性物体检测和边缘检测的应用场景，实现了在不明显增加模型参数的前提下，有效协同显著性物体检测和边缘检测，并提高了检测结果的精度。

技术领域

本申请涉及人工智能领域，尤其涉及一种图像检测方法及装置。

背景技术

计算机视觉是各个应用领域，如制造业、检验、文档分析、医疗诊断，和军事等领域中各种智能/自主系统中不可分割的一部分，它是一门关于如何运用照相机/摄像机和计算机来获取我们所需的，被拍摄对象的数据与信息的学问。形象地说，就是给计算机安装上眼睛(照相机/摄像机)和大脑(算法)用来代替人眼对目标进行识别、跟踪和测量等，从而使计算机能够感知环境。因为感知可以看作是从感官信号中提取信息，所以计算机视觉也可以看作是研究如何使人工系统从图像或多维数据中“感知”的科学。总的来说，计算机视觉就是用各种成象系统代替视觉器官获取输入信息，再由计算机来代替大脑对这些输入信息完成处理和解释。计算机视觉的最终研究目标就是使计算机能像人那样通过视觉观察和理解世界，具有自主适应环境的能力。

显著性物体检测是从图像中检测出最能引起人的视觉注意的物体区域的计算机视觉处理过程。边缘检测是从图像中检测出对象间以及对象内部的显著边界的计算机视觉处理过程。

显著性物体检测和边缘检测这两类问题在图像处理技术领域有着重要的研究和应用价值，在例如无人驾驶、自动导航、机器人控制等众多高科技领域均发挥着不可替代的作用。早期的工作通过提取人工设计的全局和局部特征进行处理，而卷积神经网络通过进一步引入语义特征大大提升了检测效果。但现有大部分的卷积神经网络方法都是针对上述问题中的某一个特定问题而专门设计一个深度网络结构，独立地完成这两类检测任务，这极大浪费资源和时间内，提高了此类方法的研发和应用成本。

发明内容

本申请实施例提供一种物体识别方法及装置，有利于在不明显增加模型参数的前提下，有效协同显著性物体检测和边缘检测，并提高了检测结果的精度。

第一方面，提供一种物体识别方法，包括：

将待检测图像输入到特征检测模型，得到待检测图像的显著性检测图像和边缘检测图像；其中，将待检测图像输入到特征检测模型，得到待检测图像的显著性检测图像和边缘检测图像，包括：

对待检测图像进行卷积池化操作，得到M张第一采样特征图像，M为大于1的整数，对M张第一采样特征图像中分辨率最小的采样特征图像进行金字塔池化操作，以得到金字塔池化特征图像；根据金字塔池化特征图像和M张第一采样特征图像得到待检测图像的边缘特征图像；对待检测图像的边缘特征图像进行卷积操作，以得到待检测图像的边缘检测图像；根据待检测图像的边缘特征图像得到待检测图像的显著性检测图像。通过特征检测模型同时检测待检测图像的显著性检测图像和边缘检测图像，与现有技术相比，提高了图像检测的效率，并有效减少了模型的参数量，进而减少了存储资源的开销。

在一个可行的实施例中，将待检测图像输入到特征检测模型中，得到待检测图像的显著性检测图像和边缘检测图像之前，检测方法还包括：

获取待检测图像。

在一个可行的实施例中，根据金字塔池化特征图像和M张第一采样特征图像得到待检测图像的边缘特征图像，包括：

对M张第一采样特征图像中分辨率最小的采样特征图像进行特征融合，得到第一融合特征图像；

将金字塔池化特征图像与M-1张第一采样特征图像中的每张进行拼接融合操作，得到M-1张第二融合特征图像；其中，M-1张第一采样特征图像为M张第一采样特征图像中除了分辨率最小的图像之外的采样图像；