CN113505860A - 盲区检测训练集的筛选方法、装置、服务器及存储介质 - Google Patents
盲区检测训练集的筛选方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN113505860A CN113505860A CN202111040772.4A CN202111040772A CN113505860A CN 113505860 A CN113505860 A CN 113505860A CN 202111040772 A CN202111040772 A CN 202111040772A CN 113505860 A CN113505860 A CN 113505860A
- Authority
- CN
- China
- Prior art keywords
- image
- characteristic
- value
- neural network
- output
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种盲区检测训练集的筛选方法、装置、服务器及存储介质,其中,所述方法包括:将图像输入至语义分割神经网络;获取所述语义分割神经网络中特征识别反卷积层的输出矩阵,所述输出矩阵用于表征所述输出图像每个像素对应的特征强度;将所述输出矩阵映射到基础图像模板,形成特征图像,所述基础图像模板用于突出显示特征强度的强弱;计算所述特征图像中预设的兴趣区域的图像特征值均值,将所述特征值均值与预设的均值阈值进行比较,在不大于所述预设的均值阈值时,确定所述图像加入盲区检测训练集。可以获取数据集统一、客观的、直观的预测结果,对其中特征提取较差以及不确定的目标可以加入下次训练中。
Description
技术领域
本发明属于计算机图像识别技术领域,尤其是涉及一种盲区检测训练集的筛选方法、装置、服务器及存储介质。
背景技术
汽车盲区检测是一项汽车智能安全技术,能够通过安装在车上的智能监控摄像头及其他辅助设备(雷达、报警器、显示屏等),对车辆盲区内的行人及其他车辆进行智能识别,并据此发出提示,从而消除视线盲区,提高行车安全。
目前,汽车盲区检测通常利用摄像头拍摄相应的图像,并利用卷积神经网络对图像中出现的各种目标进行识别。
在实现本发明的过程中,发明人发现如下技术问题:在利用卷积神经网络对汽车盲区进行目标检测时,都需要预先大量采集原始数据,人工进行标注,最后得到准确的目标和像素分割信息,用于对卷积神经网络进行训练。但目前通过人工标注的方式不仅需要大量的人力和时间,同时由于人工筛选标准是主观的,没有客观依据,难以形成统一标准。
发明内容
有鉴于此,本发明旨在提出一种盲区检测训练集的筛选方法、装置、服务器及存储介质,以解决现有技术中汽车盲区检测卷积神经网络的训练集只能通过人工标注带来的费时费力和标准不统一的技术问题。
第一方面,本发明实施例提供了一种盲区检测训练集的筛选方法,包括:
将图像输入至语义分割神经网络;
获取所述语义分割神经网络特征识别反卷积层的输出矩阵,所述输出矩阵用于表征输出图像每个像素对应的特征强度;
将所述输出矩阵映射到基础图像模板,形成特征图像,所述基础图像模板用于突出显示特征强度的强弱;
计算所述特征图像中预设的兴趣区域的图像特征值均值,将所述特征值均值与预设的均值阈值进行比较,在不大于所述预设的均值阈值时,确定所述图像加入盲区检测训练集。
第二方面,本发明实施例还提供了一种盲区检测训练集的筛选装置,其特征在于,包括:
输入模块,用于将图像输入至语义分割神经网络;
获取模块,用于获取所述语义分割神经网络特征识别反卷积层的输出矩阵,所述输出矩阵用于表征输出图像每个像素对应的特征强度;
形成模块,用于将所述输出矩阵映射到基础图像模板,形成特征图像,所述基础图像模板用于突出显示特征强度的强弱;
比较模块,用于计算所述特征图像中预设的兴趣区域的图像特征值均值,将所述特征值均值与预设的均值阈值进行比较,在不大于所述预设的均值阈值时,确定所述图像加入盲区检测训练集。
第三方面,本发明实施例还提供了一种服务器,所述服务器包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述实施例提供的任一所述的盲区检测训练集的筛选方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如上述实施例提供的任一所述的盲区检测训练集的筛选方法。
相对于现有技术,本发明实施例提供的盲区检测训练集的筛选方法、装置、服务器和存储介质,通过使用神经网络反卷积层输出数据进行可视化处理后,可以将对目标的特征提取的好坏以及高层抽象分割的不确定性以不同颜色、不同亮度呈现出来。可以获取数据集统一、客观的、直观的预测结果,对其中特征提取较差以及不确定的目标可以加入下次训练中,类似进行同类型的“易错题型”的更多练习,进而优化模型参数,提高识别准确率,提高筛选效率,降低成本。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例一提供的盲区检测训练集的筛选方法的流程示意图;
图2为本发明实施例一提供的盲区检测训练集的筛选方法中采集的图像示意图;
图3为本发明实施例一提供的盲区检测训练集的筛选方法中语义分割处理后的图像;
图4为本发明实施例二提供的盲区检测训练集的筛选方法的流程示意图;
图5为本发明实施例二提供的盲区检测训练集的筛选方法中所述特征图像的示意图;
图6为本发明实施例三提供的盲区检测训练集的筛选方法的流程示意图;
图7为本发明实施例四提供的盲区检测训练集的筛选方法的流程示意图;
图8为本发明实施例五提供的盲区检测训练集的筛选装置的结构示意图;
图9为本发明实施例六提供的一种服务器的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的盲区检测训练集的筛选方法的流程示意图,本发明实施例提供的盲区检测训练集的筛选方法,适用于对用于盲区检测的图像训练集进行筛选的情况,特别是用于对盲区检测用卷积神经网络用图像训练集进行筛选的情况,所述盲区检测训练集的筛选方法可以由盲区检测训练集的筛选装置来执行,参见图1,所述盲区检测训练集的筛选方法,包括:
S110,将图像输入至语义分割神经网络。
通常对于盲区检测通过车辆上特定位置安装的图像采集装置采集图像,并通过卷积神经网络对采集的图像进行判别,识别出可能影响车辆行驶安全的目标物体,并提示驾驶员注意,以减少或者避免交通事故发生的几率。图2为本发明实施例一提供的盲区检测训练集的筛选方法中采集的图像示意图。利用卷积神经网络可对上述采集到的图像中的目标物体进行识别。
在本实施例中,采用语义分割神经网络对目标物体进行识别。语义分割神经网络是一种全卷积神经网络,可以实现将感兴趣的对象和不感兴趣的对象分别分割开来。经过语义分割处理之后的图片就是一个包含若干种颜色的图片其中每一种颜色都代表一类。在本实施例中,可以将设置于车辆上的图像采集装置采集得到的图像,输入至语义分割神经网络。所述语义分割神经网络可以是经过一定图像训练的语义分割神经网络,可以将采集到的图像中的车辆、障碍物和道路等进行有效区分。图3为本发明实施例一提供的盲区检测训练集的筛选方法中语义分割处理后的图像,由图3可以看出,区域1被识别为道路,区域2被识别为车辆。区域3被识别为障碍物。
S120,获取所述语义分割神经网络特征识别反卷积层的输出矩阵,所述输出矩阵用于表征所述图像每个像素对应的特征强度。
语义分割神经网络其首先对图片进行卷积——>卷积——>池化,再卷积——>卷积——>池化,直到图像缩小得够小为止。然后可以进行上采样,恢复图像的大小。并输出类似图3一样的图像识别效果。然而,由于语义分割神经网络需要海量的训练集进行训练,才能得到较为准确的识别结果。而在盲区图像识别领域中,采集到的图像受到外界环境干扰的情况众多,训练集很难能够符合所有场景。因此,会存在着一定的误判可能。
在本实施例中,利用语义分割神经网络特征识别反卷积层deconv可输出图像特征的特点,对误判的可能性进行评估,并将存在误判可能的图像加入到训练集中,对语义分割神经网络进行训练,以减少语义分割神经网络误判的可能性。反卷积层可输出反卷积结果。反卷积结果可以为与所述输入图像大小相对应的输出矩阵,矩阵中的每个元素对应图像中的每个像素。
此外,较为复杂的语义分割神经网络可能具有多个反卷积层。可以根据实际需要选取其中的一个反卷积层。由于最后一个反卷积层输出结果为最终识别结果。因此,在本实施例中,可以选用最后一个反卷积层前的反卷积层out_deconv_final_up8层,以充分反映图像中最终识别划分结果对应的特征矩阵。
S130,将所述输出矩阵映射到基础图像模板,形成特征图像,所述基础图像模板用于突出显示特征强度的强弱。
利用图像特征可便于对反卷积层输出的特征更为直观的展示,并且便于后期判断识别结果的可靠性。因此,可以将上述特征矩阵转换为相应的图像。本实施例中,首先将输出图像投射到基础图像模板中,减少输出图像中其它图像特征的干扰,便于后期准确识别。所述基础图像模板用于突出显示特征强度的强弱。示例性的,所述基础图像模板可以根据后期所要识别因素确定。可以选用单一的颜色作为背景。可选的,所述基础图像模板可以为RGB为[235,206,135]图像。将所述输出矩阵的元素按照像素点投射到所述基础图像模板中。此外,可以采用线性或者非线性方式将输出矩阵的特征映射到输出图像中。可选的,可以将所述基础图像模板转换为HSV模式,获取图像的亮度值或者其它特征值,将所述输出矩阵中的元素与亮度相乘,即相当于:
Mfeature = Mpixel×Mvalue,置入所述基础图像模板中。或者,也可增大所述输出矩阵每个像素对应的特征值,以使得映射的图像特征更为明显。可选的,可以将所述输出矩阵每个元素的特征值平方或者立方处理后,再映射到所述输出图像中。
S140,计算所述特征图像中预设的兴趣区域的特征值均值,将所述特征值均值与预设的均值阈值进行比较,在不大于所述预设的均值阈值时,确定所述图像加入盲区检测训练集。
在得到特征图像后,需要对特征图像中特征不明显,语义分割神经网络不能够准确识别的目标物体对应的区域进行检测。以确定当前图像是否存在判断错误的情况。在本实施例中,可以确定当前图像中容易被误判断识别的区域作为兴趣区域,也可通过目标检测神经网络模型得到所述当前图像中相应的目标区域,作为兴趣区域。计算所述兴趣区域中的图像特征值均值,所述图像特征值均值为亮度或者色度。将计算得到的特征值均值与预设的均值阈值进行比较,由于特征值可以表明图像中兴趣区域目标物体的特征强弱,同时也反映了对目标识别物体准确性的可能程度,因此,在所述特征值均值不大于所述预设的均值阈值时,可以确定目标物体识别可能存在一定错误。因此,可将所述当前图像加入到盲区检测训练集中。以使得语义分割神经网络可以通过盲区检测训练集提升检测准确率。
本发明实施例通过使用神经网络概率可视化技术后,可以将网络运行对目标的特征提取的好坏以及高层抽象分割的不确定性以不同颜色、不同亮度呈现出来。以0~255为亮度范围,则可以获取数据集统一、客观的、直观的预测结果,对其中特征提取较差以及不确定的目标可以加入下次训练中,类似进行同类型的“易错题型”的更多练习,进而优化模型参数,提高识别准确率,提高筛选效率,降低成本。
实施例二
图4为本发明实施例二提供的盲区检测训练集的筛选方法的流程示意图,本实施例以上述实施例为基础进行优化,具体的,将所述输出矩阵映射到基础图像模板,进一步优化为:计算所述输出矩阵中每个元素在所述输出矩阵中的相对特征比值,根据所述相对特征比值生成相对矩阵;根据所述相对矩阵和所述输出图像生成特征图像。
参见图4,所述盲区检测训练集的筛选方法,包括:
S210,将图像输入至语义分割神经网络。
S220,获取所述语义分割神经网络中特征识别反卷积层的输出矩阵,所述输出矩阵用于表征所述输出图像每个像素对应的特征强度。
S230,计算所述输出矩阵中每个元素在所述输出矩阵中的相对特征比值,根据所述相对特征比值生成相对矩阵。
由于采用特征值进行图像映射单一像素特征值相对于图中的其它像素特征值并不突出,可能使得映射后的图像特征显示不明显,进而影响后期判断。因此,在本实施例中,首先对输出矩阵中每个元素进行处理,得到所述输出矩阵中每个元素的相对特征比值。以更好的体现每个像素的特征值。所述相对特征比值为每个元素对应的像素在整个图像相对于可以体现所述输出矩阵对应的图像中每个像素相对于整体图像的特征值,可以体现相对于整个图像的特征水平。利用相对特征比值可以更好的体现图像特征,并使得映射后的图像更加明显突出特定区域相对于整体图像的图像特征。
示例性的,所述计算所述输出矩阵中每个元素在所述输出矩阵中的相对特征比值,可以包括:获取所述输出矩阵中的最大值和最小值,确定所述输出矩阵中的最大值Dmax及最小值Dmin;计算将所述输出矩阵中每个元素与所述最小值的差值作为第一差值,计算所述最大值与所述输出矩阵中每个元素的差值作为第二差值,将第一差值和第二差值的比作为每个元素在所述输出矩阵中的相对特征比值。即相当于采用如下公式进行计算:
Mpixel = ( pixel(x,y) - Dmin )/( Dmax – Dmin )
0 <= Mpixel(x,y) <= 1
并根据上述计算得到的每个像素点的相对特征比值构建相对矩阵。
S240,将所述相对矩阵映射到基础图像模板,形成特征图像。
图5为本发明实施例二提供的盲区检测训练集的筛选方法中所述特征图像的示意图,参见图5,所述图5中的特征图像示意图可根据图2对应的图像生成。由图5可以看出,经过上述步骤处理,对于初始图像中经过语义分割神经网络判断特征不明显的区域颜色越黑,其明度越低,利用上述方式,可以明显识别出所述图像中特征不明显的区域。进而确定图像中可能存在识别错误的图像区域。
S250,计算所述特征图像中预设的兴趣区域的图像特征值均值,将所述特征值均值与预设的均值阈值进行比较,在不大于所述预设的均值阈值时,确定所述图像加入盲区检测训练集。
本发明实施例将所述输出矩阵映射到基础图像模板,形成特征图像进一步优化为:计算所述输出矩阵中每个元素在所述输出矩阵中的相对特征比值,根据所述相对特征比值生成相对矩阵;根据所述相对矩阵和所述输出图像生成特征图像。可以利用相对特征比值可以更好的体现图像特征,并使得映射后的图像更加明显突出特定区域相对于整体图像的图像特征。进而提高盲区检测训练集图像筛选的准确性。
实施例三
图6为本发明实施例三提供的盲区检测训练集的筛选方法的流程示意图,本实施例以上述实施例为基础进行优化,具体的,所述方法还可增加如下步骤:获取所述语义分割神经网络的输出结果;将所述图像输入目标检测神经网络;根据所述语义分割神经网络的输出结果确定所述目标识别结果对应的坐标位置;根据所述坐标位置确定兴趣区域。参见图6,所述盲区检测训练集的筛选方法,包括:
S310,将图像输入至语义分割神经网络。
S320,获取所述语义分割神经网络特征识别反卷积层的输出矩阵。
S330,将所述输出矩阵投射到基础图像模板,形成特征图像。
S340,获取所述语义分割神经网络的输出结果。
语义分割神经网络最终输出的是对图像包括的物体的类型的识别结果。其结果可以为图3中的结果,其中分别标注了道路、障碍物。并给出了相应的轮廓。
S350,将所述图像输入目标检测神经网络。
在本实施例中,所述兴趣区域可以预先设定。但该种方式也存在一定的问题,由于车辆处于行驶过程中,同一景物在前后的照片中的位置会发生变化,虽然可以根据车辆行驶速度预估同一景物在后续图像中的位置,但仍然会产生偏差,进而导致图片筛选产生误差。因此,在本实施例中,可以利用另一神经网络,即目标检测神经网络来确定。
目标检测神经网络就任务是找到图片中有哪些物体及对应的位置。利用目标检测神经网络实现对物体坐标的获取。
S360,根据所述语义分割神经网络的输出结果确定所述目标识别结果对应的坐标位置。
语义分割神经网络可输出物体的轮廓,利用目标检测神经网络输出每个目标对应的坐标位置。
S370,根据所述坐标位置确定兴趣区域。
对应每个物体的坐标范围可作为后续进行训练集图像中兴趣区域的范围。
S380,计算所述特征图像中预设的兴趣区域的图像特征值均值,将所述特征值均值与预设的均值阈值进行比较,在不大于所述预设的均值阈值时,确定所述图像加入盲区检测训练集。
本发明实施例增加如下步骤:获取所述语义分割神经网络的输出结果;将所述图像输入目标检测神经网络;根据所述语义分割神经网络的输出结果确定所述目标识别结果对应的坐标位置;根据所述坐标位置确定兴趣区域。可以有效表面由于图像采集装置运动导致的兴趣区域在不同时间图像的位置变化引发的训练集图片筛选不准确的情况,便于后期准确识别。进一步提高盲区检测训练集图像筛选的准确性。
在本实施例的一个优选实施方式中,可以将所述获取所述语义分割神经网络的输出结果,具体优化为:对所述输出结果进行双线性差值处理,以使得经过双线性差值处理后的图像与输入的图像的分辨率相一致。在语义分割神经网络处理图像过程中,其分辨率会有一定的变化。因此,语义分割神经网络输出图像的分辨率与目标检测神经网络输出图像的分辨率相比,其分辨率较低。由于二者分辨率的不同,会使得后期无法比对确定兴趣区域范围。因此,在本实施例中,可以通过双线性插值的方式将语义分割神经网络输出图像的分辨率调整到与输入图像的分辨率相一致,便于后期选定兴趣区域,并根据兴趣区域的图像特征判断是否符合加入盲区检测训练集的条件。
实施例四
图7为本发明实施例四提供的盲区检测训练集的筛选方法的流程示意图,本实施例以上述实施例为基础进行优化,具体的,将所述将图像输入语义分割神经网络,具体优化为:对图像采集设备采集到的初始图像进行去重处理;将去重处理后的图像作为图像输入语义分割神经网络。
参见图7,所述盲区检测训练集的筛选方法,包括:
S410,对图像采集设备采集到的初始图像进行去重处理。
图像采集装置通常采用定时方式采集盲区区域的图像,由于间隔时间较短,在短时间内可能采集大量变化不大的图像。因此,在本实施例中,可以预先对图像采集设备采集到的初始图像进行去重处理。以减少语义分割神经网络处理的图像数量,以及后续识别的图像处理量,以实现快速筛选盲区检测训练集图像的目的。
示例性的,可以采用PHash算法将场景极度相似的图片去除。可选的,可以将图像采集装置采集到的初始图像,进行尺寸变换,将其缩小到预设尺寸大小。例如:32*32大小。计算尺寸变换后的图像DCT,并选取左上角预设区域的矩阵。可选的,可选8*8的矩阵。DCT是一种特殊的傅立叶变换,将图片从像素域变换为频率域,并且DCT矩阵从左上角到右下角代表越来越高频率的系数。因此只提取左上角部分区域。将每个DCT值,与平均值进行比较。在超过预设的汉明阈值时,确定两张图像存在较大的区别,非近似图像;相应的,在不大于预设的汉明阈值时,确定所述两张图像为近似图像。对于近似图像,则可从中只选择其中的一张图像,将其它图像删除,实现去重。
S420,将去重处理后的图像作为图像输入语义分割神经网络。
S430,获取所述语义分割神经网络中特征识别反卷积层输出矩阵,所述输出矩阵用于表征所述输出图像每个像素对应的特征强度。
S440,将所述输出矩阵映射到基础图像模板,形成特征图像。
S450,计算所述特征图像中预设的兴趣区域的图像特征值均值,将所述特征值均值与预设的均值阈值进行比较,在不大于所述预设的均值阈值时,确定所述图像加入盲区检测训练集。
本发明实施例将所述将图像输入语义分割神经网络具体优化为:对图像采集设备采集到的初始图像进行去重处理;将去重处理后的图像作为图像输入语义分割神经网络。可以对图像采集装置采集到的图像根据其近似程度对其进行去重,减少输入语义分割神经网络图像数量,避免相近似的图像重复识别。有效减少了语义分割神经网络的计算量,进而提高了图像识别的效率。有助于快速准确的筛选盲区检测训练集的图像。
实施例五
图8为本发明实施例五提供的盲区检测训练集的筛选装置的结构示意图,如图8所示,所述装置包括:
输入模块510,用于将图像输入至语义分割神经网络;
获取模块520,用于获取所述语义分割神经网络中特征识别反卷积层的输出矩阵,所述输出矩阵用于表征输出图像每个像素对应的特征强度;
形成模块530,用于将所述输出矩阵映射到所述基础图像模板,形成特征图像;
比较模块540,用于计算所述特征图像中预设的兴趣区域的图像特征值均值,将所述特征值均值与预设的均值阈值进行比较,在不大于所述预设的均值阈值时,确定所述图像加入盲区检测训练集。
本实施例提供的盲区检测训练集的筛选装置,通过使用神经网络反卷积层输出数据进行可视化处理后,可以将对目标的特征提取的好坏以及高层抽象分割的不确定性以不同颜色、不同亮度呈现出来。可以获取数据集统一、客观的、直观的预测结果,对其中特征提取较差以及不确定的目标可以加入下次训练中,类似进行同类型的“易错题型”的更多练习,进而优化模型参数,提高识别准确率,提高筛选效率,降低成本。
在上述各实施例的基础上,所述形成模块包括:
相对矩阵生成单元,用于计算所述输出矩阵中每个元素在所述输出矩阵中的相对特征比值,根据所述相对特征比值生成相对矩阵;
特征图像生成单元,用于根据所述相对矩阵和基础图像模板生成特征图像。在上述各实施例的基础上,所述相对矩阵生成单元包括:
获取子单元,用于获取所述输出矩阵中的最大值和最小值;
作为子单元,用于将计算将所述输出矩阵中每个元素与所述最小值的差值作为第一差值,计算所述最大值与所述最小值的差值作为第二差值,将第一差值和第二差值的比作为每个元素在所述输出矩阵中的相对特征比值。
在上述各实施例的基础上,所述输入模块,包括:
去重处理单元,用于对图像采集设备采集到的初始图像进行去重处理;
输入单元,用于将去重处理后的图像作为图像输入语义分割神经网络。
在上述各实施例的基础上,所述装置还包括:
输出结果获取模块,用于获取所述语义分割神经网络的输出结果;
目标检测输入模块,用于将所述图像输入目标检测神经网络;
识别模块,用于根据所述语义分割神经网络的输出结果确定所述目标识别结果对应的坐标位置;
兴趣区域确定模块,用于根据所述坐标位置确定兴趣区域。
在上述各实施例的基础上,所述输出结果获取模块,包括:
处理单元,用于对所述输出结果进行双线性差值处理,以使得经过双线性差值处理后的图像与输入的图像的分辨率相一致。
本发明实施例所提供的盲区检测训练集的筛选装置可执行本发明任意实施例所提供的盲区检测训练集的筛选方法,具备执行方法相应的功能模块和有益效果。
实施例六
图9为本发明实施例六提供的一种服务器的结构示意图。图9示出了适于用来实现本发明实施方式的示例***器12的框图。图9显示的服务器12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示,服务器12以通用计算设备的形式表现。服务器12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,***存储器28,连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
服务器12典型地包括多种计算机***可读介质。这些介质可以是任何能够被服务器12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***34可以用于读写不可移动的、非易失性磁介质(图9未显示,通常称为“硬盘驱动器”)。尽管图9中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM, DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。***存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如***存储器28中,这样的程序模块42包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该服务器12交互的设备通信,和/或与使得该服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与服务器12的其它模块通信。应当明白,尽管图中未示出,可以结合服务器12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元16通过运行存储在***存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的盲区检测训练集的筛选方法。
实施例七
本发明实施例七还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如上述实施例提供的盲区检测训练集的筛选方法。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种盲区检测训练集的筛选方法,其特征在于,包括:
将图像输入至语义分割神经网络;
获取所述语义分割神经网络中特征识别反卷积层的输出矩阵,所述输出矩阵用于表征输出图像每个像素对应的特征强度;
将所述输出矩阵映射到基础图像模板,形成特征图像,所述基础图像模板用于突出显示特征强度的强弱;
计算所述特征图像中预设的兴趣区域的图像特征值均值,将所述特征值均值与预设的均值阈值进行比较,在不大于所述预设的均值阈值时,确定所述图像加入盲区检测训练集。
2.根据权利要求1所述的方法,其特征在于,所述将所述输出矩阵映射到基础图像模板,形成特征图像,包括:
计算所述输出矩阵中每个元素在所述输出矩阵中的相对特征比值,根据所述相对特征比值生成相对矩阵;
根据所述相对矩阵和所述基础图像模板生成特征图像。
3.根据权利要求2所述的方法,其特征在于,所述计算所述输出矩阵中每个元素在所述输出矩阵中的相对特征比值,包括:
获取所述输出矩阵中的最大值和最小值;
计算将所述输出矩阵中每个元素与所述最小值的差值作为第一差值,计算所述最大值与所述输出矩阵中每个元素的差值作为第二差值,将第一差值和第二差值的比作为每个元素在所述输出矩阵中的相对特征比值。
4.根据权利要求1所述的方法,其特征在于,所述将图像输入至语义分割神经网络,包括:
对图像采集设备采集到的初始图像进行去重处理;
将去重处理后的图像作为图像输入语义分割神经网络。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述语义分割神经网络的输出结果;
将所述图像输入目标检测神经网络;
根据所述语义分割神经网络的输出结果确定所述目标识别结果对应的坐标位置;
根据所述坐标位置确定兴趣区域。
6.根据权利要求5所述的方法,其特征在于,所述获取所述语义分割神经网络的输出结果,包括:
对所述输出结果进行双线性差值处理,以使得经过双线性差值处理后的图像与输入的图像的分辨率相一致。
7.一种盲区检测训练集的筛选装置,其特征在于,包括:
输入模块,用于将图像输入至语义分割神经网络;
获取模块,用于获取所述语义分割神经网络中特征识别反卷积层的输出矩阵,所述输出矩阵用于表征输出图像每个像素对应的特征强度;
形成模块,用于将所述输出矩阵映射到基础图像模板,形成特征图像;
比较模块,用于计算所述特征图像中预设的兴趣区域的图像特征值均值,将所述特征值均值与预设的均值阈值进行比较,在不大于所述预设的均值阈值时,确定所述图像加入盲区检测训练集。
8.根据权利要求7所述的装置,其特征在于,所述形成模块,包括:
相对矩阵生成单元,用于计算所述输出矩阵中每个元素在所述输出矩阵中的相对特征比值,根据所述相对特征比值生成相对矩阵;
特征图像生成单元,用于根据所述相对矩阵和基础图像模板生成特征图像。
9.一种服务器,其特征在于,所述服务器包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-6中任一所述的盲区检测训练集的筛选方法。
10.一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-6任一所述的盲区检测训练集的筛选方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111040772.4A CN113505860B (zh) | 2021-09-07 | 2021-09-07 | 盲区检测训练集的筛选方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111040772.4A CN113505860B (zh) | 2021-09-07 | 2021-09-07 | 盲区检测训练集的筛选方法、装置、服务器及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113505860A true CN113505860A (zh) | 2021-10-15 |
CN113505860B CN113505860B (zh) | 2021-12-31 |
Family
ID=78016350
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111040772.4A Active CN113505860B (zh) | 2021-09-07 | 2021-09-07 | 盲区检测训练集的筛选方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113505860B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115690747A (zh) * | 2022-12-30 | 2023-02-03 | 天津所托瑞安汽车科技有限公司 | 车辆盲区检测模型测试方法、装置、电子设备及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102314598A (zh) * | 2011-09-22 | 2012-01-11 | 西安电子科技大学 | 基于Retinex理论的复杂光照下的人眼检测方法 |
CN102799902A (zh) * | 2012-08-13 | 2012-11-28 | 南京师范大学 | 一种基于代表性样本的增强型关系分类器 |
CN103049897A (zh) * | 2013-01-24 | 2013-04-17 | 武汉大学 | 一种基于自适应训练库的块域人脸超分辨率重建方法 |
CN103674244A (zh) * | 2013-07-05 | 2014-03-26 | 北京师范大学 | 一种基于gpu的快速反卷积二维光纤光谱抽取方法 |
CN105118049A (zh) * | 2015-07-22 | 2015-12-02 | 东南大学 | 一种基于超像素聚类的图像分割方法 |
CN105354565A (zh) * | 2015-12-23 | 2016-02-24 | 北京市商汤科技开发有限公司 | 基于全卷积网络人脸五官定位与判别的方法及*** |
CN107066916A (zh) * | 2016-10-26 | 2017-08-18 | 中国科学院自动化研究所 | 基于反卷积神经网络的场景语义分割方法 |
CN107240066A (zh) * | 2017-04-28 | 2017-10-10 | 天津大学 | 基于浅层和深层卷积神经网络的图像超分辨率重建算法 |
CN107679250A (zh) * | 2017-11-01 | 2018-02-09 | 浙江工业大学 | 一种基于深度自编码卷积神经网络的多任务分层图像检索方法 |
CN111428556A (zh) * | 2020-02-17 | 2020-07-17 | 浙江树人学院(浙江树人大学) | 一种基于胶囊神经网络的交通标志识别方法 |
CN112793509A (zh) * | 2021-04-14 | 2021-05-14 | 天津所托瑞安汽车科技有限公司 | 一种盲区监测方法及装置、设备、介质 |
CN113191947A (zh) * | 2021-03-23 | 2021-07-30 | 西安电子科技大学 | 一种图像超分辨率的方法及*** |
CN113239912A (zh) * | 2021-07-13 | 2021-08-10 | 天津所托瑞安汽车科技有限公司 | Bsd图像有效区域的确定方法、设备和存储介质 |
-
2021
- 2021-09-07 CN CN202111040772.4A patent/CN113505860B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102314598A (zh) * | 2011-09-22 | 2012-01-11 | 西安电子科技大学 | 基于Retinex理论的复杂光照下的人眼检测方法 |
CN102799902A (zh) * | 2012-08-13 | 2012-11-28 | 南京师范大学 | 一种基于代表性样本的增强型关系分类器 |
CN103049897A (zh) * | 2013-01-24 | 2013-04-17 | 武汉大学 | 一种基于自适应训练库的块域人脸超分辨率重建方法 |
CN103674244A (zh) * | 2013-07-05 | 2014-03-26 | 北京师范大学 | 一种基于gpu的快速反卷积二维光纤光谱抽取方法 |
CN105118049A (zh) * | 2015-07-22 | 2015-12-02 | 东南大学 | 一种基于超像素聚类的图像分割方法 |
CN105354565A (zh) * | 2015-12-23 | 2016-02-24 | 北京市商汤科技开发有限公司 | 基于全卷积网络人脸五官定位与判别的方法及*** |
CN107066916A (zh) * | 2016-10-26 | 2017-08-18 | 中国科学院自动化研究所 | 基于反卷积神经网络的场景语义分割方法 |
CN107240066A (zh) * | 2017-04-28 | 2017-10-10 | 天津大学 | 基于浅层和深层卷积神经网络的图像超分辨率重建算法 |
CN107679250A (zh) * | 2017-11-01 | 2018-02-09 | 浙江工业大学 | 一种基于深度自编码卷积神经网络的多任务分层图像检索方法 |
CN111428556A (zh) * | 2020-02-17 | 2020-07-17 | 浙江树人学院(浙江树人大学) | 一种基于胶囊神经网络的交通标志识别方法 |
CN113191947A (zh) * | 2021-03-23 | 2021-07-30 | 西安电子科技大学 | 一种图像超分辨率的方法及*** |
CN112793509A (zh) * | 2021-04-14 | 2021-05-14 | 天津所托瑞安汽车科技有限公司 | 一种盲区监测方法及装置、设备、介质 |
CN113239912A (zh) * | 2021-07-13 | 2021-08-10 | 天津所托瑞安汽车科技有限公司 | Bsd图像有效区域的确定方法、设备和存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115690747A (zh) * | 2022-12-30 | 2023-02-03 | 天津所托瑞安汽车科技有限公司 | 车辆盲区检测模型测试方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113505860B (zh) | 2021-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3806064A1 (en) | Method and apparatus for detecting parking space usage condition, electronic device, and storage medium | |
CN110276293B (zh) | 车道线检测方法、装置、电子设备及存储介质 | |
CN110263714B (zh) | 车道线检测方法、装置、电子设备及存储介质 | |
CN109916415B (zh) | 道路类型确定方法、装置、设备及存储介质 | |
CN109934873B (zh) | 标注图像获取方法、装置及设备 | |
CN114820679B (zh) | 图像标注方法、装置、电子设备和存储介质 | |
CN113505860B (zh) | 盲区检测训练集的筛选方法、装置、服务器及存储介质 | |
CN112794274B (zh) | 一种油罐车底部装油口安全监控方法及*** | |
CN112907583B (zh) | 目标对象姿态选择方法、图像评分方法及模型训练方法 | |
CN106778822B (zh) | 基于漏斗变换的图像直线检测方法 | |
CN113192057A (zh) | 目标检测方法、***、设备及存储介质 | |
CN113221894A (zh) | 车辆的车牌号识别方法、装置、电子设备和存储介质 | |
CN115083008A (zh) | 运动目标检测方法、装置、设备及存储介质 | |
CN115861922B (zh) | 一种稀疏烟火检测方法、装置、计算机设备及存储介质 | |
CN112287905A (zh) | 车辆损伤识别方法、装置、设备及存储介质 | |
CN114648736B (zh) | 基于目标检测的鲁棒工程车辆识别方法及*** | |
CN114267076B (zh) | 一种图像识别方法、装置、设备及存储介质 | |
CN116403200A (zh) | 基于硬件加速的车牌实时识别*** | |
Balcilar et al. | Extracting vehicle density from background estimation using Kalman filter | |
CN113869163B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN115909241A (zh) | 一种车道线检测方法、***、电子设备和存储介质 | |
Xiang et al. | A new model for daytime visibility index estimation fused average sobel gradient and dark channel ratio | |
JP2003030649A (ja) | 画像処理方法および装置 | |
CN112465859A (zh) | 快速运动目标的检测方法、装置、设备和储存介质 | |
CN114783172B (zh) | 一种停车场空车位识别方法及***、计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |