CN108932739A - 一种车辆图片智能美化的方法及装置 - Google Patents

一种车辆图片智能美化的方法及装置 Download PDF

Info

Publication number
CN108932739A
CN108932739A CN201710378207.6A CN201710378207A CN108932739A CN 108932739 A CN108932739 A CN 108932739A CN 201710378207 A CN201710378207 A CN 201710378207A CN 108932739 A CN108932739 A CN 108932739A
Authority
CN
China
Prior art keywords
target area
vehicle
frame
shading value
vehicle pictures
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.)
Pending
Application number
CN201710378207.6A
Other languages
English (en)
Inventor
梁大双
庞敏辉
韦仕伟
李文佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Best Faith Racket (beijing) Mdt Infotech Ltd
Original Assignee
Best Faith Racket (beijing) Mdt Infotech Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Best Faith Racket (beijing) Mdt Infotech Ltd filed Critical Best Faith Racket (beijing) Mdt Infotech Ltd
Priority to CN201710378207.6A priority Critical patent/CN108932739A/zh
Publication of CN108932739A publication Critical patent/CN108932739A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明实施例公开了一种车辆图片智能美化的方法及装置，其中，该方法包括：检测待美化的车辆图片中车身所在的目标区域；识别所述车辆图片中目标区域部分的颜色；判断所述车辆图片中目标区域部分的明暗度；根据识别出的颜色、判断出的明暗度和预设的美化参数，美化所述车辆图片中的目标区域部分。利用本发明实施例提供的方法对车辆图片进行美化，能够自动识别需要美化的车身区域以及图片自身的颜色和明暗度，进而有针对性地进行美化，从而能够提高美化效率和美化效果。

Description

一种车辆图片智能美化的方法及装置
技术领域
本发明实施例涉及图形识别技术领域，尤其涉及一种车辆图片智能美化的方法及涉及一种车辆图片智能美化的装置。
背景技术
随着我国现代化进程的加快，汽车作为一种便捷的交通工具正逐步走进千家万户，成为人们居家生活中不可或缺的一部分。目前，智能手机得到广泛普及，数码照片的获取也越来越容易，并且随着社交媒体，例如QQ、微信、微博的盛行，人们也喜欢把日常生活中拍摄的照片分享到社交媒体中。这些分享的照片中当然也包括自己爱车的照片，于是，如何得到更美丽的车辆照片就成了大众迫切的需求。
目前，对车辆图片的美化具有较高的专业技能要求，而图片处理人员需要根据自己的经验处理不同的车辆照片，对于不同的图片处理人员，得到的车辆美化效果也良莠不齐，而且效率低。而对于没有图片美化经验的人员根本无法自己进行图片美化，从而也无法随意分享美化后的车辆照片了。
发明内容
本发明实施例提供了一种车辆图片智能美化的方法及一种车辆图片智能美化的装置，以解决如何美化车辆图片的问题。
本发明实施例提供了一种车辆图片智能美化的方法，该方法包括：
检测待美化的车辆图片中车身所在的目标区域；
识别所述车辆图片中目标区域部分的颜色；
判断所述车辆图片中目标区域部分的明暗度；
根据识别出的颜色、判断出的明暗度和预设的美化参数，美化所述车辆图片中的目标区域部分。
优选地，所述检测待美化车辆图片中车身所在的目标区域的步骤之前，包括：在训练样本上标记出车身所在区域的标签框；
将带有所述标签框的训练样本加载到SSD网络中；
在SSD网络中，生成多个带有默认框的特征图；
将所述默认框与所述标签框进行匹配，获得所述默认框的模型损失；
在所述SSD网络中反向传播所述模型损失，优化所述SSD网络的各层参数，获得车身检测模型；
将待美化的车辆图片输入所述车身检测模型中，以检测待美化的车辆图片中车身所在的目标区域。
优选地，将所述默认框与所述标签框进行匹配，获得所述默认框的模型损失的步骤，包括：
将所述默认框与所述标签框进行匹配，获得所述默认框的位置损失；
将所述默认框与所述标签框进行匹配，获得所述默认框的置信损失；
将所述位置损失和所述置信损失进行相加，获得所述默认框的模型损失。
优选地，判断所述车辆图片中目标区域部分的明暗度的步骤，包括：
将所述车辆图片中的目标区域部分转换为灰度图像；
按灰度值进行等级划分；
计算各个等级的占比；
根据所述占比，判断所述车辆图片中目标区域部分的明暗度。
优选地，所述根据识别出的颜色、判断出的明暗度和预设的美化参数，美化所述车辆图片中的目标区域部分的步骤之前，还包括：
确定颜色分类和明暗度分类；
将颜色和明暗度进行排列组合，确定颜色和明暗度的组合类别；
针对每个所述组合类别，预设所述美化参数。
本发明实施例好提供了一种车辆图片智能美化的方法的装置，包括：
目标区域检测模块，用于检测待美化的车辆图片中车身所在的目标区域；
颜色识别模块，用于识别所述车辆图片中目标区域部分的颜色；
明暗度判断模块，用于判断所述车辆图片中目标区域部分的明暗度；
美化模块，用于根据识别出的颜色、判断出的明暗度和预设的美化参数，美化所述车辆图片中的目标区域部分。
优选地，所述装置还包括：
标签框标记单元，用于在训练样本上标记出车身所在区域的标签框；
标签框加载单元，用于将带有所述标签框的训练样本加载到SSD网络中；
特征图生成单元，用于在SSD网络中，生成多个带有默认框的特征图；
模型损失获得单元，用于将所述默认框与所述标签框进行匹配，获得所述默认框的模型损失；
参数优化单元，用于在所述SSD网络中反向传播所述模型损失，优化所述SSD网络的各层参数，获得车身检测模型；
输入单元，用于将待美化的车辆图片输入所述车身检测模型中，以检测待美化的车辆图片中车身所在的目标区域。
优选地，模型损失获得单元包括：
位置损失获得子单元，用于将所述默认框与所述标签框进行匹配，获得所述默认框的位置损失；
置信损失获得子单元，用于将所述默认框与所述标签框进行匹配，获得所述默认框的置信损失；
模型损失获得子单元，用于将所述位置损失和所述置信损失进行相加，获得所述默认框的模型损失。
优选地，所述明暗度判断模块包括：
灰度图像转换单元，用于将所述车辆图片中的目标区域部分转换为灰度图像；
等级划分单元，用于按灰度值进行等级划分；
占比计算单元，用于计算各个等级的占比；
明暗度判断单元，用于根据所述占比，判断所述车辆图片中目标区域部分的明暗度。
优选地，所述装置还包括：
分类确定单元，用于确定颜色分类和明暗度分类；
组合类别确定单元，用于将颜色和明暗度进行排列组合，确定颜色和明暗度的组合类别；
美化参数预设单元，用于针对每个所述组合类别，预设所述美化参数。
本发明实施例提供了一种车辆图片智能美化的方法，包括检测待美化的车辆图片中车身所在的目标区域，识别所述车辆图片中目标区域部分的颜色，判断所述车辆图片中目标区域部分的明暗度，最后根据识别出的颜色、判断出的明暗度和预设的美化参数，美化所述车辆图片中的目标区域部分；利用该方法对车辆图片进行美化，能够自动识别需要美化的车身区域以及图片自身的颜色和明暗度，进而有针对性地进行美化，从而能够提高美化效率和美化效果。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种车辆图片智能美化的方法的流程图；
图2为带有两组默认框的8×8特征图；
图3为带有一组默认框的4×4特征图；
图4为本发明实施例提供的一种车辆图片智能美化的装置的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参见图1，为本发明实施例提供的一种车辆图片智能美化的方法的流程图，该方法具体可以包括如下步骤。
步骤101，利用SSD(Single Shot MultiBox Detector)网络训练车身检测模型。
在本发明实施例的一种优选示例中，步骤101具体可以包括：
步骤11，在训练样本上标记出车身所在区域的标签框。
本发明实施例采用的训练样本可以是在路边实际拍摄的不同车系的图像，也可以是从网上收集到的车辆图像。该训练样本中可以包括容易被错误检测的车辆的内饰图片，即有关车体内部结构的图片，该内饰图片可以作为负类去训练车身检测模型，从而在利用车身检测模型进行车身检测的过程中，判断出内饰图片，避免对内饰图片的错误美化。
步骤12，将带有所述标签框的训练样本加载到SSD网络中。
步骤13，在SSD网络中，生成多个带有默认框的特征图。
首先在SSD网络中，根据训练样本生成多个不同尺度的特征图，在特征图上评估多个默认框。
在具体实现中，可以根据训练样本图像的尺寸得到多个不同尺度的特征图，例如8×8特征图或4×4特征图。
特征图上的每个位置都评估一组包括有不同宽高比的默认框。参见图2，示出了8×8特征图上的两组默认框。当待检测的目标车辆在图像中占的面积较大时，8×8特征图上的默认框可能无法完全框到，则可能需要4×4特征图中的默认框，参见图3，示出了4×4特征图上的一组默认框。
步骤14，将所述默认框与所述标签框进行匹配，获得所述默认框的模型损失。
在本发明实施例中，步骤14具体可以包括如下子步骤。
子步骤1401，将所述默认框与所述标签框进行匹配，获得所述默认框的位置损失。
子步骤1402，将所述默认框与所述标签框进行匹配，获得所述默认框的置信损失。
子步骤1403，将所述位置损失和所述置信损失进行相加，获得所述默认框的模型损失。
默认框的模型损失的计算公式为：
其中xij表示第i个默认框的匹配值，当第i个默认框与第j个标签框匹配时，xij＝1，否则xij＝0；N为匹配到的默认框的个数；Lconf为置信损失；c为类别信息，在本发明实施例中，c＝1；Lloc为位置损失；l为默认框参数，g为标签框参数。
位置损失Lloc可以通过计算默认框参数l与标签框参数g之间的平滑L1损失(Smooth L1loss)得到。置信损失Lconf可以为softmax损失。
与默认框匹配的标签框的模型损失为正，与默认框匹配的标签框的模型损失为负。
步骤15，在所述SSD网络中反向传播所述模型损失，优化所述SSD网络的各层参数，获得车身检测模型。
在训练车身检测模型的过程中，可以利用训练样本中的图像进行多次迭代优化，学习率可以设置为0.001，权值衰减系数可以为0.005。
在训练完成车身检测模型后，需要利用检测样本对该车身检测模型进行准确性判断，只有其准确性符合要求后才可以投入应用。
步骤102，检测待美化的车辆图片中车身所在的目标区域。
在本发明实施例中，将待美化的车辆图片输入所述车身检测模型中，以检测待美化的车辆图片中车身所在的目标区域。
将待美化的车辆图片输入所述车身检测模型中，可能会匹配出多个目标矩形框，用于确定车身所在的目标区域。最后从多个目标矩形框中选取面积最大的目标矩形框所在的位置确定为车身所在的目标区域。
步骤103，识别所述车辆图片中目标区域部分的颜色。
在具体实现中可以利用标记好的分类数据取训练深度学习网络，从而利用训练好的分类器识别目标区域部分的颜色。
在具体实现中，车辆图片的颜色可以分为12种，分别为黑色、蓝色、香槟色、咖啡色、银灰色、绿色、橙色、粉红色、紫色、红色、白色、黄色。
步骤104，判断所述车辆图片中目标区域部分的明暗度。
在具体实现中，步骤104具体可以包括：
步骤21，将所述车辆图片中的目标区域部分转换为灰度图像。
步骤22，灰度值进行等级划分。
灰度值可以区分为5个等级，例如black等级、dark等级、medium等级、light等级和white等级，也可以称为很黑、黑、一般、亮和很亮5个等级。
步骤23，计算各个等级的占比。
步骤24，根据所述占比，判断所述车辆图片中目标区域部分的明暗度。
在本发明实施例中，明暗度可以分为3级，分别为偏暗、偏亮和正常。如果black等级超出阈值，如25％，则判断图片偏暗；如果white等级超出阈值，如25％，则判断图片偏亮，否则判断为正常。
步骤105，根据识别出的颜色、判断出的明暗度和预设的美化参数，美化所述车辆图片中的目标区域部分。
在本发明实施例中，步骤105之前还包括：预设美化参数。预设美化参数的步骤可以包括：
步骤31，确定颜色分类和明暗度分类。
颜色可以分为12种，分别为黑色、蓝色、香槟色、咖啡色、银灰色、绿色、橙色、粉红色、紫色、红色、白色、黄色。明暗度可以分为3种，偏暗、偏亮和正常。
步骤32，将颜色和明暗度进行排列组合，确定颜色和明暗度的组合类别。
本发明实施例中，颜色和明暗度排列组合后，可以有36(12×3＝36)种组合类别。
步骤33，针对每个所述组合类别，预设所述美化参数。
在具体实现中，可以利用开源框架GPUImage设定每一种组合类别对应的美化参数，美化参数为锐度(sharpness)，对比度(contrast)，饱和度(saturation)，色调曲线(toneCurve)，颜色级别(colorLevels)，色彩覆盖度(coverColor)。
待识别出车辆图片的颜色，判断出车辆图片的明暗度后，可以根据颜色和明暗度的组合类别找到其对应的美化参数，进而自动调节目标区域内的车辆图片各个参数至预设的美化参数，不需要人工干预，提高了美化效率。针对不同颜色和明暗度的车辆图片，美化参数设计合理全面，提高了美化效果。并且是有针对性地，只对检测出的车身进行美化，也能够有效提高美化效果。
利用本发明实施例提供的方法对车辆图片进行美化，能够自动识别需要美化的车身区域以及图片自身的颜色和明暗度，进而有针对性地进行美化，从而能够提高美化效率和美化效果。
参照图4，示出了一种车辆图片智能美化的装置的结构框图，该装置具体可以包括：
车身检测模型训练模块401，用于利用SSD网络训练车身检测模型。
在本发明实施例的一种优化示例中，车身检测模型训练模块401具体可以包括：
标签框标记单元，用于在训练样本上标记出车身所在区域的标签框。
标签框加载单元，用于将带有所述标签框的训练样本加载到SSD网络中。
特征图生成单元，用于在SSD网络中，生成多个带有默认框的特征图。
模型损失获得单元，用于将所述默认框与所述标签框进行匹配，获得所述默认框的模型损失。
在本发明实施例中，模型损失获得单元具体可以包括：
位置损失获得子单元，用于将所述默认框与所述标签框进行匹配，获得所述默认框的位置损失；
置信损失获得子单元，用于将所述默认框与所述标签框进行匹配，获得所述默认框的置信损失；
模型损失获得子单元，用于将所述位置损失和所述置信损失进行相加，获得所述默认框的模型损失。
参数优化单元，用于在所述SSD网络中反向传播所述模型损失，优化所述SSD网络的各层参数，获得车身检测模型。
输入单元，用于将待美化的车辆图片输入所述车身检测模型中，以检测待美化的车辆图片中车身所在的目标区域。
目标区域检测模块402，用于检测待美化的车辆图片中车身所在的目标区域。
颜色识别模块403，用于识别所述车辆图片中目标区域部分的颜色。
明暗度判断模块404，用于判断所述车辆图片中目标区域部分的明暗度。
在本发明实施例的一种优化示例中，明暗度判断模块404具体可以包括：
灰度图像转换单元，用于将所述车辆图片中的目标区域部分转换为灰度图像；
等级划分单元，用于按灰度值进行等级划分；
占比计算单元，用于计算各个等级的占比；
明暗度判断单元，用于根据所述占比，判断所述车辆图片中目标区域部分的明暗度。
美化模块405，用于根据识别出的颜色、判断出的明暗度和预设的美化参数，美化所述车辆图片中的目标区域部分。
在本发明实施例中，该装置还可以包括美化参数预设模块，该美化参数预设模块具体可以包括：
分类确定单元，用于确定颜色分类和明暗度分类；
组合类别确定单元，用于将颜色和明暗度进行排列组合，确定颜色和明暗度的组合类别；
美化参数预设单元，用于针对每个所述组合类别，预设所述美化参数。
利用本发明实施例提供的装置对车辆图片进行美化，能够自动识别需要美化的车身区域以及图片自身的颜色和明暗度，进而有针对性地进行美化，从而能够提高美化效率和美化效果。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以生成一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令生成用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令生成包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以生成计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种车辆图片智能美化的方法及装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种车辆图片智能美化的方法，其特征在于，所述方法包括：
检测待美化的车辆图片中车身所在的目标区域；
识别所述车辆图片中目标区域部分的颜色；
判断所述车辆图片中目标区域部分的明暗度；
根据识别出的颜色、判断出的明暗度和预设的美化参数，美化所述车辆图片中的目标区域部分。
2.如权利要求1所述的方法，其特征在于，所述检测待美化车辆图片中车身所在的目标区域的步骤之前，包括：
在训练样本上标记出车身所在区域的标签框；
将带有所述标签框的训练样本加载到SSD网络中；
在SSD网络中，生成多个带有默认框的特征图；
将所述默认框与所述标签框进行匹配，获得所述默认框的模型损失；
在所述SSD网络中反向传播所述模型损失，优化所述SSD网络的各层参数，获得车身检测模型；
将待美化的车辆图片输入所述车身检测模型中，以检测待美化的车辆图片中车身所在的目标区域。
3.如权利要求2所述的方法，其特征在于，将所述默认框与所述标签框进行匹配，获得所述默认框的模型损失的步骤，包括：
将所述默认框与所述标签框进行匹配，获得所述默认框的位置损失；
将所述默认框与所述标签框进行匹配，获得所述默认框的置信损失；
将所述位置损失和所述置信损失进行相加，获得所述默认框的模型损失。
4.如权利要求1所述的方法，其特征在于，判断所述车辆图片中目标区域部分的明暗度的步骤，包括：
将所述车辆图片中的目标区域部分转换为灰度图像；
按灰度值进行等级划分；
计算各个等级的占比；
根据所述占比，判断所述车辆图片中目标区域部分的明暗度。
5.如权利要求1所述的方法，其特征在于，所述根据识别出的颜色、判断出的明暗度和预设的美化参数，美化所述车辆图片中的目标区域部分的步骤之前，还包括：
确定颜色分类和明暗度分类；
将颜色和明暗度进行排列组合，确定颜色和明暗度的组合类别；
针对每个所述组合类别，预设所述美化参数。
6.一种车辆图片智能美化的方法的装置，其特征在于，包括：
目标区域检测模块，用于检测待美化的车辆图片中车身所在的目标区域；
颜色识别模块，用于识别所述车辆图片中目标区域部分的颜色；
明暗度判断模块，用于判断所述车辆图片中目标区域部分的明暗度；
美化模块，用于根据识别出的颜色、判断出的明暗度和预设的美化参数，美化所述车辆图片中的目标区域部分。
7.如权利要求6所述的装置，其特征在于，所述装置还包括：
标签框标记单元，用于在训练样本上标记出车身所在区域的标签框；
标签框加载单元，用于将带有所述标签框的训练样本加载到SSD网络中；
特征图生成单元，用于在SSD网络中，生成多个带有默认框的特征图；
模型损失获得单元，用于将所述默认框与所述标签框进行匹配，获得所述默认框的模型损失；
参数优化单元，用于在所述SSD网络中反向传播所述模型损失，优化所述SSD网络的各层参数，获得车身检测模型；
输入单元，用于将待美化的车辆图片输入所述车身检测模型中，以检测待美化的车辆图片中车身所在的目标区域。
8.如权利要求7所述的装置，其特征在于，模型损失获得单元包括：
位置损失获得子单元，用于将所述默认框与所述标签框进行匹配，获得所述默认框的位置损失；
置信损失获得子单元，用于将所述默认框与所述标签框进行匹配，获得所述默认框的置信损失；
模型损失获得子单元，用于将所述位置损失和所述置信损失进行相加，获得所述默认框的模型损失。
9.如权利要求6所述的装置，其特征在于，所述明暗度判断模块包括：
灰度图像转换单元，用于将所述车辆图片中的目标区域部分转换为灰度图像；
等级划分单元，用于按灰度值进行等级划分；
占比计算单元，用于计算各个等级的占比；
明暗度判断单元，用于根据所述占比，判断所述车辆图片中目标区域部分的明暗度。
10.如权利要求6所述的装置，其特征在于，所述装置还包括：
分类确定单元，用于确定颜色分类和明暗度分类；
组合类别确定单元，用于将颜色和明暗度进行排列组合，确定颜色和明暗度的组合类别；
美化参数预设单元，用于针对每个所述组合类别，预设所述美化参数。
CN201710378207.6A 2017-05-24 2017-05-24 一种车辆图片智能美化的方法及装置 Pending CN108932739A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710378207.6A CN108932739A (zh) 2017-05-24 2017-05-24 一种车辆图片智能美化的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710378207.6A CN108932739A (zh) 2017-05-24 2017-05-24 一种车辆图片智能美化的方法及装置

Publications (1)

Publication Number Publication Date
CN108932739A true CN108932739A (zh) 2018-12-04

Family

ID=64450945

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710378207.6A Pending CN108932739A (zh) 2017-05-24 2017-05-24 一种车辆图片智能美化的方法及装置

Country Status (1)

Country Link
CN (1) CN108932739A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111917998A (zh) * 2020-08-12 2020-11-10 惠州市康冠科技有限公司 基于GPUImgae的智能电视特效相机生成方法、装置及智能电视

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101324722A (zh) * 2007-06-13 2008-12-17 深圳Tcl新技术有限公司 一种液晶显示器背光亮度和对比度调整的方法
CN104537612A (zh) * 2014-08-05 2015-04-22 华南理工大学 一种自动的人脸图像皮肤美化方法
CN106570477A (zh) * 2016-10-28 2017-04-19 中国科学院自动化研究所 基于深度学习的车型识别模型构建方法及车型识别方法
CN106600581A (zh) * 2016-12-02 2017-04-26 北京航空航天大学 一种基于双目立体视觉的列车运行故障自动检测系统及方法
CN106611162A (zh) * 2016-12-20 2017-05-03 西安电子科技大学 基于深度学习ssd框架的道路车辆实时检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101324722A (zh) * 2007-06-13 2008-12-17 深圳Tcl新技术有限公司 一种液晶显示器背光亮度和对比度调整的方法
CN104537612A (zh) * 2014-08-05 2015-04-22 华南理工大学 一种自动的人脸图像皮肤美化方法
CN106570477A (zh) * 2016-10-28 2017-04-19 中国科学院自动化研究所 基于深度学习的车型识别模型构建方法及车型识别方法
CN106600581A (zh) * 2016-12-02 2017-04-26 北京航空航天大学 一种基于双目立体视觉的列车运行故障自动检测系统及方法
CN106611162A (zh) * 2016-12-20 2017-05-03 西安电子科技大学 基于深度学习ssd框架的道路车辆实时检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WEI LIU: "SSD：Single Shot MultiBox Detector", 《COMPUTER VISION-ECCV2016》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111917998A (zh) * 2020-08-12 2020-11-10 惠州市康冠科技有限公司 基于GPUImgae的智能电视特效相机生成方法、装置及智能电视

Similar Documents

Publication Publication Date Title
CN110659646A (zh) 一种多任务证件图像自动处理方法、装置、设备及可读存储介质
CN109284733B (zh) 一种基于yolo和多任务卷积神经网络的导购消极行为监控方法
CN107784654A (zh) 图像分割方法、装置及全卷积网络系统
CN109688351B (zh) 一种图像信号处理方法、装置及设备
CN104750737B (zh) 一种相册管理方法及装置
JP2021531571A (ja) 証明書画像抽出方法及び端末機器
CN107153838A (zh) 一种照片自动分级方法及装置
CN104168378A (zh) 一种基于人脸识别的图片分组方法及装置
WO2021115419A1 (zh) 图像处理方法、终端及存储介质
CN109410211A (zh) 一种图像中目标物体的分割方法及装置
CN105279487A (zh) 美颜工具筛选方法和系统
CN107633237A (zh) 图像背景分割方法、装置、设备及介质
CN111311485B (zh) 图像处理方法及相关装置
CN108024105A (zh) 图像色彩调节方法、装置、电子设备及存储介质
CN107358243A (zh) 一种布料识别的方法和设备
CN107172354A (zh) 视频处理方法、装置、电子设备及存储介质
CN111209858A (zh) 一种基于深度卷积神经网络的实时车牌检测方法
CN111144215B (zh) 图像处理方法、装置、电子设备及存储介质
CN107040726A (zh) 双摄像头同步曝光方法及系统
CN108898082A (zh) 图片处理方法、图片处理装置及终端设备
CN102915449B (zh) 一种照片分类方法
CN104823437A (zh) 一种图片处理方法、装置
CN110069959A (zh) 一种人脸检测方法、装置及用户设备
CN110188627A (zh) 一种人脸图像过滤方法及装置
CN108875759A (zh) 一种图像处理方法、装置及服务器

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181204