CN112613363B - 一种车辆图像划分的方法、装置及存储介质 - Google Patents

一种车辆图像划分的方法、装置及存储介质 Download PDF

Info

Publication number
CN112613363B
CN112613363B CN202011457779.1A CN202011457779A CN112613363B CN 112613363 B CN112613363 B CN 112613363B CN 202011457779 A CN202011457779 A CN 202011457779A CN 112613363 B CN112613363 B CN 112613363B
Authority
CN
China
Prior art keywords
feature map
correlation value
image
vehicle
initial feature
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.)
Active
Application number
CN202011457779.1A
Other languages
English (en)
Other versions
CN112613363A (zh
Inventor
王耀农
敦婧瑜
薛佳乐
张湾湾
李轶锟
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.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua Technology Co 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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202011457779.1A priority Critical patent/CN112613363B/zh
Publication of CN112613363A publication Critical patent/CN112613363A/zh
Application granted granted Critical
Publication of CN112613363B publication Critical patent/CN112613363B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • 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
    • G06F18/2163—Partitioning the feature space
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种车辆图像划分的方法、装置及存储介质，用以解决现有技术中存在的不能准确划分车身的技术问题，该方法包括：对待检测的车辆图像进行水平镜像操作，用已训练好的预设卷积神经网络分别提取车辆图像和镜像后的车辆图像中的图像特征，获得初始特征图和镜像特征图；分别从第一方向和与第一方向相反的第二方向计算初始特征图和镜像特征图的相关性，得到初始特征图和镜像特征图在第一方向的相关性计算中最大的第一相关性值，及在第二方向的相关性计算中最大的第二相关性值；对将第一相关性值和第二相关性值进行比较，确定初始特征图中表征车身与非车身部分的特征分割位置，并将其从初始特征图映射到车辆图像中确定车身。

Description

一种车辆图像划分的方法、装置及存储介质
技术领域
本发明涉及深度学习技术领域，尤其是涉及一种车辆图像划分的方法、装置及存储介质。
背景技术
在交通场景下抓拍车辆图像，通常要求摄像头正对车头或车尾。
但在一些情况下，受安装条件或场景限制，拍摄到的车辆图像中车辆角度比较大。在对车辆图像中的车辆区域进行检测时，车辆的侧身占了很大一部分，不利于后续进行车牌识别或其它一些应用。但当车辆角度较小，只检测到车头或车尾，又不利于车型判断。
在对车辆图像进行识别时，如何准确划分出车辆图像中的车身成为一个亟待解决的技术问题。
发明内容
本发明提供一种车辆图像划分的方法、装置及存储介质，用以解决现有技术中存在的不能准确划分车身的技术问题。
第一方面，为解决上述技术问题，本发明实施例提供的一种车辆图像划分的方法的技术方案如下：
采用已训练好的预设卷积神经网络从待检测的车辆图像中提取图像特征，获得对应的初始特征图；
对所述车辆图像进行水平镜像操作，并用所述预设卷积神经网络提取图像特征，获得镜像特征图；
分别从第一方向和与所述第一方向相反的第二方向计算所述初始特征图和所述镜像特征图的相关性，得到所述初始特征图和所述镜像特征图在所述第一方向的相关性计算中最大的第一相关性值，以及在所述第二方向的相关性计算中最大的第二相关性值；
对将所述第一相关性值和第二相关性值进行比较，确定所述初始特征图中表征车身与非车身部分的特征分割位置，将所述特征分割位置从所述初始特征图映射到所述车辆图像中确定所述车身。
一种可能的实施方式，分别从第一方向和与所述第一方向相反的第二方向计算所述初始特征图和所述镜像特征图的相关性，包括：
对所述第一方向或所述第二方向中的任一方向执行下列操作：
沿所述任一方向将所述镜像特征图相对于所述初始特征图按预设步长移动，每移动一次计算一次所述初始特征图和所述镜像特征图重叠部分的相关性值，直至所述初始特征图和所述镜像特征图完全重叠，获得所述任一方向对应的所有相关性值组成的集合；
所述任一方向为所述第一方向时所述集合为第一集合；
所述任一方向为所述第二方向时，所述集合为第二集合；
从所述第一集合中选取最大值作为所述第一相关性值，从所述第二集合中选取最大值作为所述第二相关性值。
一种可能的实施方式，计算所述初始特征图和所述镜像特征图重叠部分的相关性值，包括：
分别计算所述重叠部分在所述初始特征图和所述镜像特征图中的标准差，获得与所述初始特征图对应的第一标准差，以及与所述镜像特征图对应的第二标准差；
对所述第一标准差与所述第二标准差进行积运算，获得积运算结果；
计算所述重叠部分的协方差；
对所述协方差与所述积运算结果进行商运算，获得所述相关性值。
一种可能的实施方式，对所述第一方向和所述第二方向对应的相关性值进行比较，确定所述初始特征图中表征车身与非车身部分的特征分割位置，包括：
从所述第一相关性值与所述第二相关性值中选取最大的一个值在所述初始特征图中对应特征的像素位置作为所述特征分割位置。
一种可能的实施方式，从所述第一相关性值与所述第二相关性值中选取最大的一个值在所述初始特征图中对应特征的像素位置作为所述特征分割位置，包括：
若所述第一相关性值大于所述第二相关性值，则将与所述第一相关性值在所述初始特征图中对应特征的像素位置作为所述特征分割位置；
若所述第一相关性值小于所述第二相关性值，则将与所述第二相关性值在所述初始特征图中对应特征的像素位置作为所述特征分割位置。
一种可能的实施方式，将所述特征分割位置从所述初始特征图映射到所述车辆图像中确定所述车身，包括：
根据预设的下采样倍数，将所述特征分割位置从所述初始特征图映射到所述车辆图像中，确定所述车身的边界位置；其中，所述下采样倍数为用所述卷积神经网络从所述车辆图像中提取图像特征时使用的下采样倍数；
根据所述边界位置确定所述车身。
第二方面，本发明实施例提供了一种车辆图像划分的装置，包括：
提取单元，用于采用已训练好的预设卷积神经网络从待检测的车辆图像中提取图像特征，获得对应的初始特征图；
镜像单元，用于对所述车辆图像进行水平镜像操作，并用所述预设卷积神经网络提取图像特征，获得镜像特征图；
计算单元，用于分别从第一方向和与所述第一方向相反的第二方向计算所述初始特征图和所述镜像特征图的相关性，得到所述初始特征图和所述镜像特征图在所述第一方向的相关性计算中最大的第一相关性值，以及在所述第二方向的相关性计算中最大的第二相关性值；
划分单元，用于对将所述第一相关性值和第二相关性值进行比较，确定所述初始特征图中表征车身与非车身部分的特征分割位置，将所述特征分割位置从所述初始特征图映射到所述车辆图像中确定所述车身。
一种可能的实施方式，所述计算单元还用于：
对所述第一方向或所述第二方向中的任一方向执行下列操作：
沿所述任一方向将所述镜像特征图相对于所述初始特征图按预设步长移动，每移动一次计算一次所述初始特征图和所述镜像特征图重叠部分的相关性值，直至所述初始特征图和所述镜像特征图完全重叠，获得所述任一方向对应的所有相关性值组成的集合；
所述任一方向为所述第一方向时所述集合为第一集合；
所述任一方向为所述第二方向时，所述集合为第二集合；
从所述第一集合中选取最大值作为所述第一相关性值，从所述第二集合中选取最大值作为所述第二相关性值。
一种可能的实施方式，所述计算单元还用于：
分别计算所述重叠部分在所述初始特征图和所述镜像特征图中的标准差，获得与所述初始特征图对应的第一标准差，以及与所述镜像特征图对应的第二标准差；
对所述第一标准差与所述第二标准差进行积运算，获得积运算结果；
计算所述重叠部分的协方差；
对所述协方差与所述积运算结果进行商运算，获得所述相关性值。
一种可能的实施方式于，所述划分单元还用于：
从所述第一相关性值与所述第二相关性值中选取最大的一个值在所述初始特征图中对应特征的像素位置作为所述特征分割位置。
一种可能的实施方式，所述划分单元还用于：
若所述第一相关性值大于所述第二相关性值，则将与所述第一相关性值在所述初始特征图中对应特征的像素位置作为所述特征分割位置；
若所述第一相关性值小于所述第二相关性值，则将与所述第二相关性值在所述初始特征图中对应特征的像素位置作为所述特征分割位置。
一种可能的实施方式，所述划分单元还用于：
根据预设的下采样倍数，将所述特征分割位置从所述初始特征图映射到所述车辆图像中，确定所述车身的边界位置；其中，所述下采样倍数为用所述卷积神经网络从所述车辆图像中提取图像特征时使用的下采样倍数；
根据所述边界位置确定所述车身。
第三方面，本发明实施例还提供一种车辆划分的装置，包括：
至少一个处理器，以及
与所述至少一个处理器连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令，执行如上述第一方面所述的方法。
第四方面，本发明实施例还提供一种可读存储介质，包括：
存储器，
所述存储器用于存储指令，当所述指令被处理器执行时，使得包括所述可读存储介质的装置完成如上述第一方面所述的方法。
通过本发明实施例的上述一个或多个实施例中的技术方案，本发明实施例至少具有如下技术效果：
在本发明提供的实施例中，由于直接使用已训练好的预设卷积神经网络作为提取图像特征的提取器，因此无需对预设卷积神经网络进行重新训练，也就无需准备打好标签的样本图像，这样通过使用预设卷积神经网络从待检测的车辆图像中提取图像特征，获得对应的初始特征图，能避免前期进行繁杂的标注工作、节约人力成本、提高方案的自适应能力；在获得车辆图像的初始特征图后，对车辆图像进行水平镜像操作，并用预设卷积神经网络提取图像特征，获得镜像特征图；并分别从第一方向和与第一方向相反的第二方向计算初始特征图和镜像特征图的相关性，得到初始特征图和镜像特征图在第一方向的相关性计算中最大的第一相关性值，以及在第二方向的相关性计算中最大的第二相关性值；对将第一相关性值和第二相关性值进行比较，确定初始特征图中表征车身与非车身部分的特征分割位置，将特征分割位置从初始特征图映射到车辆图像中确定车身，从而提高划分车身的准确率。
附图说明
图1为本发明实施例提供的一种车辆图像划分方法的流程图；
图2为本发明实施例提供的将车辆图像水平镜像为镜像后的车辆图像的示意图；
图3为本发明实施例提供的沿第一方向将镜像特征图相对于初始特征图按预设步长移动的示意图；
图4为本发明实施例提供的沿第二方向将镜像特征图相对于初始特征图按预设步长移动的示意图；
图5为本发明实施例提供的根据特征分割位置映射到车辆图中车身的边界位置示意图；
图6为本发明实施例提供的一种车辆图像划分装置的结构示意图。
具体实施方式
本发明实施列提供一种车辆图像划分的方法、装置及存储介质，用以解决现有技术中存在的不能准确划分车身的技术问题。
本申请实施例中的技术方案为解决上述的技术问题，总体思路如下：
提供一种车辆图像划分的方法，包括：采用已训练好的预设卷积神经网络从待检测的车辆图像中提取图像特征，获得对应的初始特征图；对车辆图像进行水平镜像操作，并用预设卷积神经网络提取图像特征，获得镜像特征图；分别从第一方向和与第一方向相反的第二方向计算初始特征图和镜像特征图的相关性，得到初始特征图和镜像特征图在第一方向的相关性计算中最大的第一相关性值，以及在第二方向的相关性计算中最大的第二相关性值；对将第一相关性值和第二相关性值进行比较，确定初始特征图中表征车身与非车身部分的特征分割位置，将特征分割位置从初始特征图映射到车辆图像中确定车身。
在上述方案中，由于直接使用已训练好的预设卷积神经网络作为提取图像特征的提取器，因此无需对预设卷积神经网络进行重新训练，也就无需准备打好标签的样本图像，这样通过使用预设卷积神经网络从待检测的车辆图像中提取图像特征，获得对应的初始特征图，能避免前期进行繁杂的标注工作、节约人力成本、提高方案的自适应能力；在获得车辆图像的初始特征图后，对车辆图像进行水平镜像操作，并用预设卷积神经网络提取图像特征，获得镜像特征图；并分别从第一方向和与第一方向相反的第二方向计算初始特征图和镜像特征图的相关性，得到初始特征图和镜像特征图在第一方向的相关性计算中最大的第一相关性值，以及在第二方向的相关性计算中最大的第二相关性值；对将第一相关性值和第二相关性值进行比较，确定初始特征图中表征车身与非车身部分的特征分割位置，将特征分割位置从初始特征图映射到车辆图像中确定车身，从而提高划分车身的准确率。
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。
请参考图1，本发明实施例提供一种车辆图像划分的方法，该方法的处理过程如下。
步骤101：采用已训练好的预设卷积神经网络从待检测的车辆图像中提取图像特征，获得对应的初始特征图。其中，已训练好的预设卷积神经网络包括其它车辆识别任务中训练好的神经网络。
步骤102：对车辆图像进行水平镜像操作，并用预设卷积神经网络提取图像特征，获得镜像特征图。
使用卷积神经网络从待检测图像中提取特征，可以将这些特征抽象成一个初始特征图，该初始特征图可以用一个矩阵进行表示，矩阵中的元素与初始特征图中的像素一一对应，与初始特征图对应的矩阵可以用矩阵(1)表示。
其中，l∈[1，c]，c为特征通道数，m、n分别为特征高宽。
请参见图2为本发明实施例提供的将车辆图像水平镜像为镜像后的车辆图像的示意图。对车辆图像进行水平镜像操作，得到镜像后的车辆图像，然后用预设卷积神经网络从镜像后的车辆图像中提取图像特征，便可获得镜像特征图，该镜像特征图可以用与矩阵(1)类似的矩阵进行表示，请参见矩阵(2)。
在获得镜像特征图之后，便可执行步骤103。
步骤103：分别从第一方向和与第一方向相反的第二方向计算初始特征图和镜像特征图的相关性，得到初始特征图和镜像特征图在第一方向的相关性计算中最大的第一相关性值，以及在第二方向的相关性计算中最大的第二相关性值。
分别从第一方向和与所述第一方向相反的第二方向计算所述初始特征图和所述镜像特征图的相关性，可以通过下列方式实现：
对第一方向或第二方向中的任一方向执行下列操作：
沿任一方向将镜像特征图相对于初始特征图按预设步长移动，每移动一次计算一次初始特征图和镜像特征图重叠部分的相关性值，直至初始特征图和镜像特征图完全重叠，获得任一方向对应的所有相关性值组成的集合。
任一方向为第一方向时集合为第一集合；任一方向为第二方向时，集合为第二集合；从第一集合中选取最大值作为第一相关性值，从第二集合中选取最大值作为第二相关性值。
请参见图3为本发明实施例提供的沿第一方向将镜像特征图相对于初始特征图按预设步长移动的示意图。预设步长可以是1列像素，即镜像特征图相对于初始特征图沿第一方向每次移动一列像素，直至它们完全重叠，这就相当于镜像特征图相对于初始特征图沿第一方向滑动，每滑动一次计算一次它们重叠部分的相关性值。
同理，当镜像特征图沿第二方向相对于初始特征图滑动时，请参见图4为本发明实施例提供的沿第二方向将镜像特征图相对于初始特征图按预设步长移动的示意图。
需要说明的是，为了便于理解在图3～图4中使用的图像实际是车辆图像和镜像后的车辆图像，而非真实的初始特征图和镜像特征图，真实的初始特征图和镜像特征图是由上述矩阵(1)和矩阵(2)构成的。
计算所述初始特征图和所述镜像特征图重叠部分的相关性值，可以采用下列方式实现：
分别计算重叠部分在初始特征图和镜像特征图中的标准差，获得与初始特征图对应的第一标准差，以及与镜像特征图对应的第二标准差；对第一标准差与第二标准差进行积运算，获得积运算结果；计算重叠部分的协方差；将协方差与积运算结果作为相关性值。
镜像特征图沿第一方向移动时，第一标准差、第二标准差的计算公式为：
其中，X为初始特征图中对应的重叠部分，Y为镜像特征图中对应的重叠部分，j∈[1，n-1]，σj(X)为第一标准差、σj(Y)为第二标准差，E代表对应变量的期望，公式(3)、公式(4)中Ej(X2)、Ej(X)2、Ej(Y2)、Ej(Y)2的计算公式如公式(5)～公式(6)所示。
对第一标准差与第二标准差进行积运算，获得积运算结果为：σj(X)·σj(Y)。
计算重叠部分的协方差，所采用的公式为：
Covj＝Ej(XY)-Ej(X)Ej(Y) (9)；
其中，Covj为重叠部分的协方差，Ej(XY)的计算公式为：
对协方差与积运算结果进行商运算获得相关性值，相关性值(记为νj(XY))的计算公式为：
νj(XY)＝Covj/(σj(X)σj(Y)) (11)。
镜像特征图沿第二方向移动时，计算出的第一标准差记为σt(X)、第二标准差σt(Y)、协方差记为Covt、相关性值记为νt(XY)，上述值的计算公式与沿第一方向移动时的相应值的计算方式相同，在此不再赘述。
通过上述方式计算出每次移动后对应的相关性值后，将沿第一方向移动时计算出的所有相关性值形成第一集合，将沿第二方向移动时计算出的所有相关性值形成第二集合，并从第一集合中选取最大的相关性值作为第一相关性值，从第二集合中选取最大的相关性值作为第二相关性值。
在获得第一相关性值和第二相关性值后便可执行步骤104。
步骤104：对将第一相关性值和第二相关性值进行比较，确定初始特征图中表征车身与非车身部分的特征分割位置，将特征分割位置从初始特征图映射到车辆图像中确定车身。
对第一方向和第二方向对应的相关性值进行比较，确定初始特征图中表征车身与非车身部分的特征分割位置，可以采用下列方式实现：
从第一相关性值与第二相关性值中选取最大的一个值在初始特征图中对应特征的像素位置作为特征分割位置。具体为：若第一相关性值大于第二相关性值，则将与第一相关性值在初始特征图中对应特征的像素位置作为特征分割位置；若第一相关性值小于第二相关性值，则将与第二相关性值在初始特征图中对应特征的像素位置作为特征分割位置。
在本发明提供的实施例中，将特征分割位置从初始特征图映射到车辆图像中确定车身，可以采用下列方式实现：
根据预设的下采样倍数，将特征分割位置从初始特征图映射到车辆图像中，确定车身的边界位置；其中，下采样倍数为用卷积神经网络从车辆图像中提取图像特征时使用的下采样倍数；根据边界位置确定车身。
请参见图5为本发明实施例提供的根据特征分割位置映射到车辆图中车身的边界位置示意图。映射到车辆图像中的边界位置如图5中白色虚线所示。
基于同一发明构思，本发明一实施例中提供一种车辆图像划分的装置，该装置的车辆图像划分方法的具体实施方式可参见方法实施例部分的描述，重复之处不再赘述，请参见图6，该装置包括：
提取单元601，用于采用已训练好的预设卷积神经网络从待检测的车辆图像中提取图像特征，获得对应的初始特征图；
镜像单元602，用于对所述车辆图像进行水平镜像操作，并用所述预设卷积神经网络提取图像特征，获得镜像特征图；
计算单元603，用于分别从第一方向和与所述第一方向相反的第二方向计算所述初始特征图和所述镜像特征图的相关性，得到所述初始特征图和所述镜像特征图在所述第一方向的相关性计算中最大的第一相关性值，以及在所述第二方向的相关性计算中最大的第二相关性值；
划分单元604，用于对将所述第一相关性值和第二相关性值进行比较，确定所述初始特征图中表征车身与非车身部分的特征分割位置，将所述特征分割位置从所述初始特征图映射到所述车辆图像中确定所述车身。
一种可能的实施方式，所述计算单元603还用于：
对所述第一方向或所述第二方向中的任一方向执行下列操作：
沿所述任一方向将所述镜像特征图相对于所述初始特征图按预设步长移动，每移动一次计算一次所述初始特征图和所述镜像特征图重叠部分的相关性值，直至所述初始特征图和所述镜像特征图完全重叠，获得所述任一方向对应的所有相关性值组成的集合；
所述任一方向为所述第一方向时所述集合为第一集合；
所述任一方向为所述第二方向时，所述集合为第二集合；
从所述第一集合中选取最大值作为所述第一相关性值，从所述第二集合中选取最大值作为所述第二相关性值。
一种可能的实施方式，所述计算单元603还用于：
分别计算所述重叠部分在所述初始特征图和所述镜像特征图中的标准差，获得与所述初始特征图对应的第一标准差，以及与所述镜像特征图对应的第二标准差；
对所述第一标准差与所述第二标准差进行积运算，获得积运算结果；
计算所述重叠部分的协方差；
对所述协方差与所述积运算结果进行商运算，获得所述相关性值。
一种可能的实施方式于，所述划分单元604还用于：
从所述第一相关性值与所述第二相关性值中选取最大的一个值在所述初始特征图中对应特征的像素位置作为所述特征分割位置。
一种可能的实施方式，所述划分单元604还用于：
若所述第一相关性值大于所述第二相关性值，则将与所述第一相关性值在所述初始特征图中对应特征的像素位置作为所述特征分割位置；
若所述第一相关性值小于所述第二相关性值，则将与所述第二相关性值在所述初始特征图中对应特征的像素位置作为所述特征分割位置。
一种可能的实施方式，所述划分单元604还用于：
根据预设的下采样倍数，将所述特征分割位置从所述初始特征图映射到所述车辆图像中，确定所述车身的边界位置；其中，所述下采样倍数为用所述卷积神经网络从所述车辆图像中提取图像特征时使用的下采样倍数；
根据所述边界位置确定所述车身。
基于同一发明构思，本发明实施例中提供了一种车辆图像划分的装置，包括：至少一个处理器，以及
与所述至少一个处理器连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令，执行如上所述的车辆图像划分方法。
基于同一发明构思，本发明实施例还提一种可读存储介质，包括：
存储器，
所述存储器用于存储指令，当所述指令被处理器执行时，使得包括所述可读存储介质的装置完成如上所述的车辆图像划分方法。
本领域内的技术人员应明白，本发明实施例可提供为方法、系统、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、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设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生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产生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设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程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。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种车辆图像划分的方法，其特征在于，包括：
采用已训练好的预设卷积神经网络从待检测的车辆图像中提取图像特征，获得对应的初始特征图；
对所述车辆图像进行水平镜像操作，并用所述预设卷积神经网络提取图像特征，获得镜像特征图；
分别沿两个相反方向将所述镜像特征图相对于所述初始特征图按预设步长移动，每移动一次计算一次所述初始特征图和所述镜像特征图重叠部分的相关性值，直至所述初始特征图和所述镜像特征图完全重叠，获得所述两个相反方向分别对应的所有相关性值组成的集合，从所述两个相反方向分别对应的所有相关性值组成的集合中，选取最大值作为所述初始特征图和所述镜像特征图在所述两个相反方向分别对应的最大的第一相关性值和第二相关性值；
对所述第一相关性值和第二相关性值进行比较，确定所述初始特征图中表征车身与非车身部分的特征分割位置，将所述特征分割位置从所述初始特征图映射到所述车辆图像中确定所述车身。
2.如权利要求1所述的方法，其特征在于，计算所述初始特征图和所述镜像特征图重叠部分的相关性值，包括：
分别计算所述重叠部分在所述初始特征图和所述镜像特征图中的标准差，获得与所述初始特征图对应的第一标准差，以及与所述镜像特征图对应的第二标准差；
对所述第一标准差与所述第二标准差进行积运算，获得积运算结果；
计算所述重叠部分的协方差；
对所述协方差与所述积运算结果进行商运算，获得所述相关性值。
3.如权利要求1所述的方法，其特征在于，对所述第一相关性值和所述第二相关性值进行比较，确定所述初始特征图中表征车身与非车身部分的特征分割位置，包括：
从所述第一相关性值与所述第二相关性值中选取最大的一个值在所述初始特征图中对应特征的像素位置作为所述特征分割位置。
4.如权利要求3所述的方法，其特征在于，从所述第一相关性值与所述第二相关性值中选取最大的一个值在所述初始特征图中对应特征的像素位置作为所述特征分割位置，包括：
若所述第一相关性值大于所述第二相关性值，则将与所述第一相关性值在所述初始特征图中对应特征的像素位置作为所述特征分割位置；
若所述第一相关性值小于所述第二相关性值，则将与所述第二相关性值在所述初始特征图中对应特征的像素位置作为所述特征分割位置。
5.如权利要求4所述的方法，其特征在于，将所述特征分割位置从所述初始特征图映射到所述车辆图像中确定所述车身，包括：
根据预设的下采样倍数，将所述特征分割位置从所述初始特征图映射到所述车辆图像中，确定所述车身的边界位置；其中，所述下采样倍数为用所述卷积神经网络从所述车辆图像中提取图像特征时使用的下采样倍数；
根据所述边界位置确定所述车身。
6.一种车辆图像划分的装置，其特征在于，包括：
提取单元，用于采用已训练好的预设卷积神经网络从待检测的车辆图像中提取图像特征，获得对应的初始特征图；
镜像单元，用于对所述车辆图像进行水平镜像操作，并用所述预设卷积神经网络提取图像特征，获得镜像特征图；
计算单元，用于分别沿两个相反方向将所述镜像特征图相对于所述初始特征图按预设步长移动，每移动一次计算一次所述初始特征图和所述镜像特征图重叠部分的相关性值，直至所述初始特征图和所述镜像特征图完全重叠，获得所述两个相反方向分别对应的所有相关性值组成的集合，从所述两个相反方向分别对应的所有相关性值组成的集合中，选取最大值作为所述初始特征图和所述镜像特征图在所述两个相反方向分别对应的最大的第一相关性值和第二相关性值；
划分单元，用于对所述第一相关性值和第二相关性值进行比较，确定所述初始特征图中表征车身与非车身部分的特征分割位置，将所述特征分割位置从所述初始特征图映射到所述车辆图像中确定所述车身。
7.一种基于卷积神经网络的车身划分装置，其特征在于，包括：
至少一个处理器，以及
与所述至少一个处理器连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令，执行如权利要求1-5任一项所述的方法。
8.一种可读存储介质，其特征在于，包括存储器，
所述存储器用于存储指令，当所述指令被处理器执行时，使得包括所述可读存储介质的装置完成如权利要求1～5中任一项所述的方法。
CN202011457779.1A 2020-12-11 2020-12-11 一种车辆图像划分的方法、装置及存储介质 Active CN112613363B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011457779.1A CN112613363B (zh) 2020-12-11 2020-12-11 一种车辆图像划分的方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011457779.1A CN112613363B (zh) 2020-12-11 2020-12-11 一种车辆图像划分的方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN112613363A CN112613363A (zh) 2021-04-06
CN112613363B true CN112613363B (zh) 2024-04-05

Family

ID=75233379

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011457779.1A Active CN112613363B (zh) 2020-12-11 2020-12-11 一种车辆图像划分的方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN112613363B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930552A (zh) * 2012-11-22 2013-02-13 北京理工大学 基于对称结构减影的脑肿瘤自动提取方法
CN108873097A (zh) * 2018-05-08 2018-11-23 上海极歌企业管理咨询中心（有限合伙） 无人停车库中载车板停车时的安全检测方法及装置
WO2018233038A1 (zh) * 2017-06-23 2018-12-27 平安科技（深圳）有限公司 基于深度学习的车牌识别方法、装置、设备及存储介质
CN109584300A (zh) * 2018-11-20 2019-04-05 浙江大华技术股份有限公司 一种确定车头朝向角度的方法及装置
CN111204346A (zh) * 2018-11-05 2020-05-29 通用汽车环球科技运作有限责任公司 用于自动车辆的控制命令的端对端学习的方法及系统
CN111666848A (zh) * 2020-05-27 2020-09-15 上海东普信息科技有限公司 运输车辆到站检测方法、装置、设备及存储介质
CN111967478A (zh) * 2020-07-08 2020-11-20 特斯联科技集团有限公司 一种基于权重翻转的特征图重构方法、系统、存储介质及终端

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109118459B (zh) * 2017-06-23 2022-07-19 南开大学 图像显著性物体检测方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930552A (zh) * 2012-11-22 2013-02-13 北京理工大学 基于对称结构减影的脑肿瘤自动提取方法
WO2018233038A1 (zh) * 2017-06-23 2018-12-27 平安科技（深圳）有限公司 基于深度学习的车牌识别方法、装置、设备及存储介质
CN108873097A (zh) * 2018-05-08 2018-11-23 上海极歌企业管理咨询中心（有限合伙） 无人停车库中载车板停车时的安全检测方法及装置
CN111204346A (zh) * 2018-11-05 2020-05-29 通用汽车环球科技运作有限责任公司 用于自动车辆的控制命令的端对端学习的方法及系统
CN109584300A (zh) * 2018-11-20 2019-04-05 浙江大华技术股份有限公司 一种确定车头朝向角度的方法及装置
CN111666848A (zh) * 2020-05-27 2020-09-15 上海东普信息科技有限公司 运输车辆到站检测方法、装置、设备及存储介质
CN111967478A (zh) * 2020-07-08 2020-11-20 特斯联科技集团有限公司 一种基于权重翻转的特征图重构方法、系统、存储介质及终端

Also Published As

Publication number Publication date
CN112613363A (zh) 2021-04-06

Similar Documents

Publication Publication Date Title
CN112132156B (zh) 多深度特征融合的图像显著性目标检测方法及系统
CN107506707B (zh) 采用嵌入式系统中的小规模卷积神经网络模块的人脸检测
CN105981051B (zh) 用于图像解析的分层互连多尺度卷积网络
JP6230751B1 (ja) 物体検出装置および物体検出方法
CN110097586B (zh) 一种人脸检测追踪方法及装置
WO2014001610A1 (en) Method, apparatus and computer program product for human-face features extraction
CN108765315B (zh) 图像补全方法、装置、计算机设备及存储介质
US20200265238A1 (en) Methods and Systems for Identification and Augmentation of Video Content
CN111696110A (zh) 场景分割方法及系统
CN110363790B (zh) 目标追踪方法、装置和计算机可读存储介质
CN111928842B (zh) 一种基于单目视觉实现slam定位的方法及相关装置
CN108122245B (zh) 一种目标行为描述方法、装置和监控设备
CA3136990A1 (en) PRINCIPAL POINT DETECTION METHOD OF A HUMAN BODY, APPARATUS, COMPUTER DEVICE AND STORAGE MEDIA
CN113112542A (zh) 一种视觉定位方法、装置、电子设备及存储介质
EP2998928B1 (en) Apparatus and method for extracting high watermark image from continuously photographed images
JP5441151B2 (ja) 顔画像追跡装置及び顔画像追跡方法並びにプログラム
CN111967529B (zh) 识别方法、装置、设备及系统
CN113542868A (zh) 视频关键帧选取方法、装置、电子设备、存储介质
CN112613363B (zh) 一种车辆图像划分的方法、装置及存储介质
US9191554B1 (en) Creating an electronic book using video-based input
CN108629786B (zh) 图像边缘检测方法及装置
CN104754248B (zh) 一种获取目标快照的方法及装置
CN113159032B (zh) 基于目标检测网络的目标跟踪方法、装置、设备及介质
Vaquero et al. SiamMT: Real-time arbitrary multi-object tracking
JP2022185872A5 (zh)

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