CN113011316B - 一种镜头状态的检测方法、装置、电子设备和介质 - Google Patents
一种镜头状态的检测方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN113011316B CN113011316B CN202110281571.7A CN202110281571A CN113011316B CN 113011316 B CN113011316 B CN 113011316B CN 202110281571 A CN202110281571 A CN 202110281571A CN 113011316 B CN113011316 B CN 113011316B
- Authority
- CN
- China
- Prior art keywords
- lens
- current
- historical
- determining
- detected
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 77
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Studio Devices (AREA)
- Mechanical Engineering (AREA)
Abstract
本公开公开了一种镜头状态的检测方法、装置、电子设备和介质，涉及图像处理技术领域，尤其涉及自动驾驶技术、云计算及云服务技术领域。具体实现方案为：根据目标行驶设备的待检测镜头在当前时刻采集的当前图像，确定所述当前图像包含的当前特征点；根据所述待检测镜头在历史时刻采集的历史图像，确定所述历史图像包含的历史特征点；将所述当前特征点与所述历史特征点进行匹配，并根据匹配结果确定所述待检测镜头的状态检测结果。本公开实现了确定目标行驶设备的待检测镜头的状态的效果，从而可避免由于待检测镜头状态异常，导致目标行驶设备存在安全隐患的问题。
Description
技术领域
本公开涉及图像处理技术领域，尤其涉及自动驾驶技术、云计算及云服务技术领域，特别涉及一种镜头状态的检测方法、装置、电子设备和介质。
背景技术
在自动驾驶或者辅助驾驶领域中，车辆的摄像头是关键传感器。自动驾驶车辆在行驶过程中若摄像头镜头存在脏污，将会给车辆提供错误的道路信息，如果不能够有效检测或识别到摄像头镜头存在脏污，可能会导致严重的安全事故。
然而目前还没有一套有效的方案来对车辆摄像头镜头的脏污进行检测。
发明内容
本公开提供了一种用于检测行驶设备镜头的状态的方法、装置、电子设备和介质。
根据本公开的一方面，提供了一种镜头状态的检测方法，包括：
根据目标行驶设备的待检测镜头在当前时刻采集的当前图像，确定所述当前图像包含的当前特征点；
根据所述待检测镜头在历史时刻采集的历史图像，确定所述历史图像包含的历史特征点；
将所述当前特征点与所述历史特征点进行匹配，并根据匹配结果确定所述待检测镜头的状态检测结果。
根据本公开的另一方面，提供了一种镜头状态的检测装置，包括：
当前特征点确定模块，用于根据目标行驶设备的待检测镜头在当前时刻采集的当前图像，确定所述当前图像包含的当前特征点；
历史特征点确定模块，用于根据所述待检测镜头在历史时刻采集的历史图像，确定所述历史图像包含的历史特征点；
检测结果确定模块，用于将所述当前特征点与所述历史特征点进行匹配，并根据匹配结果确定所述待检测镜头的状态检测结果。
根据本公开的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；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，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开中任一项所述的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本公开中任一项所述的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据本公开中任一项所述的方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开实施例公开的一种镜头状态的检测方法的流程图；
图2是根据本申请实施例公开的一种镜头状态的检测方法的流程图；
图3是根据本公开实施例公开的一种镜头状态的检测装置的结构示意图；
图4是用来实现本公开实施例公开的镜头状态的检测方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本公开实施例公开的一种镜头状态的检测方法的流程图，本实施例可以适用于检测行驶设备镜头的状态的情况。本实施例方法可以由镜头状态的检测装置来执行，所述装置可采用软件和/或硬件实现，并可集成在任意的具有计算能力的电子设备上。
如图1所示，本实施例公开的镜头状态的检测方法可以包括：
S101、根据目标行驶设备的待检测镜头在当前时刻采集的当前图像，确定所述当前图像包含的当前特征点。
其中，目标行驶设备包括但不限于汽车、电动车或助力车等处于行驶状态的交通设备。目标行驶设备搭载有用于采集周围环境图像的镜头，以使得目标行驶设备基于镜头采集到的图像做出自动驾驶决策，或者辅助驾驶决策，例如自动刹车或自动泊车等等。镜头的状态直接影响到采集图像的质量，从而间接的影响到目标行驶设备的行驶安全，因此需要对目标行驶设备搭载的镜头的状态进行检测，即本实施例中的待检测镜头。
在一种实施方式中，当目标行驶设备处于行驶状态时，即目标行驶设备的移动速度大于零时，则开启待检测镜头的图像采集功能，待检测镜头会按照预设周期进行图像采集，在待检测镜头在当前时刻采集到一张当前图像时，对当前图像按照预设间隔进行特征提取，特征提取的方法包括但不限于ORB(Oriented Fast and Rotated Brief，快速特征点提取和描述)算法、LBP(Local Binary Pattern，局部二值模式)算法或SIFT(Scale-invariant feature transform，尺度不变特征变换)算法等，得到当前图像包含的预设维度的当前特征点，当前特征点包括但不限于灰度值剧烈变化或曲率剧烈变化的像素点，其能够反映当前图像的本质特征。其中，当前特征点的预设维度可根据需求提前设置，可选的为128维。
通过根据目标行驶设备的待检测镜头在当前时刻采集的当前图像，确定当前图像包含的当前特征点，实现了获取当前图像的当前特征点效果，为后续与历史特征点进行特征点匹配奠定了数据基础。
S102、根据所述待检测镜头在历史时刻采集的历史图像，确定所述历史图像包含的历史特征点。
其中，历史时刻即当前时刻之前的时刻，相应的，历史图像即待检测镜头在历史时刻采集的图像，历史图像的数量可根据需求预先进行设置，可以想到的是，历史图像数量设置的越多，最终得到的待检测镜头的状态检测结果的准确性也就越高。
在一种实施方式中，待检测镜头在历史时刻采集的历史图像都会存储于目标行驶设备本地或者云端服务器中，从目标行驶设备本地或者云端服务器获取预设数量的历史图像，并对各历史图像按照预设间隔分别进行特征提取，得到各历史图像包含的预设维度的历史特征点。为了保证最终得到的待检测镜头的状态检测结果的准确性，对各历史图像进行特征提取时，涉及到的预设间隔、特征提取的方法以及特征点维度等参数，均与对当前图像进行特征提取时保持一致。
通过根据待检测镜头在历史时刻采集的历史图像，确定历史图像包含的历史特征点，实现了获取历史图像的历史特征点的效果，为后续与当前特征点进行特征点匹配奠定了数据基础。
S103、将所述当前特征点与所述历史特征点进行匹配，并根据匹配结果确定所述待检测镜头的状态检测结果。
其中，状态检测结果包括状态异常和状态正常两种结果。状态异常即表示待检测镜头的表面存在异物遮挡或者瑕疵裂纹等，此时待检测镜头采集的图像存在失真问题。状态正常即表示待检测镜头的表面不存在异物遮挡或者瑕疵裂纹等，相应的，待检测镜头采集的图像也不存在失真问题。
在一种实施方式中，采用预设的特征点匹配算法将当前特征点与历史特征点进行匹配，确定对于任一当前特征点，是否存在与该当前特征点相匹配的历史特征点，若存在，则表示目标行驶设备的待检测镜头采集的历史图像和当前图像中存在相近的图像内容，而由于目标行驶设备是处于行驶状态的，理论上不同时刻采集图像的图像内容是不同的，因此可确定相近的图像内容是由于待检测镜头的表面存在异物遮挡导致的，即待检测镜头的状态检测结果为状态异常；相应的，若不存在，则表示目标行驶设备的待检测镜头采集的历史图像和当前图像中不存在相近的图像内容，因此可确定待检测镜头的表面不存在异物遮挡的问题，即待检测镜头的状态检测结果为状态正常。
可选的，若确定待检测镜头的状态检测结果为状态异常，则可采取相应的应急措施，例如向目标行驶设备中的乘坐人员发出警告并缓慢制动刹车；又例如，控制待检测镜头周围布置的清洗装置开始工作，对待检测镜头表面进行清洗，以清洗掉待检测镜头上的遮挡异物。
可选的，“将所述当前特征点与所述历史特征点进行匹配”，包括：
确定所述当前特征点的当前特征描述子，以及所述历史特征点的历史特征描述子；将所述当前特征描述子与所述历史特征描述子进行匹配。
其中，特征描述子是一种向量表示，用于描述对应特征点的特征点方向和特征点尺度等信息。
在一种实施方式中，计算各当前特征点对应的当前特征描述子，以及计算各历史特征点对应的历史特征描述子，并将各当前特征描述子与各历史特征描述子进行相似度计算，并将相似的特征描述子对应的当前特征点和历史特征点，作为相匹配的一对特征点。其中，相似度计算方法包括但不限于汉明距离方法、交叉匹配方法或暴力匹配方法等。
通过确定当前特征点的当前特征描述子，以及历史特征点的历史特征描述子，并将当前特征描述子与历史特征描述子进行匹配，实现了基于特征点的描述子进行特征点之间匹配的效果，为确定待检测镜头的状态检测结果奠定了基础。
通过将当前特征点与历史特征点进行匹配，并根据匹配结果确定待检测镜头的状态检测结果，实现了自动确定待检测镜头的状态检测结果的效果，节省了人力，保证了目标行驶设备的行驶安全。
本公开通过根据目标行驶设备的待检测镜头在当前时刻采集的当前图像，确定当前图像包含的当前特征点，并根据待检测镜头在历史时刻采集的历史图像，确定历史图像包含的历史特征点，进而将当前特征点与历史特征点进行匹配，并根据匹配结果确定待检测镜头的状态检测结果，实现了确定目标行驶设备的待检测镜头的状态的效果，从而可避免由于待检测镜头状态异常，导致目标行驶设备存在安全隐患的问题，且无需人工参与，节省了人力成本。
图2是根据本申请实施例公开的一种镜头状态的检测方法的流程图，基于上述技术方案进一步优化与扩展，并可以与上述各个可选实施方式进行结合。
S201、根据目标行驶设备的待检测镜头在当前时刻采集的当前图像，确定所述当前图像包含的当前特征点。
S202、根据所述待检测镜头在历史时刻采集的历史图像，确定所述历史图像包含的历史特征点。
S203、确定与任一当前特征点匹配的历史特征点所属历史图像的图像数量。
在一种实施方式中，将各当前特征点分别与各历史图像中的各历史特征点进行匹配，对于任一当前特征点，若具有与其匹配的历史特征点，则确定与该当前特征点匹配的历史特征点所属历史图像的图像数量。
例如，当前特征点A与历史特征点B、历史特征点C、历史特征点D和历史特征点E匹配，而历史特征点B属于历史图像B1，历史特征点C属于历史图像C1，历史特征点D属于历史图像D1，历史特征点E属于历史图像E1，则确定与当前特征点A匹配的历史特征点所属历史图像的图像数量为4。
S204、根据所述图像数量以及数量阈值，确定所述待检测镜头的状态检测结果。
在一种实施方式中，将S203中确定的图像数量与预先设定的数量阈值进行比对，并根据比对结果确定待检测镜头的状态检测结果。
可选的，若所述图像数量大于所述数量阈值，则确定所述待检测镜头的状态异常。
在一种实施方式中，将图像数量与数量阈值进行比对，若图像数量大于数量阈值，则表示在众多不同历史时刻采集的历史图像中都和当前图像存在相近的图像内容，则可以进一步确定待检测镜头的状态检测结果为状态异常。相应的，若图像数量小于或等于数量阈值，则有可能是目标行驶设备的行驶速度较慢，导致历史图像与当前图像存在相近的图像内容，因此此时不可以确定待检测镜头的状态检测结果为状态异常。
通过若图像数量大于数量阈值，则确定待检测镜头的状态异常，增强了待检测镜头的状态检测结果的准确性和可靠性。
可选的，所述数量阈值是根据所述目标行驶设备的行驶速度确定的。
其中，若目标行驶设备的行驶速度较慢，则容易导致历史图像和当前图像存在相近的图像内容，从而对待检测镜头的状态检测结果出现误判，因此需要提高数量阈值的大小以避免出现误判的问题。相应的，若目标行驶设备的行驶速度较快，则不容易导致历史图像和当前图像存在相近的图像内容，从而对待检测镜头的状态检测结果出现误判的概率较低，因此需要减少数量阈值，以提高检测的效率。换言之，在本实施例中，数量阈值与目标行驶设备的行驶速度成反比。
通过根据目标行驶设备的行驶速度确定数量阈值，避免对待检测镜头的状态检测结果出现误判的问题，增强了检测结果的准确性和可靠性。
本公开通过确定与任一当前特征点匹配的历史特征点所属历史图像的图像数量，并根据图像数量以及数量阈值，确定待检测镜头的状态检测结果，避免对待检测镜头的状态检测结果出现误判的问题，增强了检测结果的准确性和可靠性。
在上述实施例的基础上，确定所述待检测镜头的状态异常之后，还包括：
确定与任一当前特征点匹配的历史特征点的历史图像坐标，并根据所述历史图像坐标以及该当前特征点的当前图像坐标，对所述待检测镜头的状态检测结果进行校验。
其中，历史图像坐标表示历史特征点位于对应历史图像中的相对位置坐标，相应的，当前图像坐标表示当前特征点位于当前图像中的相对位置坐标。
在一种实施方式中，若待检测镜头的状态检测结果为状态异常，则获取任一当前特征点在当前图像中的当前图像坐标，以及与该当前特征点相匹配的历史特征点在对应历史图像中的历史图像坐标。根据当前图像坐标以及历史图像坐标，确定不同图像坐标间的距离值，并根据不同图像坐标间的距离值的大小，对待检测镜头的状态检测结果进行校验，例如若不同图像坐标间的距离值较大，由于遮挡物相对待检测镜头的位置是固定，因此认为当前特征点和匹配的历史特征点，不是待检测镜头表面存在遮挡物造成的，进而校验认为待检测镜头的状态检测结果为状态正常。
通过确定与任一当前特征点匹配的历史特征点的历史图像坐标，并根据历史图像坐标以及该当前特征点的当前图像坐标，对待检测镜头的状态检测结果进行校验，实现了对状态检测结果进行校验的效果，保证了状态检测结果的准确性和可靠性。
在上述实施例的基础上，“根据所述历史图像坐标以及该当前特征点的当前图像坐标，对所述待检测镜头的状态检测结果进行校验”，包括：
确定所述历史图像坐标和所述当前图像坐标的坐标集合中，不同图像坐标之间的距离值，并根据所述距离值以及距离值阈值，对所述待检测镜头的状态检测结果进行校验。
在一种实施方式中，将当前图像坐标和历史图像坐标作为一个坐标集合，并计算这个坐标集合中不同图像坐标之间的距离值，进而将各距离值分别与距离值阈值进行比对，确定各距离值与距离阈值间的大小关系，并统计小于距离阈值的距离值占所有距离值中的比例，若该比例大于比例阈值，例如95％，则确定所述待检测镜头的状态异常。
通过确定历史图像坐标和当前图像坐标的坐标集合中，不同图像坐标之间的距离值，并根据距离值以及距离值阈值，对待检测镜头的状态检测结果进行校验，实现了对状态检测结果进行校验的效果，保证了状态检测结果的准确性和可靠性。
在上述实施例的基础上，“根据所述距离值以及距离值阈值，对所述待检测镜头的状态检测结果进行校验”，包括：
若所述距离值中最大的距离值小于所述距离值阈值，则确定所述待检测镜头的状态异常。
其中，若距离值中最大的距离值小于距离值阈值，则表示各历史特征点之间，以及各历史特征点与匹配的当前特征点之间的位置相对固定，因此确定当前特征点以及匹配的各历史特征点是由待检测镜头表面的存在遮挡物造成的，即定待检测镜头的状态异常。所述距离值阈值是像素级别的，例如设置为100个像素。
通过若距离值中最大的距离值小于距离值阈值，则确定待检测镜头的状态异常，实现了对状态检测结果进行校验的效果，保证了状态检测结果的准确性和可靠性。
图3是根据本公开实施例公开的一种镜头状态的检测装置的结构示意图，可以适用于检测行驶设备镜头的状态的情况。本实施例装置可采用软件和/或硬件实现，并可集成在任意的具有计算能力的电子设备上。
如图3所示，本实施例公开的镜头状态的检测装置30可以包括当前特征点确定模块31、历史特征点确定模块32和检测结果确定模块32，其中：
当前特征点确定模块31，用于根据目标行驶设备的待检测镜头在当前时刻采集的当前图像，确定所述当前图像包含的当前特征点；
历史特征点确定模块32，用于根据所述待检测镜头在历史时刻采集的历史图像，确定所述历史图像包含的历史特征点；
检测结果确定模块33，用于将所述当前特征点与所述历史特征点进行匹配，并根据匹配结果确定所述待检测镜头的状态检测结果。
可选的，所述检测结果确定模块33，具体用于：
确定与任一当前特征点匹配的历史特征点所属历史图像的图像数量；
根据所述图像数量以及数量阈值，确定所述待检测镜头的状态检测结果。
可选的，所述检测结果确定模块33，具体还用于：
若所述图像数量大于所述数量阈值，则确定所述待检测镜头的状态异常。
可选的，所述数量阈值是根据所述目标行驶设备的行驶速度确定的。
可选的，所述装置还包括校验模块，具体用于：
确定与该当前特征点匹配的历史特征点的历史图像坐标，并根据所述历史图像坐标以及该当前特征点的当前图像坐标，对所述待检测镜头的状态检测结果进行校验。
可选的，所述校验模块，具体还用于：
确定所述历史图像坐标和所述当前图像坐标的坐标集合中，不同图像坐标之间的距离值，并根据所述距离值以及距离值阈值，对所述待检测镜头的状态检测结果进行校验。
可选的，所述校验模块，具体还用于：
若所述距离值中最大的距离值小于所述距离值阈值，则确定所述待检测镜头的状态异常。
可选的，所述检测结果确定模块，具体还用于：
确定所述当前特征点的当前特征描述子，以及所述历史特征点的历史特征描述子；
将所述当前特征描述子与所述历史特征描述子进行匹配。
本公开实施例所公开的镜头状态的检测装置30可执行本公开实施例所公开的镜头状态的检测方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本公开任意方法实施例中的描述。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图4所示，设备400包括计算单元401，其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序，来执行各种适当的动作和处理。在RAM 403中，还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理，例如镜头状态的检测方法。例如，在一些实施例中，镜头状态的检测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时，可以执行上文描述的镜头状态的检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行镜头状态的检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (13)
1.一种镜头状态的检测方法，包括：
根据目标行驶设备的待检测镜头在当前时刻采集的当前图像，确定所述当前图像包含的当前特征点；
根据所述待检测镜头在历史时刻采集的历史图像，确定所述历史图像包含的历史特征点；
将所述当前特征点与所述历史特征点进行匹配，并根据匹配结果确定所述待检测镜头的状态检测结果；
其中，所述将所述当前特征点与所述历史特征点进行匹配，包括：
确定所述当前特征点的当前特征描述子，以及所述历史特征点的历史特征描述子；其中，特征描述子是一种向量表示，用于描述特征点的特征点方向和特征点尺度信息；
将所述当前特征描述子与所述历史特征描述子进行相似度计算；
将相似的特征描述子对应的当前特征点和历史特征点，作为相匹配的一对特征点；
确定所述待检测镜头的状态检测结果为状态异常之后，还包括：
确定与所述当前特征点匹配的历史特征点的历史图像坐标，并根据所述历史图像坐标以及该当前特征点的当前图像坐标，对所述待检测镜头的状态检测结果进行校验；
确定所述待检测镜头的状态检测结果为状态异常之后，还包括：
向所述目标行驶设备中的乘坐人员发出警告并缓慢制动刹车；或者，控制所述待检测镜头周围布置的清洗装置开始工作，对所述待检测镜头表面进行清洗。
2.根据权利要求1所述的方法，其中，所述根据匹配结果确定所述待检测镜头的状态检测结果，包括：
确定与任一当前特征点匹配的历史特征点所属历史图像的图像数量；
根据所述图像数量以及数量阈值，确定所述待检测镜头的状态检测结果。
3.根据权利要求2所述的方法，其中，所述根据所述图像数量以及数量阈值，确定所述待检测镜头的状态检测结果，包括：
若所述图像数量大于所述数量阈值，则确定所述待检测镜头的状态异常。
4.根据权利要求2或3所述的方法，其中，所述数量阈值是根据所述目标行驶设备的行驶速度确定的。
5.根据权利要求1所述的方法，其中，所述根据所述历史图像坐标以及该当前特征点的当前图像坐标，对所述待检测镜头的状态检测结果进行校验，包括：
确定所述历史图像坐标和所述当前图像坐标的坐标集合中，不同图像坐标之间的距离值，并根据所述距离值以及距离值阈值，对所述待检测镜头的状态检测结果进行校验。
6.根据权利要求5所述的方法，其中，所述根据所述距离值以及距离值阈值，对所述待检测镜头的状态检测结果进行校验，包括：
若所述距离值中最大的距离值小于所述距离值阈值，则确定所述待检测镜头的状态异常。
7.一种镜头状态的检测装置，包括：
当前特征点确定模块，用于根据目标行驶设备的待检测镜头在当前时刻采集的当前图像，确定所述当前图像包含的当前特征点；
历史特征点确定模块，用于根据所述待检测镜头在历史时刻采集的历史图像，确定所述历史图像包含的历史特征点；
检测结果确定模块，用于将所述当前特征点与所述历史特征点进行匹配，并根据匹配结果确定所述待检测镜头的状态检测结果；
校验模块，具体用于：
确定与所述当前特征点匹配的历史特征点的历史图像坐标，并根据所述历史图像坐标以及该当前特征点的当前图像坐标，对所述待检测镜头的状态检测结果进行校验；
其中，所述检测结果确定模块，具体用于：
确定所述当前特征点的当前特征描述子，以及所述历史特征点的历史特征描述子；其中，特征描述子是一种向量表示，用于描述特征点的特征点方向和特征点尺度信息；
将所述当前特征描述子与所述历史特征描述子进行相似度计算；
将相似的特征描述子对应的当前特征点和历史特征点，作为相匹配的一对特征点；
所述检测结果确定模块，具体还用于：
向所述目标行驶设备中的乘坐人员发出警告并缓慢制动刹车；
或者，控制所述待检测镜头周围布置的清洗装置开始工作，对所述待检测镜头表面进行清洗。
8.根据权利要求7所述的装置，其中，所述检测结果确定模块，具体用于：
确定与任一当前特征点匹配的历史特征点所属历史图像的图像数量；
根据所述图像数量以及数量阈值，确定所述待检测镜头的状态检测结果。
9.根据权利要求8所述的装置，其中，所述检测结果确定模块，具体还用于：
若所述图像数量大于所述数量阈值，则确定所述待检测镜头的状态异常。
10.根据权利要求8或9所述的装置，其中，所述数量阈值是根据所述目标行驶设备的行驶速度确定的。
11. 一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；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，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
13.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110281571.7A CN113011316B (zh) | 2021-03-16 | 2021-03-16 | 一种镜头状态的检测方法、装置、电子设备和介质 |
| US17/479,258 US20220005179A1 (en) | 2021-03-16 | 2021-09-20 | Method and apparatus for detecting a status of a lens, electronic device and medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110281571.7A CN113011316B (zh) | 2021-03-16 | 2021-03-16 | 一种镜头状态的检测方法、装置、电子设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113011316A CN113011316A (zh) | 2021-06-22 |
| CN113011316B true CN113011316B (zh) | 2023-05-30 |
Family
ID=76408394
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110281571.7A Active CN113011316B (zh) | 2021-03-16 | 2021-03-16 | 一种镜头状态的检测方法、装置、电子设备和介质 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20220005179A1 (zh) |
| CN (1) | CN113011316B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113781499A (zh) * | 2021-08-27 | 2021-12-10 | 上海微创医疗机器人（集团）股份有限公司 | 医疗用镜状态检测方法、图像处理方法机器人控制方法及系统 |
Family Cites Families (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4167401B2 (ja) * | 2001-01-12 | 2008-10-15 | 富士フイルム株式会社 | ディジタル・カメラおよびその動作制御方法 |
| JP2007215151A (ja) * | 2006-01-12 | 2007-08-23 | Canon Inc | 撮像装置及びその制御方法及びプログラム |
| CN101729921B (zh) * | 2008-10-29 | 2011-11-16 | 宏碁股份有限公司 | 电子装置及其检测方法 |
| CN101894260B (zh) * | 2010-06-04 | 2012-10-17 | 北京化工大学 | 基于匹配特征点随机生成特征线的伪造印章识别方法 |
| JP5863968B2 (ja) * | 2012-07-03 | 2016-02-17 | クラリオン株式会社 | 車載環境認識装置 |
| ES2666499T3 (es) * | 2013-07-03 | 2018-05-04 | Kapsch Trafficcom Ab | Método para identificación de contaminación en una lente de una cámara estereoscópica |
| CN103400151B (zh) * | 2013-08-16 | 2016-07-27 | 武汉大学 | 一体化的光学遥感影像与gis自动配准与水体提取方法 |
| CN103546740B (zh) * | 2013-09-03 | 2015-11-25 | 小米科技有限责任公司 | 一种检测摄像头的方法、装置及终端设备 |
| JP6174975B2 (ja) * | 2013-11-14 | 2017-08-02 | クラリオン株式会社 | 周囲環境認識装置 |
| CN104093016B (zh) * | 2014-06-12 | 2016-04-13 | 华南理工大学 | 一种摄像头模组脏污检测方法及系统 |
| JP2016033729A (ja) * | 2014-07-31 | 2016-03-10 | クラリオン株式会社 | 周囲環境認識装置 |
| CN105872370B (zh) * | 2016-03-31 | 2019-01-15 | 深圳力维智联技术有限公司 | 视频去抖动方法和装置 |
| CN106548131A (zh) * | 2016-10-14 | 2017-03-29 | 南京邮电大学 | 一种基于行人检测的施工人员安全帽实时检测方法 |
| CN108416337A (zh) * | 2018-04-28 | 2018-08-17 | 北京小米移动软件有限公司 | 提醒用户清洁镜头的方法及装置 |
| US11535158B2 (en) * | 2019-03-28 | 2022-12-27 | Magna Electronics Inc. | Vehicular camera with automatic lens defogging feature |
| CN110769246B (zh) * | 2019-09-06 | 2023-04-11 | 华为技术有限公司 | 一种检测监控设备故障的方法、装置 |
| CN110689528A (zh) * | 2019-09-21 | 2020-01-14 | 南京鑫和汇通电子科技有限公司 | 一种基于自动定位的对开式刀闸开合角度检测方法 |
| CN111291768B (zh) * | 2020-02-17 | 2023-05-30 | Oppo广东移动通信有限公司 | 图像特征匹配方法及装置、设备、存储介质 |
| CN111522986B (zh) * | 2020-04-23 | 2023-10-10 | 北京百度网讯科技有限公司 | 图像检索方法、装置、设备和介质 |
| CN112040223B (zh) * | 2020-08-25 | 2022-08-12 | RealMe重庆移动通信有限公司 | 一种图像处理方法、终端设备及存储介质 |
| CN112215794B (zh) * | 2020-09-01 | 2022-09-20 | 北京中科慧眼科技有限公司 | 一种双目adas摄像头脏污检测的方法及装置 |
| CN112242045A (zh) * | 2020-12-18 | 2021-01-19 | 宁波视控汽车电子有限公司 | 故障报警方法和装置 |
-
2021
- 2021-03-16 CN CN202110281571.7A patent/CN113011316B/zh active Active
- 2021-09-20 US US17/479,258 patent/US20220005179A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| CN113011316A (zh) | 2021-06-22 |
| US20220005179A1 (en) | 2022-01-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200290608A1 (en) | Forward collision control method and apparatus, electronic device, program, and medium | |
| CN112597837B (zh) | 图像检测方法、装置、设备、存储介质和计算机程序产品 | |
| CN113205037B (zh) | 事件检测的方法、装置、电子设备以及可读存储介质 | |
| CN112863187B (zh) | 感知模型的检测方法、电子设备、路侧设备和云控平台 | |
| CN113392794B (zh) | 车辆跨线识别方法、装置、电子设备和存储介质 | |
| CN113011316B (zh) | 一种镜头状态的检测方法、装置、电子设备和介质 | |
| CN115346171A (zh) | 一种输电线路监控方法、装置、设备及存储介质 | |
| CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
| CN113538963A (zh) | 用于输出信息的方法、装置、设备以及存储介质 | |
| CN114283398A (zh) | 车道线的处理方法、装置和电子设备 | |
| CN113807184A (zh) | 障碍物检测方法、装置、电子设备及自动驾驶车辆 | |
| CN114022865A (zh) | 基于车道线识别模型的图像处理方法、装置、设备和介质 | |
| CN116990768A (zh) | 预测航迹处理方法、装置、电子设备及可读介质 | |
| CN115908816A (zh) | 基于人工智能的积水识别方法、装置、设备及存储介质 | |
| CN115526837A (zh) | 一种异常行车检测方法、装置、电子设备以及介质 | |
| CN112991308B (zh) | 一种图像质量的确定方法、装置、电子设备和介质 | |
| CN114429631A (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
| CN114333417A (zh) | 一种车辆安全检测方法、装置、电子设备及存储介质 | |
| CN113989300A (zh) | 车道线分割的方法、装置、电子设备和存储介质 | |
| CN114581890B (zh) | 确定车道线的方法、装置、电子设备和存储介质 | |
| CN113378850B (zh) | 模型训练方法、路面损伤分割方法、装置和电子设备 | |
| CN114994671B (zh) | 基于雷达图像的目标检测方法、装置、设备及介质 | |
| CN117725614A (zh) | 一种车牌脱敏方法、装置、电子设备及存储介质 | |
| CN117152560A (zh) | 目标检测模型的训练和目标检测方法以及装置 | |
| CN116879921A (zh) | 基于栅格的激光雷达感知方法、装置、设备和介质 |
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 |