CN113312979B - 图像处理方法、装置、电子设备、路侧设备及云控平台 - Google Patents

Abstract

本公开公开了图像处理方法、装置、电子设备、路侧设备及云控平台，涉及深度学习和智能交通等人工智能领域，其中的方法可包括：根据待处理的原始图像对应的第一拍摄设备的第一内参矩阵以及第二拍摄设备的第二内参矩阵，对原始图像进行变换，得到中间图像；将中间图像变换为预定大小的目标图像，目标图像为适合第二拍摄设备对应的障碍物检测模型处理的图像，障碍物检测模型为针对第二拍摄设备的焦距训练得到的障碍物检测模型。应用本公开所述方案，可节省人力和时间成本等。

Description

图像处理方法、装置、电子设备、路侧设备及云控平台

技术领域

本公开涉及人工智能技术领域，特别涉及深度学习和智能交通等领域的图像处理方法、装置、电子设备、路侧设备及云控平台。

背景技术

路侧感知系统为车路协同的车辆提供了超视距的感知信息，相机作为路侧感知系统中的主要传感器之一，需要采集二维(2D，Two-Dimensional)图像进行障碍物检测，之后通过三维(3D，Three-Dimensional)感知对障碍物进行精确定位等。

目前，针对不同焦距的相机，需要分别训练对应的障碍物检测模型，即2D障碍物检测模型，以便对对应焦距的相机拍摄到的图像进行障碍物检测。

相应地，就需要针对不同焦距的相机，分别获取对应的训练样本并进行标注和训练，从而需要耗费大量的人力和时间成本等。

发明内容

本公开提供了图像处理方法、装置、电子设备、路侧设备及云控平台。

一种图像处理方法，包括：

根据待处理的原始图像对应的第一拍摄设备的第一内参矩阵以及第二拍摄设备的第二内参矩阵，对所述原始图像进行变换，得到中间图像；

将所述中间图像变换为预定大小的目标图像，其中，所述目标图像为适合所述第二拍摄设备对应的障碍物检测模型处理的图像，所述障碍物检测模型为针对所述第二拍摄设备的焦距训练得到的障碍物检测模型。

一种图像处理装置，包括：第一处理模块以及第二处理模块；

所述第一处理模块，用于根据待处理的原始图像对应的第一拍摄设备的第一内参矩阵以及第二拍摄设备的第二内参矩阵，对所述原始图像进行变换，得到中间图像；

所述第二处理模块，用于将所述中间图像变换为预定大小的目标图像，其中，所述目标图像为适合所述第二拍摄设备对应的障碍物检测模型处理的图像，所述障碍物检测模型为针对所述第二拍摄设备的焦距训练得到的障碍物检测模型。

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如以上所述的方法。

一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行如以上所述的方法。

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如以上所述的方法。

一种路侧设备，包括如上所述的电子设备。

一种云控平台，包括如上所述的电子设备。

上述公开中的一个实施例具有如下优点或有益效果：可通过一系列处理，将第一拍摄设备拍摄到的原始图像转换为适合第二拍摄设备对应的障碍物检测模型处理的图像，这样，仅需针对第二拍摄设备训练得到障碍物检测模型即可，从而节省了人力和时间成本，并提升了模型的泛化性能等。

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为本公开所述图像处理方法实施例的流程图；

图2为本公开所述原始图像的示意图；

图3为本公开所述目标图像的第一示意图；

图4为本公开所述目标图像的第二示意图；

图5为本公开所述图像处理装置实施例500的组成结构示意图；

图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。

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。

另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

图1为本公开所述图像处理方法实施例的流程图。如图1所示，包括以下具体实现方式。

在步骤101中，根据待处理的原始图像对应的第一拍摄设备的第一内参矩阵以及第二拍摄设备的第二内参矩阵，对原始图像进行变换，得到中间图像。

在步骤102中，将中间图像变换为预定大小的目标图像，其中，目标图像为适合第二拍摄设备对应的障碍物检测模型处理的图像，障碍物检测模型为针对第二拍摄设备的焦距训练得到的障碍物检测模型。

可以看出，上述方法实施例所述方案中，可通过一系列处理，将第一拍摄设备拍摄到的原始图像转换为适合第二拍摄设备对应的障碍物检测模型处理的图像，这样，仅需针对第二拍摄设备训练得到障碍物检测模型即可，从而节省了人力和时间成本，并提升了模型的泛化性能等。

针对待处理的原始图像，在按照本公开所述方式对其进行处理之前，还可先对其进行预处理，比如，可根据原始图像对应的第一拍摄设备的内参矩阵以及畸变系数，对原始图像进行去畸变处理。

另外，为便于区分，将第一拍摄设备的内参矩阵称为第一内参矩阵，将第二拍摄设备的内参矩阵称为第二内参矩阵。优选地，第一拍摄设备和第二拍摄设备均为相机。

内参矩阵通常为以下形式：

[fx，0.0，cx，0.0，fy，cy，0.0，0.0，1.0]；

其中，参数fx为x轴方向焦距长度，参数fy为y轴方向焦距长度，参数cx为主点的x方向坐标，参数cy为主点的y方向坐标，fx和fy均使用像素数量来描述，主点坐标(相对于成像平面)cx和cy的单位也可为像素。

针对原始图像，可根据第一内参矩阵以及第二内参矩阵，确定出中间图像相比于原始图像在上(top)、下(bottom)、左(left)和右(right)四个方向上的像素数量变化差值，进而可根据确定出的像素数量变化差值对原始图像进行变换，得到中间图像。

具体地，在确定所述像素数量变化差值时，可首先根据第一内参矩阵和第二内参矩阵分别确定出x方向变换尺度以及y方向变换尺度，之后可计算原始图像的长度与x方向变换尺度的比值，作为变换后的长度，并可计算原始图像的宽度与y方向变换尺度的比值，作为变换后的宽度，进而可根据变换后的长度以及变换后的宽度确定出所述像素数量变化差值。

其中，可计算第二内参矩阵中的参数fx与第一内参矩阵中的参数fx的比值，将得到的比值作为x方向变换尺度。

即有：scale_x＝fx2/fx1； (1)

其中，scale_x表示x方向变换尺度，fx2表示第二内参矩阵中的参数fx，fx1表示第一内参矩阵中的参数fx。

另外，可计算第二内参矩阵中的参数fy与第一内参矩阵中的参数fy的比值，将得到的比值作为y方向变换尺度。

即有：scale_y＝fy2/fy1； (2)

其中，scale_y表示y方向变换尺度，fy2表示第二内参矩阵中的参数fy，fy1表示第一内参矩阵中的参数fy。

如前所述，还可计算原始图像的长度与x方向变换尺度的比值，作为变换后的长度。

即有：cols_new＝cols/scale_x； (3)

其中，cols_new表示变换后的长度，cols表示原始图像的长度。

另外，还可计算原始图像的宽度与y方向变换尺度的比值，作为变换后的宽度。

即有：rows_new＝rows/scale_y； (4)

其中，rows_new表示变换后的宽度，rows表示原始图像的宽度。

之后，可根据变换后的长度以及变换后的宽度确定出中间图像相比于原始图像在top、bottom、left和right四个方向上的像素数量变化差值。

具体地，可计算原始图像的宽度与变换后的宽度的差值的绝对值，将得到的绝对值的1/2分别作为top和bottom两个方向上的像素数量变化差值，并可计算原始图像的长度与变换后的长度的差值的绝对值，将得到的绝对值的1/2分别作为left和right两个方向上的像素数量变化差值。

即有：top＝abs(rows-rows_new)/2.0； (5)

bottom＝top； (6)

left＝abs(cols-cols_new)/2.0； (7)

right＝left； (8)

可以看出，top和bottom两个方向上的像素数量变化差值是相同的，同样地，left和right两个方向上的像素数量变化差值也是相同的。

通过上述处理，可准确高效地确定出所需的像素数量变化差值，从而为后续处理奠定了良好的基础等。

根据得到的像素数量变化差值，可对原始图像进行变换，从而得到所需的中间图像。

其中，当第一拍摄设备的焦距小于第二拍摄设备的焦距时，可按照得到的像素数量变化差值，从原始图像中截取出中间图像。

即有：img_tmp＝img[top：int(rows-bottom)，left：int(cols-right)]； (9)

其中，img_tmp表示中间图像，img表示原始图像，int()表示向下取整。

当第一拍摄设备的焦距大于第二拍摄设备的焦距时，可按照得到的像素数量变化差值，为原始图像添加边框，将添加边框后的图像作为中间图像。

即有：img_tmp＝cv2.copyMakeBorder(img，top，bottom，left，right，cv2.BORDER_CONSTANT，value＝[0，0，0])；

(10)

其中，cv2.copyMakeBorder()表示添加/创建边框，cv2.BORDER_CONSTANT表示固定值填充，value表示填充的值。

可以看出，上述处理方式中，根据第一拍摄设备的焦距是小于还是大于第二拍摄设备的焦距的不同，可采用不同的处理方式，从而可准确地得到所需的中间图像。

在获取到中间图像之后，可进一步将其变换为预定大小的目标图像。具体地，可通过对中间图像进行图像缩放处理，将中间图像变换为预定大小的目标图像。

所述预定大小的具体取值可根据实际情况而定，比如，可为1920*1080。

即有：img_new＝cv2.resize(img_tmp，(1920，1080)，interpolation＝cv2.INTER_LINEAR)； (11)

其中，cv2.resize()表示图像缩放，interpolation＝cv2.INTER_LINEAR表示插值方式为双线性插值，即可通过双线性插值，将中间图像img_tmp变换为1920*1080大小的目标图像img_new。

在得到目标图像后，还可利用第二拍摄设备对应的障碍物检测模型来对目标图像进行障碍物检测，从而得到原始图像对应的2D障碍物检测结果。

以拍摄设备为相机为例，可以看出，采用本公开所述方案，只需训练一个障碍物检测模型，即可实现不同焦距相机图像的检测适配，从而提升了模型的泛化性能，并节省了人力和时间成本，以及提升了路侧感知系统的鲁棒性等。

在实际应用中，在获取到2D障碍物检测结果后，还需要通过3D感知对障碍物进行精确定位，即获取障碍物的3D空间位置等。

为此，本公开所述方案中还提出，在获取到目标图像后，还可根据第一内参矩阵以及第二内参矩阵等确定出目标图像对应的第三内参矩阵。

其中，当第一拍摄设备的焦距小于第二拍摄设备的焦距时，可按照以下方式确定出第三内参矩阵：将第二内参矩阵中的参数fx作为第三内参矩阵中的参数fx；将第二内参矩阵中的参数fy作为第三内参矩阵中的参数fy；计算第一内参矩阵中的参数cx与left方向上的像素数量变化差值的差值，并计算得到的差值与x方向变换尺度的乘积，将得到的乘积作为第三内参矩阵中的参数cx；计算第一内参矩阵中的参数cy与top方向上的像素数量变化差值的差值，并计算得到的差值与y方向变换尺度的乘积，将得到的乘积作为第三内参矩阵中的参数cy。

即有：fx_new＝fx2； (12)

fy_new＝fy2； (13)

cx_new＝(cx1-left)*scale_x； (14)

cy_new＝(cy1-top)*scale_y； (15)

其中，fx_new表示第三内参矩阵中的参数fx，fy_new表示第三内参矩阵中的参数fy，cx1表示第一内参矩阵中的参数cx，cy1表示第一内参矩阵中的参数cy，cx_new表示第三内参矩阵中的参数cx，cy_new表示第三内参矩阵中的参数cy。

当第一拍摄设备的焦距大于第二拍摄设备的焦距时，可按照以下方式确定出第三内参矩阵：将第二内参矩阵中的参数fx作为第三内参矩阵中的参数fx；将第二内参矩阵中的参数fy作为第三内参矩阵中的参数fy；计算第一内参矩阵中的参数cx与left方向上的像素数量变化差值的和，并计算得到的和与x方向变换尺度的乘积，将得到的乘积作为第三内参矩阵中的参数cx；计算第一内参矩阵中的参数cy与top方向上的像素数量变化差值的和，并计算得到的和与y方向变换尺度的乘积，将得到的乘积作为第三内参矩阵中的参数cy。

即有：fx_new＝fx2； (16)

fy_new＝fy2； (17)

cx_new＝(cx1+left)*scale_x； (18)

cy_new＝(cy1+top)*scale_y； (19)

各参数的含义如上所示。

后续，可利用上述第三内参矩阵，通过3D感知确定出障碍物的3D空间位置，并确保了处理结果的准确性等。

图2为本公开所述原始图像的示意图。假设原始图像对应的第一拍摄设备的焦距小于第二拍摄设备的焦距。

其中，第一内参矩阵为：

[1586.0122584328615，0.0，972.093327880127，0.0，1586.6597408332311，559.3763317416673，0.0，0.0，1.0]；

第二内参矩阵为：

[2002.3713591378594，0.0，959.1878984242583，0.0，2002.8725240175897，559.6577256502026，0.0，0.0，1.0]。

那么按照本公开所述方式进行处理后，可得到如图3所示的目标图像，图3为本公开所述目标图像的第一示意图。

对应的第三内参矩阵为：

[2002.3713591378594，0.0，976.0453801393307，0.0，2002.8725240175897，564.7321474676173，0.0，0.0，1.0]。

假设原始图像对应的第一拍摄设备的焦距大于第二拍摄设备的焦距。

其中，第一内参矩阵为：

[2002.3713591378594，0.0，959.1878984242583，0.0，2002.8725240175897，559.6577256502026，0.0，0.0，1.0]；

第二内参矩阵为：

[1586.0122584328615，0.0，972.093327880127，0.0，1586.6597408332311，559.3763317416673，0.0，0.0，1.0]。

那么按照本公开所述方式进行处理后，可得到如图4所示的目标图像，图4为本公开所述目标图像的第二示意图。

对应的第三内参矩阵为：

[1586.0122584328615，0.0，959.3419549276298，0.0，1586.6597408332311，555.0554975725396，0.0，0.0，1.0]。

需要说明的是，对于前述的方法实施例，为了简单描述，将其表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本公开所必须的。

以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。

图5为本公开所述图像处理装置实施例500的组成结构示意图。如图5所示，包括：第一处理模块501以及第二处理模块502。

第一处理模块501，用于根据待处理的原始图像对应的第一拍摄设备的第一内参矩阵以及第二拍摄设备的第二内参矩阵，对原始图像进行变换，得到中间图像。

第二处理模块502，用于将中间图像变换为预定大小的目标图像，其中，目标图像为适合第二拍摄设备对应的障碍物检测模型处理的图像，障碍物检测模型为针对第二拍摄设备的焦距训练得到的障碍物检测模型。

其中，第一处理模块501可根据第一内参矩阵以及第二内参矩阵，确定出中间图像相比于原始图像在top、boRom、left和right四个方向上的像素数量变化差值，根据所述像素数量变化差值对原始图像进行变换，得到中间图像。

具体地，第一处理模块501可根据第一内参矩阵和第二内参矩阵，分别确定出x方向变换尺度以及y方向变换尺度，并可计算原始图像的长度与x方向变换尺度的比值，作为变换后的长度，并可计算原始图像的宽度与y方向变换尺度的比值，作为变换后的宽度，进而可根据变换后的长度以及变换后的宽度确定出所述像素数量变化差值。

其中，第一处理模块501可计算第二内参矩阵中的参数fx与第一内参矩阵中的参数fx的比值，将得到的比值作为x方向变换尺度，并可计算第二内参矩阵中的参数fy与第一内参矩阵中的参数fy的比值，将得到的比值作为y方向变换尺度，其中，参数fx为x轴方向焦距长度，参数fy为y轴方向焦距长度。

第一处理模块501还可计算原始图像的宽度与变换后的宽度的差值的绝对值，将得到的绝对值的1/2分别作为top和bottom两个方向上的像素数量变化差值，并可计算原始图像的长度与变换后的长度的差值的绝对值，将得到的绝对值的1/2分别作为left和right两个方向上的像素数量变化差值。

相应地，第一处理模块501可在第一拍摄设备的焦距小于第二拍摄设备的焦距时，按照获取到的像素数量变化差值，从原始图像中截取出中间图像。

第一处理模块501还可在第一拍摄设备的焦距大于第二拍摄设备的焦距时，按照获取到的像素数量变化差值，为原始图像添加边框，将添加边框后的图像作为中间图像。

进一步地，第二处理模块502可通过对中间图像进行图像缩放处理，将中间图像变换为预定大小的目标图像。

另外，第二处理模块502还可根据第一内参矩阵以及第二内参矩阵确定出目标图像对应的第三内参矩阵。

具体地，第二处理模块502可在第一拍摄设备的焦距小于第二拍摄设备的焦距时，按照以下方式确定出第三内参矩阵：将第二内参矩阵中的参数fx作为第三内参矩阵中的参数fx；将第二内参矩阵中的参数fy作为第三内参矩阵中的参数fy；计算第一内参矩阵中的参数cx与left方向上的像素数量变化差值的差值，并计算得到的差值与x方向变换尺度的乘积，将得到的乘积作为第三内参矩阵中的参数cx；计算第一内参矩阵中的参数cy与top方向上的像素数量变化差值的差值，并计算得到的差值与y方向变换尺度的乘积，将得到的乘积作为第三内参矩阵中的参数cy；其中，参数fx为x轴方向焦距长度，参数fy为y轴方向焦距长度，参数cx为主点的x方向坐标，参数cy为主点的y方向坐标。

第二处理模块502还可在第一拍摄设备的焦距大于第二拍摄设备的焦距时，按照以下方式确定出第三内参矩阵：将第二内参矩阵中的参数fx作为第三内参矩阵中的参数fx；将第二内参矩阵中的参数fy作为第三内参矩阵中的参数fy；计算第一内参矩阵中的参数cx与left方向上的像素数量变化差值的和，并计算得到的和与x方向变换尺度的乘积，将得到的乘积作为第三内参矩阵中的参数cx；计算第一内参矩阵中的参数cy与top方向上的像素数量变化差值的和，并计算得到的和与y方向变换尺度的乘积，将得到的乘积作为第三内参矩阵中的参数cy。

图5所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明，不再赘述。

总之，采用本公开装置实施例所述方案，可通过一系列处理，将第一拍摄设备拍摄到的原始图像转换为适合第二拍摄设备对应的障碍物检测模型处理的图像，这样，仅需针对第二拍摄设备训练得到障碍物检测模型即可，从而节省了人力和时间成本，并提升了模型的泛化性能等。

本公开所述方案可应用于人工智能领域，特别涉及深度学习及智能交通等领域。

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术，人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术，人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

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6示出了可以用来实施本公开的实施例的示例电子设备600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、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，个人数字助理、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6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600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601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601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601执行上文所描述的各个方法和处理，例如本公开所述的方法。例如，在一些实施例中，本公开所述的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608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行本公开所述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开所述的方法。

本公开同时公开了一种路侧设备以及一种云控平台。

其中，路侧设备可包括如以上所述的电子设备。可选地，路侧设备除了包括电子设备，还可以包括通信部件等，电子设备可以和通信部件一体集成，也可以分体设置。电子设备可以获取拍摄设备(如路侧相机)的数据，例如图片和视频等，从而进行图像视频处理和数据计算。可选的，电子设备自身也可以具备感知数据获取功能和通信功能，例如是AI相机，电子设备可以直接基于获取的感知数据进行图像视频处理和数据计算。

云控平台中也可包括如以上所述的电子设备。可选地，云控平台在云端执行处理，云控平台包括的电子设备可以获取拍摄设备(如路侧相机)的数据，例如图片和视频等，从而进行图像视频处理和数据计算。云控平台也可以称为车路协同管理平台、边缘计算平台、云计算平台、中心系统、云端服务器等。

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)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，以解决传统物理主机与虚拟专用服务器(VPS)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。云计算指的是通过网络接入弹性可扩展的共享物理或虚拟资源池，资源可以包括服务器、操作系统、网络、软件、应用和存储设备等，并可以以按需、自服务的方式对资源进行部署和管理的技术体系，通过云计算技术，可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。

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 (20)

1.一种图像处理方法，包括：

根据待处理的原始图像对应的第一拍摄设备的第一内参矩阵以及第二拍摄设备的第二内参矩阵，对所述原始图像进行变换，得到中间图像，包括：计算所述第二内参矩阵中的参数fx与所述第一内参矩阵中的参数fx的比值，将得到的比值作为x方向变换尺度，计算所述第二内参矩阵中的参数fy与所述第一内参矩阵中的参数fy的比值，将得到的比值作为y方向变换尺度，其中，所述参数fx为x轴方向焦距长度，所述参数fy为y轴方向焦距长度；计算所述原始图像的长度与所述x方向变换尺度的比值，作为变换后的长度，并计算所述原始图像的宽度与所述y方向变换尺度的比值，作为变换后的宽度；根据所述变换后的长度以及所述变换后的宽度确定出所述中间图像相比于所述原始图像在上top、下bottom、左left和右right四个方向上的像素数量变化差值；根据所述像素数量变化差值对所述原始图像进行变换，得到所述中间图像；

将所述中间图像变换为预定大小的目标图像，其中，所述目标图像为适合所述第二拍摄设备对应的障碍物检测模型处理的图像，所述障碍物检测模型为针对所述第二拍摄设备的焦距训练得到的障碍物检测模型。

2.根据权利要求1所述的方法，其中，所述根据所述变换后的长度以及所述变换后的宽度确定出所述中间图像相比于所述原始图像在top、bottom、left和right四个方向上的像素数量变化差值包括：

计算所述原始图像的宽度与所述变换后的宽度的差值的绝对值，将得到的绝对值的1/2分别作为top和bottom两个方向上的像素数量变化差值；

计算所述原始图像的长度与所述变换后的长度的差值的绝对值，将得到的绝对值的1/2分别作为left和right两个方向上的像素数量变化差值。

3.根据权利要求1所述的方法，其中，所述根据所述像素数量变化差值对所述原始图像进行变换，得到所述中间图像包括：

当所述第一拍摄设备的焦距小于所述第二拍摄设备的焦距时，按照所述像素数量变化差值，从所述原始图像中截取出所述中间图像。

4.根据权利要求1所述的方法，其中，所述根据所述像素数量变化差值对所述原始图像进行变换，得到所述中间图像包括：

当所述第一拍摄设备的焦距大于所述第二拍摄设备的焦距时，按照所述像素数量变化差值，为所述原始图像添加边框，将添加边框后的图像作为所述中间图像。

5.根据权利要求1～4中任一项所述的方法，其中，所述将所述中间图像变换为预定大小的目标图像包括：

通过对所述中间图像进行图像缩放处理，将所述中间图像变换为预定大小的目标图像。

6.根据权利要求1所述的方法，还包括：根据所述第一内参矩阵以及所述第二内参矩阵确定出所述目标图像对应的第三内参矩阵。

7.根据权利要求6所述的方法，其中，所述根据所述第一内参矩阵以及所述第二内参矩阵确定出所述目标图像对应的第三内参矩阵包括：

当所述第一拍摄设备的焦距小于所述第二拍摄设备的焦距时，按照以下方式确定出所述第三内参矩阵：

将所述第二内参矩阵中的参数fx作为所述第三内参矩阵中的参数fx；

将所述第二内参矩阵中的参数fy作为所述第三内参矩阵中的参数fy；

计算所述第一内参矩阵中的参数cx与left方向上的像素数量变化差值的差值，并计算得到的差值与所述x方向变换尺度的乘积，将得到的乘积作为所述第三内参矩阵中的参数cx；

计算所述第一内参矩阵中的参数cy与top方向上的像素数量变化差值的差值，并计算得到的差值与所述y方向变换尺度的乘积，将得到的乘积作为所述第三内参矩阵中的参数cy；

其中，所述参数fx为x轴方向焦距长度，所述参数fy为y轴方向焦距长度，所述参数cx为主点的x方向坐标，所述参数cy为主点的y方向坐标。

8.根据权利要求6所述的方法，其中，所述根据所述第一内参矩阵以及所述第二内参矩阵确定出所述目标图像对应的第三内参矩阵包括：

当所述第一拍摄设备的焦距大于所述第二拍摄设备的焦距时，按照以下方式确定出所述第三内参矩阵：

将所述第二内参矩阵中的参数fx作为所述第三内参矩阵中的参数fx；

将所述第二内参矩阵中的参数fy作为所述第三内参矩阵中的参数fy；

计算所述第一内参矩阵中的参数cx与left方向上的像素数量变化差值的和，并计算得到的和与所述x方向变换尺度的乘积，将得到的乘积作为所述第三内参矩阵中的参数cx；

计算所述第一内参矩阵中的参数cy与top方向上的像素数量变化差值的和，并计算得到的和与所述y方向变换尺度的乘积，将得到的乘积作为所述第三内参矩阵中的参数cy；

其中，所述参数fx为x轴方向焦距长度，所述参数fy为y轴方向焦距长度，所述参数cx为主点的x方向坐标，所述参数cy为主点的y方向坐标。

9.一种图像处理装置，包括：第一处理模块以及第二处理模块；

所述第一处理模块，用于根据待处理的原始图像对应的第一拍摄设备的第一内参矩阵以及第二拍摄设备的第二内参矩阵，对所述原始图像进行变换，得到中间图像，包括：计算所述第二内参矩阵中的参数fx与所述第一内参矩阵中的参数fx的比值，将得到的比值作为x方向变换尺度，计算所述第二内参矩阵中的参数fy与所述第一内参矩阵中的参数fy的比值，将得到的比值作为y方向变换尺度，其中，所述参数fx为x轴方向焦距长度，所述参数fy为y轴方向焦距长度；计算所述原始图像的长度与所述x方向变换尺度的比值，作为变换后的长度，并计算所述原始图像的宽度与所述y方向变换尺度的比值，作为变换后的宽度；根据所述变换后的长度以及所述变换后的宽度确定出所述中间图像相比于所述原始图像在上top、下bottom、左left和右right四个方向上的像素数量变化差值；根据所述像素数量变化差值对所述原始图像进行变换，得到所述中间图像；

所述第二处理模块，用于将所述中间图像变换为预定大小的目标图像，其中，所述目标图像为适合所述第二拍摄设备对应的障碍物检测模型处理的图像，所述障碍物检测模型为针对所述第二拍摄设备的焦距训练得到的障碍物检测模型。

10.根据权利要求9所述的装置，其中，

所述第一处理模块计算所述原始图像的宽度与所述变换后的宽度的差值的绝对值，将得到的绝对值的1/2分别作为top和bottom两个方向上的像素数量变化差值，计算所述原始图像的长度与所述变换后的长度的差值的绝对值，将得到的绝对值的1/2分别作为left和right两个方向上的像素数量变化差值。

11.根据权利要求9所述的装置，其中，

所述第一处理模块在所述第一拍摄设备的焦距小于所述第二拍摄设备的焦距时，按照所述像素数量变化差值，从所述原始图像中截取出所述中间图像。

12.根据权利要求9所述的装置，其中，

所述第一处理模块在所述第一拍摄设备的焦距大于所述第二拍摄设备的焦距时，按照所述像素数量变化差值，为所述原始图像添加边框，将添加边框后的图像作为所述中间图像。

13.根据权利要求9～12中任一项所述的装置，其中，

所述第二处理模块通过对所述中间图像进行图像缩放处理，将所述中间图像变换为预定大小的目标图像。

14.根据权利要求9所述的装置，其中，

所述第二处理模块进一步用于，根据所述第一内参矩阵以及所述第二内参矩阵确定出所述目标图像对应的第三内参矩阵。

15.根据权利要求14所述的装置，其中，

所述第二处理模块在所述第一拍摄设备的焦距小于所述第二拍摄设备的焦距时，按照以下方式确定出所述第三内参矩阵：

将所述第二内参矩阵中的参数fx作为所述第三内参矩阵中的参数fx；

将所述第二内参矩阵中的参数fy作为所述第三内参矩阵中的参数fy；

计算所述第一内参矩阵中的参数cx与left方向上的像素数量变化差值的差值，并计算得到的差值与所述x方向变换尺度的乘积，将得到的乘积作为所述第三内参矩阵中的参数cx；

计算所述第一内参矩阵中的参数cy与top方向上的像素数量变化差值的差值，并计算得到的差值与所述y方向变换尺度的乘积，将得到的乘积作为所述第三内参矩阵中的参数cy；

其中，所述参数fx为x轴方向焦距长度，所述参数fy为y轴方向焦距长度，所述参数cx为主点的x方向坐标，所述参数cy为主点的y方向坐标。

16.根据权利要求14所述的装置，其中，

所述第二处理模块在所述第一拍摄设备的焦距大于所述第二拍摄设备的焦距时，按照以下方式确定出所述第三内参矩阵：

将所述第二内参矩阵中的参数fx作为所述第三内参矩阵中的参数fx；

将所述第二内参矩阵中的参数fy作为所述第三内参矩阵中的参数fy；

计算所述第一内参矩阵中的参数cx与left方向上的像素数量变化差值的和，并计算得到的和与所述x方向变换尺度的乘积，将得到的乘积作为所述第三内参矩阵中的参数cx；

计算所述第一内参矩阵中的参数cy与top方向上的像素数量变化差值的和，并计算得到的和与所述y方向变换尺度的乘积，将得到的乘积作为所述第三内参矩阵中的参数cy；

其中，所述参数fx为x轴方向焦距长度，所述参数fy为y轴方向焦距长度，所述参数cx为主点的x方向坐标，所述参数cy为主点的y方向坐标。

17.一种电子设备，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1-8中任一项所述的方法。

18.一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计算机执行根据权利要求1-8中任一项所述的方法。

19.一种路侧设备，包括如权利要求17所述的电子设备。

20.一种云控平台，包括如权利要求17所述的电子设备。