CN116758306A - 一种路面静态物体图像的增强方法、装置、设备及介质 - Google Patents

一种路面静态物体图像的增强方法、装置、设备及介质 Download PDF

Info

Publication number
CN116758306A
CN116758306A CN202310807580.4A CN202310807580A CN116758306A CN 116758306 A CN116758306 A CN 116758306A CN 202310807580 A CN202310807580 A CN 202310807580A CN 116758306 A CN116758306 A CN 116758306A
Authority
CN
China
Prior art keywords
static object
road surface
image
configuration
identification result
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
CN202310807580.4A
Other languages
English (en)
Inventor
李雅欣
张建
谢飞
王御
洪日
闫善鑫
李扬
姜洪伟
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.)
FAW Group Corp
Original Assignee
FAW Group Corp
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 FAW Group Corp filed Critical FAW Group Corp
Priority to CN202310807580.4A priority Critical patent/CN116758306A/zh
Publication of CN116758306A publication Critical patent/CN116758306A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06V10/72—Data preparation, e.g. statistical preprocessing of image or video features
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种路面静态物体图像的增强方法、装置、设备及介质。通过获取并识别待增强的路面静态物体图像，得到环境要素识别结果；随机获取多个目标环境要素综合评分，并根据环境要素综合评分计算公式进行参数配置，分别得到配置量化结果；获取与路面静态物体图像对应的至少一个静态物体样例图像，分别根据各配置量化结果对各静态物体样例图像进行图像配置处理，得到各配置量化静态物体样例图像；分别将其与路面静态物体图像进行组合，得到各路面静态物体增强图像。解决了对具有减速带、井盖或者铁轨等路面静态物体场景的图像数量较少，并且图像采集费时费力的问题，提高了图像数据库的丰富性，提高了路面静态物体场景的图像采集的效率。

Description

一种路面静态物体图像的增强方法、装置、设备及介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种路面静态物体图像的增强方法、装置、设备及介质。
背景技术
在具有自动驾驶系统的车辆上，利用相机实现的环境感知算法可获取环境信息，为车辆决策与控制系统提供前方环境的参考信息，提升车辆行驶的安全性和舒适性。随着计算机硬件的发展，环境感知算法越来越多地依赖机器学习手段，其中包括基于深度学习的分割算法。利用机器学习实现的环境感知算法需要从大量不同的数据中提取算法参数，因此数据集的数据量和数据对场景的覆盖度影响了机器学习算法的最终泛化性能。
发明人在实现本发明的过程中，发现现有技术存在如下缺陷：目前，数据集的搭建一般是通过在真实车辆上开展的数据采集工作来实现，其过程耗时费力，尤其是具有减速带、井盖、铁轨等路面静态物体的场景，需要数据采集人员花费额外的精力去找寻合适的采集场所。
为了构建图像数据库，可以通过抠图的分割算法时，使用了随机缩放和随机裁切的数据增强，但是增强效果仍然受限于原始图片中是否存在静态物体和图片中物体原本的姿态，对数据采集过程的简化程度有限。另外的，还可以采用随机粘贴的方式生成增强图像集，然而通过随机粘贴的方式不能保证对象实例在图像背景中的合理性，反而会引入标签误差。
发明内容
本发明提供了一种路面静态物体图像的增强方法、装置、设备及介质，以提高图像数据库的丰富性，并提高路面静态物体场景的图像采集的效率。
根据本发明的一方面，提供了一种路面静态物体图像的增强方法，其中，包括：
获取待增强的路面静态物体图像，并对所述路面静态物体图像进行环境识别，得到环境要素识别结果；
随机获取多个目标环境要素综合评分，并根据与所述环境要素识别结果对应的环境要素综合评分计算公式进行参数配置，分别得到与各所述目标环境要素综合评分对应的配置量化结果；
获取与路面静态物体图像对应的至少一个静态物体样例图像，分别根据各所述配置量化结果对各所述静态物体样例图像进行图像配置处理，得到各配置量化静态物体样例图像；
分别将各配置量化静态物体样例图像与所述路面静态物体图像进行组合，得到各路面静态物体增强图像。
根据本发明的另一方面，提供了一种路面静态物体图像的增强装置，其中，包括：
环境要素识别结果确定模块，用于获取待增强的路面静态物体图像，并对所述路面静态物体图像进行环境识别，得到环境要素识别结果；
配置量化结果确定模块，用于随机获取多个目标环境要素综合评分，并根据与所述环境要素识别结果对应的环境要素综合评分计算公式进行参数配置，分别得到与各所述目标环境要素综合评分对应的配置量化结果；
配置量化静态物体样例图像确定模块，用于获取与路面静态物体图像对应的至少一个静态物体样例图像，分别根据各所述配置量化结果对各所述静态物体样例图像进行图像配置处理，得到各配置量化静态物体样例图像；
路面静态物体增强图像确模块，用于分别将各配置量化静态物体样例图像与所述路面静态物体图像进行组合，得到各路面静态物体增强图像。
根据本发明的另一方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现本发明任一实施例所述的路面静态物体图像的增强方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的路面静态物体图像的增强方法。
本发明实施例的技术方案，通过获取待增强的路面静态物体图像，并对所述路面静态物体图像进行环境识别，得到环境要素识别结果；随机获取多个目标环境要素综合评分，并根据与所述环境要素识别结果对应的环境要素综合评分计算公式进行参数配置，分别得到与各所述目标环境要素综合评分对应的配置量化结果；获取与路面静态物体图像对应的至少一个静态物体样例图像，分别根据各所述配置量化结果对各所述静态物体样例图像进行图像配置处理，得到各配置量化静态物体样例图像；分别将各配置量化静态物体样例图像与所述路面静态物体图像进行组合，得到各路面静态物体增强图像。解决了对具有减速带、井盖或者铁轨等路面静态物体场景的图像数量较少，并且图像采集费时费力的问题，提高了图像数据库的丰富性，提高了路面静态物体场景的图像采集的效率。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种路面静态物体图像的增强方法的流程图；
图2是根据本发明实施例二提供的一种路面静态物体图像的增强装置的结构示意图；
图3是根据本发明实施例三提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“目标”、“当前”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种路面静态物体图像的增强方法的流程图，本实施例可适用于对路面静态物体图像进行增强和丰富图像数据库的情况，该方法可以由路面静态物体图像的增强装置来执行，该路面静态物体图像的增强装置可以采用硬件和/或软件的形式实现。
相应的，如图1所示，该方法包括：
S110、获取待增强的路面静态物体图像，并对所述路面静态物体图像进行环境识别，得到环境要素识别结果。
其中，路面静态物体图像可以是实时采集到或者需要图像增强的路面静态物体的图像。环境要素识别结果可以是对路面静态物体图像进行识别得到的环境要素的结果。
在本实施例中，需要分别对获取到的多个路面静态物体图像进行环境的识别处理，可以得到不同类别的环境要素识别结果。具体的，所述环境要素识别结果可以包括路面几何参数识别结果、光照条件识别结果、天气状况识别结果、以及路面区域识别结果。
S120、随机获取多个目标环境要素综合评分，并根据与所述环境要素识别结果对应的环境要素综合评分计算公式进行参数配置，分别得到与各所述目标环境要素综合评分对应的配置量化结果。
其中，目标环境要素综合评分可以是在预设的综合评分阈值里，随机获取到的环境要素综合评分的大小。环境要素综合评分计算公式可以是根据环境要素识别结果和环境要素呈现系数参数来构建得到的计算公式。配置量化结果可以包括目标配置样例中心、配置通道光照参数和配置天气参数，能够对所述静态物体样例图像进行配置量化的结果。
在本实施例中，当获取到一个目标环境要素综合评分，可以根据该目标环境要素综合评分和环境要素综合评分计算公式进行参数配置，从而得到相应的参数量化结果。
另外的，对于随机获取多个目标环境要素综合评分，可以按照多个目标环境要素综合评分同时通过不同的处理器来进行多进程的参数配置，实现对目标环境要素综合评分的批量配置量化处理，分别得到各自对应的配置量化结果。
可选的，所述环境要素识别结果包括：路面几何参数识别结果、光照条件识别结果和天气状况识别结果；在所述随机获取多个目标环境要素综合评分，并根据与所述环境要素识别结果对应的环境要素综合评分计算公式进行参数配置之前，还包括：根据所述路面几何参数识别结果、光照条件识别结果和天气状况识别结果，以及与各识别结果匹配的参数配置评分方法，来分别确定出路面几何参数识别结果评分、光照条件识别结果评分和天气状况识别结果评分；根据所述路面几何参数识别结果评分、光照条件识别结果评分和天气状况识别结果评分，以及根据与所述环境要素识别结果对应的环境要素呈现系数参数，来构建得到的所述环境要素综合评分计算公式为：Senviornment＝w1*Sgeometry+w2*Slight+w3*Sweather；其中，Senviornment表示环境要素综合评分；Sgeometry表示路面几何参数识别结果评分；Slight表示光照条件识别结果评分；Sweather表示天气状况识别结果评分；w1表示与所述路面几何参数识别结果评分对应的第一环境要素呈现系数参数；w2表示与所述光照条件识别结果评分对应的第二环境要素呈现系数参数；w3表示与所述天气状况识别结果评分对应的第三环境要素呈现系数参数；w1+w2+w3＝1。
其中，路面几何参数识别结果可以是对路面进行参数描述的识别结果。光照条件识别结果可以是通过光照条件来描述路面静态物体图像对应的识别结果，通过RGB来描述识别结果。天气状况识别结果可以是在天气状况方面，来确定路面静态物体图像对应的识别结果。
在本实施例中，环境要素综合评分具有参数范围，可以设置环境要素综合评分的参数范围为0～5，也即目标环境要素综合评分从上述参数范围中获取随机数，可以设置目标环境要素综合评分为4。
具体的，通过路面几何参数识别结果、光照条件识别结果和天气状况识别结果，与各识别结果匹配的参数配置评分方法进行评分处理，从而可以得到路面几何参数识别结果评分、光照条件识别结果评分和天气状况识别结果评分。
进一步的，路面几何参数识别结果评分、光照条件识别结果评分和天气状况识别结果评分也具有一定的参数取值范围。
相应的，各个识别结果评分均对应环境要素呈现系数参数，并且各个环境要素呈现系数参数的总和为1。
可选的，所述环境要素识别结果还包括：路面区域识别结果；所述根据所述路面几何参数识别结果、光照条件识别结果和天气状况识别结果，以及与各识别结果匹配的参数配置评分方法，来分别确定出路面几何参数识别结果评分、光照条件识别结果评分和天气状况识别结果评分，包括：获取与所述路面静态物体图像对应的目标样例中心；根据所述路面区域识别结果，对所述路面静态物体图像进行路面区域划分，得到路面划分静态物体图像；其中，在所述路面划分静态物体图像中，包括：第一划分路面区域、第二划分路面区域和第三划分路面区域；根据所述第一划分路面区域、第二划分路面区域、第三划分路面区域、路面几何参数识别结果、光照条件识别结果和天气状况识别结果，以及与各识别结果匹配的参数配置评分方法，来分别确定出路面几何参数识别结果评分、光照条件识别结果评分和天气状况识别结果评分。
其中，目标样例中心可以是每个路面静态物体图像都对应一个样例中心，并且该样例中心可用各配置量化静态物体样例图像进行替换。可以理解的是，需要分析目标样例中心的情况，来确定识别结果评分。
其中，路面划分静态物体图像可以是对路面静态物体图像进行路面区域划分得到的图像。
在本实施例中，当目标样例中心命中不同的划分路面区域时，可以得到不同的路面几何参数识别结果评分。另外的，根据不同的划分路面区域之间的参数进行计算，来得到光照条件识别结果评分。进一步的，根据天气状况识别结果来确定天气状况识别结果评分。
可选的，所述根据所述第一划分路面区域、第二划分路面区域、第三划分路面区域、路面几何参数识别结果、光照条件识别结果和天气状况识别结果，以及与各识别结果匹配的参数配置评分方法，来分别确定出路面几何参数识别结果评分、光照条件识别结果评分和天气状况识别结果评分，包括：根据路面几何参数识别结果和公式确定出路面几何参数识别结果评分；其中，M表示目标样例中心；zone1表示第一划分路面区域；zone2表示第二划分路面区域；zone3表示第三划分路面区域；根据光照条件识别结果，来分别确定出与各划分路面区域对应的通道光照参数，并根据各所述通道光照参数来计算得到参数均方根误差；获取各均方根误差阈值，并根据公式确定出光照条件识别结果评分；其中，RMSE表示参数均方根误差；α1表示第一均方根误差阈值；α2表示第二均方根误差阈值；α3表示第三均方根误差阈值；并且α1＜α2＜α3；根据天气状况识别结果，并根据公式确定出天气状况识别结果评分。
其中，通道光照参数可以是通过对不同划分路面区域通过RGB参数来描述得到的参数。参数均方根误差可以是描述当前通道光照参数与标准的通道光照参数之间的均方根误差的大小情况。均方根误差阈值可以是预先设置的均方根误差的阈值的大小情况。其中，均方根误差阈值包括第一均方根误差阈值、第二均方根误差阈值和第三均方根误差阈值。
在本实施例中，需要判断目标样例中心是落入第一划分路面区域、第二划分路面区域还是第三划分路面区域，根据落入不同的划分路面区域来得到对应的路面几何参数识别结果评分。
具体的，当目标样例中心落入第一划分路面区域时，路面几何参数识别结果评分为1；当目标样例中心落入第二划分路面区域时，路面几何参数识别结果评分为2；当目标样例中心落入第三划分路面区域时，路面几何参数识别结果评分为3。
在本实施例中，假设根据光照条件识别结果，来分别确定出与各划分路面区域对应的通道光照参数。具体的，第一划分路面区域对应的通道光照参数为R1,G1,B1；第二划分路面区域对应的通道光照参数为R2,G2,B2；第三划分路面区域对应的通道光照参数为R3,G3,B3。进一步的，根据上述通道光照参数来计算得到参数均方根误差。从而，将其分别与第一均方根误差阈值、第二均方根误差阈值和第三均方根误差阈值进行大小比较，得到光照条件识别结果评分。
另外的，天气状况识别结果可以确定当前天气状况为正常天气、雨天、雾天或者雪天，从而来确定天气状况识别结果评分。
S130、获取与路面静态物体图像对应的至少一个静态物体样例图像，分别根据各所述配置量化结果对各所述静态物体样例图像进行图像配置处理，得到各配置量化静态物体样例图像。
其中，静态物体样例图像可以包括减速带、井盖或者铁轨等样例图像。配置量化静态物体样例图像可以是对静态物体样例图像按照配置量化结果来进行配置得到的图像。
在本实施例中，对于一个静态物体样例图像，可以通过不同的配置量化结果来进行配置，从而得到不同的配置量化静态物体样例图像。
可选的，所述配置量化结果包括：目标配置样例中心、配置通道光照参数和配置天气参数；所述分别根据各所述配置量化结果对各所述静态物体样例图像进行图像配置处理，得到各配置量化静态物体样例图像，包括：根据所述目标配置样例中心、配置通道光照参数和配置天气参数，依次对每一个所述静态物体样例图像进行图像配置处理，分别得到各配置量化静态物体样例图像。
在本实施例中，假设配置量化结果中的目标配置样例中心O(x1,y1)、配置通道光照参数(R1,G1,B1)和配置天气参数Cweather，假设静态物体样例图像为井盖，则根据上述参数对井盖进行配置处理，从而得到配置量化静态物体样例图像。
这样设置的好处在于：通过配置量化结果，对静态物体样例图像进行图像配置处理，这样得到的配置量化静态物体样例图像与路面静态物体图像中的各描述参数相符合，这样得到的增强之后的路面静态物体图像能更好地进行模型的训练。
S140、分别将各配置量化静态物体样例图像与所述路面静态物体图像进行组合，得到各路面静态物体增强图像。
在本实施例中，将配置量化静态物体样例图像分别替换路面静态物体图像中的目标样例中心命中的划分路面区域，从而得到路面静态物体增强图像。
可选的，所述分别将各配置量化静态物体样例图像与所述路面静态物体图像进行组合，得到各路面静态物体增强图像，包括：获取路面划分静态物体图像；分别将各配置量化静态物体样例图像与所述路面划分静态物体图像进行组合，得到各路面静态物体增强图像。
在本实施例中，假设路面划分静态物体图像包括第一划分路面区域、第二划分路面区域和第三划分路面区域，并且目标样例中心命中第一划分路面区域。则将配置量化静态物体样例图像对路面划分静态物体图像对应的第一划分路面区域进行覆盖处理，从而得到路面静态物体增强图像。
可选的，在所述分别将各配置量化静态物体样例图像与所述路面静态物体图像进行组合，得到各路面静态物体增强图像之后，还包括：将各所述路面静态物体增强图像和所述路面静态物体图像加入至图像库中，以通过构建完成的图像库来训练得到路面静态物体分割算法模型。
在本实施例中，通过路面静态物体增强图像和路面静态物体图像来构建图像库，构建完成的图像库中的图像可以作为训练图像样本，来训练得到路面静态物体分割算法模型。可以理解的是，当训练路面静态物体分割算法模型时还包括对参数的优化操作。
本发明实施例的技术方案，通过获取待增强的路面静态物体图像，并对所述路面静态物体图像进行环境识别，得到环境要素识别结果；随机获取多个目标环境要素综合评分，并根据与所述环境要素识别结果对应的环境要素综合评分计算公式进行参数配置，分别得到与各所述目标环境要素综合评分对应的配置量化结果；获取与路面静态物体图像对应的至少一个静态物体样例图像，分别根据各所述配置量化结果对各所述静态物体样例图像进行图像配置处理，得到各配置量化静态物体样例图像；分别将各配置量化静态物体样例图像与所述路面静态物体图像进行组合，得到各路面静态物体增强图像。解决了对具有减速带、井盖或者铁轨等路面静态物体场景的图像数量较少，并且图像采集费时费力的问题，提高了图像数据库的丰富性，提高了路面静态物体场景的图像采集的效率。
实施例二
图2为本发明实施例二提供的一种路面静态物体图像的增强装置的结构示意图。本实施例所提供的一种路面静态物体图像的增强装置可以通过软件和/或硬件来实现，可配置于终端设备或者服务器中，来实现本发明实施例中的一种路面静态物体图像的增强方法。如图2所示，该装置包括：环境要素识别结果确定模块210、配置量化结果确定模块220、配置量化静态物体样例图像确定模块230和路面静态物体增强图像确模块240。
其中，环境要素识别结果确定模块210，用于获取待增强的路面静态物体图像，并对所述路面静态物体图像进行环境识别，得到环境要素识别结果；
配置量化结果确定模块220，用于随机获取多个目标环境要素综合评分，并根据与所述环境要素识别结果对应的环境要素综合评分计算公式进行参数配置，分别得到与各所述目标环境要素综合评分对应的配置量化结果；
配置量化静态物体样例图像确定模块230，用于获取与路面静态物体图像对应的至少一个静态物体样例图像，分别根据各所述配置量化结果对各所述静态物体样例图像进行图像配置处理，得到各配置量化静态物体样例图像；
路面静态物体增强图像确模块240，用于分别将各配置量化静态物体样例图像与所述路面静态物体图像进行组合，得到各路面静态物体增强图像。
本发明实施例的技术方案，通过获取待增强的路面静态物体图像，并对所述路面静态物体图像进行环境识别，得到环境要素识别结果；随机获取多个目标环境要素综合评分，并根据与所述环境要素识别结果对应的环境要素综合评分计算公式进行参数配置，分别得到与各所述目标环境要素综合评分对应的配置量化结果；获取与路面静态物体图像对应的至少一个静态物体样例图像，分别根据各所述配置量化结果对各所述静态物体样例图像进行图像配置处理，得到各配置量化静态物体样例图像；分别将各配置量化静态物体样例图像与所述路面静态物体图像进行组合，得到各路面静态物体增强图像。解决了对具有减速带、井盖或者铁轨等路面静态物体场景的图像数量较少，并且图像采集费时费力的问题，提高了图像数据库的丰富性，提高了路面静态物体场景的图像采集的效率。
可选的，所述环境要素识别结果包括：路面几何参数识别结果、光照条件识别结果和天气状况识别结果。
可选的，还包括，环境要素综合评分计算公式构建模块，可以具体用于：在所述随机获取多个目标环境要素综合评分，并根据与所述环境要素识别结果对应的环境要素综合评分计算公式进行参数配置之前，根据所述路面几何参数识别结果、光照条件识别结果和天气状况识别结果，以及与各识别结果匹配的参数配置评分方法，来分别确定出路面几何参数识别结果评分、光照条件识别结果评分和天气状况识别结果评分；根据所述路面几何参数识别结果评分、光照条件识别结果评分和天气状况识别结果评分，以及根据与所述环境要素识别结果对应的环境要素呈现系数参数，来构建得到的所述环境要素综合评分计算公式为：
Senviornment＝w1*Sgeometry+w2*Slight+w3*Sweather；其中，Senviornment
表示环境要素综合评分；Sgeometry表示路面几何参数识别结果评分；Slight表示光照条件识别结果评分；Sweather表示天气状况识别结果评分；w1表示与所述路面几何参数识别结果评分对应的第一环境要素呈现系数参数；w2表示与所述光照条件识别结果评分对应的第二环境要素呈现系数参数；w3表示与所述天气状况识别结果评分对应的第三环境要素呈现系数参数；w1+w2+w3＝1。
可选的，所述环境要素识别结果还包括：路面区域识别结果。所述环境要素综合评分计算公式构建模块，还可以具体用于：获取与所述路面静态物体图像对应的目标样例中心；根据所述路面区域识别结果，对所述路面静态物体图像进行路面区域划分，得到路面划分静态物体图像；其中，在所述路面划分静态物体图像中，包括：第一划分路面区域、第二划分路面区域和第三划分路面区域；根据所述第一划分路面区域、第二划分路面区域、第三划分路面区域、路面几何参数识别结果、光照条件识别结果和天气状况识别结果，以及与各识别结果匹配的参数配置评分方法，来分别确定出路面几何参数识别结果评分、光照条件识别结果评分和天气状况识别结果评分。
可选的，所述环境要素综合评分计算公式构建模块，还可以具体用于：根据路面几何参数识别结果和公式确定出路面几何参数识别结果评分；其中，M表示目标样例中心；zone1表示第一划分路面区域；zone2表示第二划分路面区域；zone3表示第三划分路面区域；根据光照条件识别结果，来分别确定出与各划分路面区域对应的通道光照参数，并根据各所述通道光照参数来计算得到参数均方根误差；获取各均方根误差阈值，并根据公式/>确定出光照条件识别结果评分；其中，RMSE表示参数均方根误差；α1表示第一均方根误差阈值；α2表示第二均方根误差阈值；α3表示第三均方根误差阈值；并且α1＜α2＜α3；根据天气状况识别结果，并根据公式确定出天气状况识别结果评分。
可选的，所述配置量化结果包括：目标配置样例中心、配置通道光照参数和配置天气参数。所述配置量化静态物体样例图像确定模块230，可以具体用于：根据所述目标配置样例中心、配置通道光照参数和配置天气参数，依次对每一个所述静态物体样例图像进行图像配置处理，分别得到各配置量化静态物体样例图像。
可选的，路面静态物体增强图像确模块240，可以具体用于：获取路面划分静态物体图像；分别将各配置量化静态物体样例图像与所述路面划分静态物体图像进行组合，得到各路面静态物体增强图像。
可选的，还包括，图像库构建模块，可以具体用于：在所述分别将各配置量化静态物体样例图像与所述路面静态物体图像进行组合，得到各路面静态物体增强图像之后，将各所述路面静态物体增强图像和所述路面静态物体图像加入至图像库中，以通过构建完成的图像库来训练得到路面静态物体分割算法模型。
本发明实施例所提供的路面静态物体图像的增强装置可执行本发明任意实施例所提供的路面静态物体图像的增强方法，具备执行方法相应的功能模块和有益效果。
实施例三
图3示出了可以用来实施本发明的实施例三的电子设备10的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图3所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理，例如路面静态物体图像的增强方法。
在一些实施例中，路面静态物体图像的增强方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的路面静态物体图像的增强方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行路面静态物体图像的增强方法。
该方法包括：获取待增强的路面静态物体图像，并对所述路面静态物体图像进行环境识别，得到环境要素识别结果；随机获取多个目标环境要素综合评分，并根据与所述环境要素识别结果对应的环境要素综合评分计算公式进行参数配置，分别得到与各所述目标环境要素综合评分对应的配置量化结果；获取与路面静态物体图像对应的至少一个静态物体样例图像，分别根据各所述配置量化结果对各所述静态物体样例图像进行图像配置处理，得到各配置量化静态物体样例图像；分别将各配置量化静态物体样例图像与所述路面静态物体图像进行组合，得到各路面静态物体增强图像。
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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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，本发明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，只要能够实现本发明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，并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
实施例四
本发明实施例四还提供一种包含计算机可读存储介质，所述计算机可读指令在由计算机处理器执行时用于执行一种路面静态物体图像的增强方法，该方法包括：获取待增强的路面静态物体图像，并对所述路面静态物体图像进行环境识别，得到环境要素识别结果；随机获取多个目标环境要素综合评分，并根据与所述环境要素识别结果对应的环境要素综合评分计算公式进行参数配置，分别得到与各所述目标环境要素综合评分对应的配置量化结果；获取与路面静态物体图像对应的至少一个静态物体样例图像，分别根据各所述配置量化结果对各所述静态物体样例图像进行图像配置处理，得到各配置量化静态物体样例图像；分别将各配置量化静态物体样例图像与所述路面静态物体图像进行组合，得到各路面静态物体增强图像。
当然，本发明实施例所提供的一种包含计算机可读存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的路面静态物体图像的增强方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述路面静态物体图像的增强装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
上述具体实施方式，并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种路面静态物体图像的增强方法，其特征在于，包括：
获取待增强的路面静态物体图像，并对所述路面静态物体图像进行环境识别，得到环境要素识别结果；
随机获取多个目标环境要素综合评分，并根据与所述环境要素识别结果对应的环境要素综合评分计算公式进行参数配置，分别得到与各所述目标环境要素综合评分对应的配置量化结果；
获取与路面静态物体图像对应的至少一个静态物体样例图像，分别根据各所述配置量化结果对各所述静态物体样例图像进行图像配置处理，得到各配置量化静态物体样例图像；
分别将各配置量化静态物体样例图像与所述路面静态物体图像进行组合，得到各路面静态物体增强图像。
2.根据权利要求1所述的方法，其特征在于，所述环境要素识别结果包括：路面几何参数识别结果、光照条件识别结果和天气状况识别结果；
在所述随机获取多个目标环境要素综合评分，并根据与所述环境要素识别结果对应的环境要素综合评分计算公式进行参数配置之前，还包括：
根据所述路面几何参数识别结果、光照条件识别结果和天气状况识别结果，以及与各识别结果匹配的参数配置评分方法，来分别确定出路面几何参数识别结果评分、光照条件识别结果评分和天气状况识别结果评分；
根据所述路面几何参数识别结果评分、光照条件识别结果评分和天气状况识别结果评分，以及根据与所述环境要素识别结果对应的环境要素呈现系数参数，来构建得到的所述环境要素综合评分计算公式为：
Senviornment＝w1*Sgeometry+w2*Slight+w3*Sweather；
其中，Senviornment表示环境要素综合评分；Sgeometry表示路面几何参数识别结果评分；Slight表示光照条件识别结果评分；Sweather表示天气状况识别结果评分；w1表示与所述路面几何参数识别结果评分对应的第一环境要素呈现系数参数；w2表示与所述光照条件识别结果评分对应的第二环境要素呈现系数参数；w3表示与所述天气状况识别结果评分对应的第三环境要素呈现系数参数；w1+w2+w3＝1。
3.根据权利要求2所述的方法，其特征在于，所述环境要素识别结果还包括：路面区域识别结果；
所述根据所述路面几何参数识别结果、光照条件识别结果和天气状况识别结果，以及与各识别结果匹配的参数配置评分方法，来分别确定出路面几何参数识别结果评分、光照条件识别结果评分和天气状况识别结果评分，包括：
获取与所述路面静态物体图像对应的目标样例中心；
根据所述路面区域识别结果，对所述路面静态物体图像进行路面区域划分，得到路面划分静态物体图像；
其中，在所述路面划分静态物体图像中，包括：第一划分路面区域、第二划分路面区域和第三划分路面区域；
根据所述第一划分路面区域、第二划分路面区域、第三划分路面区域、路面几何参数识别结果、光照条件识别结果和天气状况识别结果，以及与各识别结果匹配的参数配置评分方法，来分别确定出路面几何参数识别结果评分、光照条件识别结果评分和天气状况识别结果评分。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第一划分路面区域、第二划分路面区域、第三划分路面区域、路面几何参数识别结果、光照条件识别结果和天气状况识别结果，以及与各识别结果匹配的参数配置评分方法，来分别确定出路面几何参数识别结果评分、光照条件识别结果评分和天气状况识别结果评分，包括：
根据路面几何参数识别结果和公式确定出路面几何参数识别结果评分；
其中，M表示目标样例中心；zone1表示第一划分路面区域；zone2表示第二划分路面区域；zone3表示第三划分路面区域；
根据光照条件识别结果，来分别确定出与各划分路面区域对应的通道光照参数，并根据各所述通道光照参数来计算得到参数均方根误差；
获取各均方根误差阈值，并根据公式确定出光照条件识别结果评分；
其中，RMSE表示参数均方根误差；α1表示第一均方根误差阈值；α2表示第二均方根误差阈值；α3表示第三均方根误差阈值；并且α1＜α2＜α3；
根据天气状况识别结果，并根据公式：
确定出天气状况识别结果评分。
5.根据权利要求4所述的方法，其特征在于，所述配置量化结果包括：目标配置样例中心、配置通道光照参数和配置天气参数；
所述分别根据各所述配置量化结果对各所述静态物体样例图像进行图像配置处理，得到各配置量化静态物体样例图像，包括：
根据所述目标配置样例中心、配置通道光照参数和配置天气参数，依次对每一个所述静态物体样例图像进行图像配置处理，分别得到各配置量化静态物体样例图像。
6.根据权利要求5所述的方法，其特征在于，所述分别将各配置量化静态物体样例图像与所述路面静态物体图像进行组合，得到各路面静态物体增强图像，包括：
获取路面划分静态物体图像；
分别将各配置量化静态物体样例图像与所述路面划分静态物体图像进行组合，得到各路面静态物体增强图像。
7.根据权利要求6所述的方法，其特征在于，在所述分别将各配置量化静态物体样例图像与所述路面静态物体图像进行组合，得到各路面静态物体增强图像之后，还包括：
将各所述路面静态物体增强图像和所述路面静态物体图像加入至图像库中，以通过构建完成的图像库来训练得到路面静态物体分割算法模型。
8.一种路面静态物体图像的增强装置，其特征在于，包括：
环境要素识别结果确定模块，用于获取待增强的路面静态物体图像，并对所述路面静态物体图像进行环境识别，得到环境要素识别结果；
配置量化结果确定模块，用于随机获取多个目标环境要素综合评分，并根据与所述环境要素识别结果对应的环境要素综合评分计算公式进行参数配置，分别得到与各所述目标环境要素综合评分对应的配置量化结果；
配置量化静态物体样例图像确定模块，用于获取与路面静态物体图像对应的至少一个静态物体样例图像，分别根据各所述配置量化结果对各所述静态物体样例图像进行图像配置处理，得到各配置量化静态物体样例图像；
路面静态物体增强图像确模块，用于分别将各配置量化静态物体样例图像与所述路面静态物体图像进行组合，得到各路面静态物体增强图像。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的路面静态物体图像的增强方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现如权利要求1-7中任一项所述的路面静态物体图像的增强方法。
CN202310807580.4A 2023-07-03 2023-07-03 一种路面静态物体图像的增强方法、装置、设备及介质 Pending CN116758306A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310807580.4A CN116758306A (zh) 2023-07-03 2023-07-03 一种路面静态物体图像的增强方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310807580.4A CN116758306A (zh) 2023-07-03 2023-07-03 一种路面静态物体图像的增强方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN116758306A true CN116758306A (zh) 2023-09-15

Family

ID=87955074

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310807580.4A Pending CN116758306A (zh) 2023-07-03 2023-07-03 一种路面静态物体图像的增强方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116758306A (zh)

Similar Documents

Publication Publication Date Title
CN112801164B (zh) 目标检测模型的训练方法、装置、设备及存储介质
US11861919B2 (en) Text recognition method and device, and electronic device
CN113191256A (zh) 车道线检测模型的训练方法、装置、电子设备及存储介质
CN112989995B (zh) 文本检测方法、装置及电子设备
CN116168351B (zh) 电力设备巡检方法及装置
CN114648676A (zh) 点云处理模型的训练和点云实例分割方法及装置
CN115761698A (zh) 一种目标检测方法、装置、设备及存储介质
CN116309963A (zh) 一种图像的批量标注方法、装置、电子设备及存储介质
CN113706705B (zh) 用于高精地图的图像处理方法、装置、设备以及存储介质
CN112991308B (zh) 一种图像质量的确定方法、装置、电子设备和介质
CN115436900A (zh) 基于雷达图的目标检测方法、装置、设备和介质
CN116758306A (zh) 一种路面静态物体图像的增强方法、装置、设备及介质
CN114005098A (zh) 高精地图车道线信息的检测方法、装置和电子设备
CN113989300A (zh) 车道线分割的方法、装置、电子设备和存储介质
CN113963011A (zh) 图像识别方法、装置、电子设备及存储介质
CN113012439B (zh) 车辆检测方法、装置、设备和存储介质
CN113360688B (zh) 信息库的构建方法、装置及系统
CN114092739B (zh) 图像处理方法、装置、设备、存储介质和程序产品
CN113361524B (zh) 图像处理方法及装置
CN117557777A (zh) 一种样本图像确定方法、装置、电子设备以及存储介质
CN116596941A (zh) 一种图像分割方法、装置、设备及存储介质
CN117994772A (zh) 车牌识别方法、车牌识别模型训练方法、装置、电子设备及存储介质
CN116069769A (zh) 基于自动驾驶的数据清洗方法、装置、设备及存储介质
CN116883654A (zh) 语义分割模型的训练方法、语义分割方法、装置及设备
CN116012362A (zh) 一种缺片玻璃式绝缘子的识别方法、装置、设备及介质

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