CN116781916B - 车辆图像存储方法、装置、电子设备和计算机可读介质 - Google Patents
车辆图像存储方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN116781916B CN116781916B CN202311052232.7A CN202311052232A CN116781916B CN 116781916 B CN116781916 B CN 116781916B CN 202311052232 A CN202311052232 A CN 202311052232A CN 116781916 B CN116781916 B CN 116781916B
- Authority
- CN
- China
- Prior art keywords
- vehicle region
- vehicle
- image
- region image
- generate
- 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 44
- 238000012545 processing Methods 0.000 claims abstract description 112
- 238000006243 chemical reaction Methods 0.000 claims abstract description 48
- 238000000605 extraction Methods 0.000 claims abstract description 42
- 239000013598 vector Substances 0.000 claims description 100
- 238000013139 quantization Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000004927 fusion Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims 2
- 238000003199 nucleic acid amplification method Methods 0.000 claims 2
- 239000002699 waste material Substances 0.000 abstract description 11
- 238000011176 pooling Methods 0.000 description 55
- 230000006870 function Effects 0.000 description 20
- 238000007906 compression Methods 0.000 description 16
- 230000006835 compression Effects 0.000 description 16
- 230000004913 activation Effects 0.000 description 13
- 238000012544 monitoring process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011946 reduction process Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/169—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding
- H04N19/186—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the coding unit, i.e. the structural portion or semantic portion of the video signal being the object or the subject of the adaptive coding the unit being a colour or a chrominance component
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/30—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using hierarchical techniques, e.g. scalability
- H04N19/33—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using hierarchical techniques, e.g. scalability in the spatial domain
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/42—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation
- H04N19/423—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation characterised by memory arrangements
- H04N19/426—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals characterised by implementation details or hardware specially adapted for video compression or decompression, e.g. dedicated software implementation characterised by memory arrangements using memory downsizing methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/60—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本公开的实施例公开了车辆图像存储方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：获取车辆视频；对于车辆图像，执行以下步骤：根据车辆图像和车辆区域图像提取模型，生成车辆区域图像；根据车辆图像和车辆区域图像，确定非车辆区域图像；对车辆区域图像进行颜色空间变换处理，得到颜色变换车辆区域图像；对颜色变换车辆区域图像进行无损编码处理，以生成无损编码数据集合；对非车辆区域图像进行有损编码处理，以生成有损编码数据集合；根据有损编码数据集合和无损编码数据集合，确定编码车辆图像；将各个编码车辆图像存储至内存中。该实施方式可以提高存储的车辆图像中车辆的清晰度以及减少内存资源浪费。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及车辆图像存储方法、装置、电子设备和计算机可读介质。
背景技术
随着计算机技术的发展，车辆监控给我们的日常生活带来了很多便利。目前，在对车辆监控视频进行存储操作时，通常采用的方式为：对车辆监控视频统一全压缩存储（包括全部无损压缩存储或者全部有损压缩存储）。
然而，发明人发现，当采用上述方式对车辆监控视频进行存储操作时，经常会存在如下技术问题：
第一，对车辆监控视频进行统一有损压缩存储时，导致存储的图像质量较差，车辆图像中车辆的清晰度较低；进行统一无损压缩存储时，占用的内存较高，造成内存资源的浪费。
第二，在对车辆监控视频进行存储操作时，对整张图像进行统一压缩存储，导致存储的图像中冗余信息较多。从而导致占用的内存较高，造成内存资源的浪费。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了车辆图像存储方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种车辆图像存储的方法，该方法包括：获取车辆视频；对于上述车辆视频中的每一帧车辆图像，执行以下步骤：根据上述车辆图像和预先训练的车辆区域图像提取模型，生成车辆区域图像；根据上述车辆图像和上述车辆区域图像，确定非车辆区域图像；对上述车辆区域图像进行颜色空间变换处理，得到颜色空间变换处理后的车辆区域图像作为颜色变换车辆区域图像；对上述颜色变换车辆区域图像进行无损编码处理，以生成无损编码数据集合；对上述非车辆区域图像进行有损编码处理，以生成有损编码数据集合；根据上述有损编码数据集合和上述无损编码数据集合，确定编码车辆图像；将所确定的各个编码车辆图像存储至内存中。
第二方面，本公开的一些实施例提供了一种车辆图像存储装置，装置包括：获取单元，被配置成获取车辆视频；执行单元，被配置成对于上述车辆视频中的每一帧车辆图像，执行以下步骤：根据上述车辆图像和预先训练的车辆区域图像提取模型，生成车辆区域图像；根据上述车辆图像和上述车辆区域图像，确定非车辆区域图像；对上述车辆区域图像进行颜色空间变换处理，得到颜色空间变换处理后的车辆区域图像作为颜色变换车辆区域图像；对上述颜色变换车辆区域图像进行无损编码处理，以生成无损编码数据集合；对上述非车辆区域图像进行有损编码处理，以生成有损编码数据集合；根据上述有损编码数据集合和上述无损编码数据集合，确定编码车辆图像；存储单元，被配置成将所确定的各个编码车辆图像存储至内存中。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的车辆图像存储方法，可以提高存储的车辆图像中车辆的清晰度以及减少内存资源的浪费。具体来说，导致存储的车辆图像中车辆的清晰度较低以及内存占用较多的原因在于：对车辆监控视频进行统一有损压缩存储时，导致存储的图像质量较差，车辆图像中车辆的清晰度较低；进行统一无损压缩存储时，占用的内存较高，造成内存资源的浪费。基于此，本公开的一些实施例的车辆图像存储方法，首先，获取车辆视频。由此，可以得到需要进行存储的车辆视频。然后，对于上述车辆视频中的每一帧车辆图像，执行以下步骤：根据上述车辆图像和预先训练的车辆区域图像提取模型，生成车辆区域图像。由此，可以得到表征感兴趣区域的车辆区域图像。从而可以用于对车辆图像中的车辆进行识别和分类。之后，根据上述车辆图像和上述车辆区域图像，确定非车辆区域图像。由此，可以得到表征非感兴趣区域的非车辆区域图像。其次，对上述车辆区域图像进行颜色空间变换处理，得到颜色空间变换处理后的车辆区域图像作为颜色变换车辆区域图像。由此，可以得到颜色变换车辆区域图像，从而可以通过颜色空间变换来降低车辆图像中各个颜色分量的相关性，进而可以进行有效冗余压缩。然后，对上述颜色变换车辆区域图像进行无损编码处理，以生成无损编码数据集合。由此，可以得到无损编码数据集合，从而可以对感兴趣区域的目标车辆的细节信息进行有效保留。之后，对上述非车辆区域图像进行有损编码处理，以生成有损编码数据集合。由此，可以得到有损编码数据集合，从而可以对车辆图像中冗余信息进行有效去除。随后，根据上述有损编码数据集合和上述无损编码数据集合，确定编码车辆图像。由此，可以得到编码车辆图像。从而既对车辆图像中的车辆细节信息进行了保留，也对车辆图像中的冗余信息进行了删除处理。最后，将所确定的各个编码车辆图像存储至内存中。由此，可以将进行有效编码处理后的车辆视频存储至内存中。也因为通过利用车辆区域图像提取模型对车辆图像进行识别，可以将车辆图像区分为表征感兴趣区域的车辆区域图像和表征非感兴趣的非车辆区域图像。还因为对感兴趣区域进行无损压缩处理，可以保留车辆图像中车辆的细节信息，从而可以保留车辆图像中车辆的清晰度，有利于对车辆进行精准识别。对非感兴趣区域进行有损压缩处理，可以去除车辆图像中的冗余信息，减少内存资源的占用，减少内存资源的浪费。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的车辆图像存储方法的一些实施例的流程图；
图2是根据本公开的车辆图像存储生成装置的一些实施例的结构示意图；
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的车辆图像存储方法的一些实施例的流程100。该车辆图像存储方法，包括以下步骤：
步骤101，获取车辆视频。
在一些实施例中，车辆图像存储方法的执行主体（例如计算设备）可以通过有线连接方式或者无线连接方式从车辆图像采集设备获取车辆视频。其中，上述图像采集设备可以为能够对道路上行驶的车辆进行图像采集的设备。例如，上述图像采集设备可以为摄像机。上述车辆视频可以为上述图像采集设备采集到的车辆视频。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB（ultra wideband）连接、以及其他现在已知或将来开发的无线连接方式。
步骤102，对于车辆视频中的每一帧车辆图像，执行以下步骤：
步骤1021，根据车辆图像和预先训练的车辆区域图像提取模型，生成车辆区域图像。
在一些实施例中，根据上述车辆图像和预先训练的车辆区域图像提取模型，上述执行主体可以生成车辆区域图像。其中，上述车辆区域图像提取模型可以包括：特征提取层、特征融合层、权重特征提取层和检测头层。上述车辆区域图像提取模型可以为以车辆图像为输入，以车辆区域图像为输出的神经网络模型。上述特征提取层可以为能够对车辆图像进行初步特征提取的网络层。上述特征融合层可以为能够将底层细节特征和高层语义特征进行特征融合的网络层。上述权重特征提取层可以为能够对特征图从通道和空间两个维度进行权重特征提取的网络层。由此，可以从通道和空间两个维度聚焦有用特征，加强网络特征提取能力。上述检测头层可以为能够对特征图进行目标车辆检测，确定目标车辆对应的车辆区域图像的网络层。
在一些实施例的一些可选的实现方式中，根据上述车辆图像和预先训练的车辆区域图像提取模型，上述执行主体可以通过以下步骤生成车辆区域图像：
第一步，将上述车辆图像输入至上述特征提取层，得到特征提取向量。这里，上述特征提取层可以为能够对车辆图像进行特征提取，得到特征提取向量的网络层。
第二步，将上述特征提取向量输入至上述特征融合层，得到融合特征向量。这里，上述特征融合层可以为能够将特征提取向量的底层细节特征和高层语义特征进行特征融合，得到融合特征向量的网络层。其中，底层细节特征经过的卷积处理次数较少、语义性更低、噪声更多和分辨率更高。高层语义特征经过的卷积处理次数较多，语义性更高、噪声更少和分辨率更低，从而对细节的感知能力较差。将两者进行融合，可以提高车辆区域图像提取模型对车辆图像中车辆的识别准确率。
第三步，将上述融合特征向量输入至上述权重特征提取层，得到权重特征向量。这里，上述权重特征提取层可以为能够对融合特征向量从通道和空间两个维度进行权重特征提取，得到权重特征向量的网络层。
第四步，将上述权重特征向量输入至上述检测头层，得到车辆目标框信息。这里，上述检测头层可以为能够对权重特征向量进行车辆信息检测，得到车辆对应的车辆目标框信息的网络层。上述车辆目标框信息可以为车辆图像中车辆对应区域的坐标信息。
第五步，将上述车辆图像中与上述车辆目标框信息对应的图像区域确定为车辆区域图像。这里，上述与上述车辆目标框信息对应的图像区域可以为目标框信息所围成的目标框内的区域。
在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤将上述融合特征向量输入至上述权重特征提取层，得到权重特征向量：
第一步，对上述融合特征向量进行全局平均池化处理，以生成通道全局平均池化向量。
第二步，对上述融合特征向量进行全局最大池化处理，以生成通道全局最大池化向量。
第三步，根据上述通道全局平均池化向量和预设激活函数，生成通道全局平均池化向量权重系数。实践中，上述执行主体可以将上述通道全局平均池化向量输入至上述预设激活函数，得到通道全局平均池化向量权重系数。其中，上述预设激活函数可以为预先设定的激活函数。这里，上述预设激活函数可以为Sigmoid激活函数。
第四步，根据上述通道全局最大池化向量和上述预设激活函数，生成通道全局最大池化向量权重系数。实践中，上述执行主体可以将上述通道全局最大池化向量输入至上述预设激活函数，得到通道全局最大池化向量权重系数。
第五步，根据上述融合特征向量、上述通道全局平均池化向量、上述通道全局平均池化向量权重系数、上述通道全局最大池化向量和上述通道全局最大池化向量权重系数，生成通道权重向量。实践中，首先，上述执行主体可以将上述通道全局平均池化向量与上述通道全局平均池化向量权重系数的乘积确定为第一通道向量。然后，可以将上述通道全局最大池化向量和上述通道全局最大池化向量权重系数的乘积确定为第二通道向量。之后，可以将上述第一通道向量与上述第二通道向量的和确定为第三通道向量。最后，可以将第三通道向量与上述融合特征向量的乘积确定为通道权重向量。
第六步，对上述通道权重向量进行全局平均池化处理，以生成空间全局平均池化向量。
第七步，对上述通道权重向量进行全局最大池化处理，以生成空间全局最大池化向量。
第八步，根据上述空间全局平均池化向量、空间全局最大池化向量和上述预设激活函数，生成空间域权重系数。实践中，首先，上述执行主体可以将上述空间全局平均池化向量和空间全局最大池化向量进行组合，以生成组合向量。然后，可以将上述组合向量输入至上述预设激活函数，得到空间域权重系数。这里，组合的方式可以为拼接。
第九步，根据上述空间域权重系数和通道权重向量，生成权重特征向量。实践中，上述执行主体可以将上述空间域权重系数和通道权重向量的乘积确定为权重特征向量。
上述第一步至第九步及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“在对车辆监控视频进行存储操作时，对整张图像进行统一压缩存储，导致存储的图像中冗余信息较多。从而导致占用的内存较高，造成内存资源的浪费”。导致存储的图像中冗余信息较多。从而导致占用的内存较高，造成内存资源浪费的因素往往如下：在对车辆监控视频进行存储操作时，对整张图像进行统一压缩存储，导致存储的图像中冗余信息较多。从而导致占用的内存较高，造成内存资源的浪费。如果解决了上述因素，就能达到减少存储的图像中存储的冗余信息，从而减少占用的内存，减少内存资源浪费的效果。为了达到这一效果，首先，对上述融合特征向量进行全局平均池化处理，以生成通道全局平均池化向量。由此，可以得到通道全局平均池化向量。即，可以得到表征聚合所有像素点特征映射的空间信息。然后，对上述融合特征向量进行全局最大池化处理，以生成通道全局最大池化向量。由此，可以得到通道全局最大池化向量，即，可以得到表征聚合区域最大特征映射的空间信息。随后，根据上述通道全局平均池化向量和预设激活函数，生成通道全局平均池化向量权重系数。由此，可以得到表征通道全局平均池化向量权重贡献的通道全局平均池化向量权重系数。随之，根据上述通道全局最大池化向量和预设激活函数，生成通道全局最大池化向量权重系数。由此，可以得到表征通道全局最大池化向量权重贡献的通道全局最大池化向量权重系数。其次，根据上述融合特征向量、上述通道全局平均池化向量、上述通道全局平均池化向量权重系数、上述通道全局最大池化向量和上述通道全局最大池化向量权重系数，生成通道权重向量。由此，可以得到通道权重向量。从而可以获得通道注意力的权重向量，可以实现空间维度的压缩，进而聚合特征映射的空间信息。然后，对上述通道权重向量进行全局平均池化处理，以生成空间全局平均池化向量。由此，可以得到空间全局平均池化向量，即，可以得到表征聚合所有像素点特征映射的通道信息。之后，对上述通道权重向量进行全局最大池化处理，以生成空间全局最大池化向量。由此，可以得到空间全局最大池化向量，即，可以得到表征聚合区域最大特征映射的通道信息。随后，根据上述空间全局平均池化向量、空间全局最大池化向量和上述预设激活函数，生成空间域权重系数。由此，可以得到表征空间重要程度的空间域权重系数。最后，根据上述空间域权重系数和通道权重向量，生成权重特征向量。由此，可以得到权重特征向量。从而可以提高空间特征和通道特征对提取的目标区域图像的影响。也因为通过确定上述融合特征向量、上述通道全局平均池化向量、上述通道全局平均池化向量权重系数、上述通道全局最大池化向量和上述通道全局最大池化向量权重系数，可以生成通道权重向量，还因为通过确定空间域权重系数，可以得到表征空间特征和通道特征贡献权重的权重特征向量。从而可以在通道和空间两个不同维度实现特征细化和提取，聚焦图像局部信息，加强图像的空间特征和通道特征对提取的目标区域图像的影响。从而可以提高提取的目标区域图像的准确度，减少存储的图像中存储的冗余信息，减少占用的内存，减少内存资源的浪费。
步骤1022，根据车辆图像和车辆区域图像，确定非车辆区域图像。
在一些实施例中，根据上述车辆图像和上述车辆区域图像，上述执行主体可以确定非车辆区域图像。实践中，上述执行主体可以将上述车辆图像中除上述车辆区域图像之外的区域确定为非车辆区域图像。
步骤1023，对车辆区域图像进行颜色空间变换处理，得到颜色空间变换处理后的车辆区域图像作为颜色变换车辆区域图像。
在一些实施例中，上述执行主体可以对上述车辆区域图像进行颜色空间变换处理，得到颜色空间变换处理后的车辆区域图像作为颜色变换车辆区域图像。其中，上述车辆区域图像包括的每个车辆区域像素对应有红颜色分量、绿颜色分量和蓝颜色分量。这里，上述车辆区域像素对应的红颜色分量、绿颜色分量和蓝颜色分量可以理解为RGB分量。RGB分量值的范围为[0，255]。
在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤对上述车辆区域图像进行颜色空间变换处理，得到颜色空间变换处理后的车辆区域图像作为颜色变换车辆区域图像：
第一步，对于上述车辆区域图像包括的每个车辆区域像素，执行以下步骤：
第一子步骤，将上述车辆区域像素对应的红颜色分量确定为变换红颜色分量。
第二子步骤，根据第一预设分量阈值、第二预设分量阈值、上述红颜色分量和上述车辆区域像素对应的绿颜色分量，生成变换绿颜色分量。其中，上述第一预设分量阈值可以为预先设定的分量阈值。上述第二预设分量阈值可以为预先设定的分量阈值。这里，上述第一预设分量阈值可以为128。上述第二预设分量阈值可以为256。作为示例，上述变换绿颜色分量可以为：
。
其中，上述可以表示变换绿颜色分量。上述/>可以表示红颜色分量。上述/>可以表示绿颜色分量。上述/>可以表示第一预设分量阈值。上述/>可以表示第二预设分量阈值。
第三子步骤，根据上述绿颜色分量、上述车辆区域像素对应的蓝颜色分量、上述第一预设分量阈值和上述第二预设分量阈值，生成变换蓝颜色分量。其中，上述变换蓝颜色分量可以为：
。
其中，上述可以表示变换蓝颜色分量。上述/>可以表示蓝颜色分量。
第四子步骤，根据上述变换红颜色分量、上述变换绿颜色分量和上述变换蓝颜色分量，确定颜色变换分量。实践中，上述执行主体可以将上述变换红颜色分量、上述变换绿颜色分量和上述变换蓝颜色分量确定为颜色变换分量。
第五子步骤，将颜色变换分量对应的车辆区域像素确定为颜色变换车辆区域像素。
第二步，将所确定的各个颜色变换车辆区域像素所组成的图像确定为颜色变换车辆区域图像。
步骤1024，对颜色变换车辆区域图像进行无损编码处理，以生成无损编码数据集合。
在一些实施例中，上述执行主体可以对上述颜色变换车辆区域图像进行无损编码处理，以生成无损编码数据集合。
在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤对上述颜色变换车辆区域图像进行无损编码处理，以生成无损编码数据集合：
第一步，对上述颜色变换车辆区域图像进行缩小化处理，以生成第一缩小车辆区域图像。实践中，上述执行主体可以通过以下步骤对上述颜色变换车辆区域图像进行缩小化处理，以生成第一缩小车辆区域图像：
第一子步骤，利用高斯核对上述颜色变换车辆区域图像进行卷积处理，得到高斯卷积处理图像。这里，上述高斯核的大小可以为5*5。
第二子步骤，对上述高斯卷积处理图像进行下采样操作，得到下采样操作后的高斯卷积处理图像作为第一缩小车辆区域图像。这里，下采样操作可以理解为去除高斯卷积处理图像中的偶数行和偶数列。
第二步，对上述第一缩小车辆区域图像进行放大处理，以生成第一放大车辆区域图像。其中，上述第一放大车辆区域图像与上述颜色变换车辆区域图像的图像尺寸相同。具体地，图像尺寸可以包括图像宽度和图像高度。实践中，上述执行主体可以通过以下步骤对上述第一缩小车辆区域图像进行放大处理，以生成第一放大车辆区域图像：
第一子步骤，将所述第一缩小车辆区域图像在每个方向上扩大2倍，得到第一扩大车辆区域图像。
第二子步骤，对上述第一扩大车辆区域图像进行像素值填充处理，得到填充后第一扩大车辆区域图像。这里，可以理解为对上述第一扩大车辆区域图像中新增的行和列进行0值填充。
第三子步骤，利用上述高斯核对填充后第一扩大车辆区域图像进行卷积处理，得到卷积处理后的填充后第一扩大车辆区域图像作为第一放大车辆区域图像。
第三步，根据上述颜色变换车辆区域图像和上述第一放大车辆区域图像，生成第一残差车辆区域图像。实践中，上述执行主体可以对上述颜色变换车辆区域图像和上述第一放大车辆区域图像进行图像相减处理，以生成第一残差车辆区域图像。
第四步，将上述第一缩小车辆区域图像进行缩小化处理，以生成第二缩小车辆区域图像。这里，对上述第一缩小车辆区域图像进行缩小化处理的方式与对上述颜色变换车辆区域图像进行缩小化处理的方式相同，在此不再赘述。
第五步，对上述第二缩小车辆区域图像进行放大处理，以生成第二放大车辆区域图像。其中，上述第二放大车辆区域图像与上述第一缩小车辆区域图像的图像尺寸相同。这里，对第二缩小车辆区域图像进行放大处理的方式与对上述第一缩小车辆区域图像进行放大处理的方式相同，在此不再赘述。
第六步，根据上述第一缩小车辆区域图像和上述第二放大车辆区域图像，生成第二残差车辆区域图像。实践中，上述执行主体可以对上述第一缩小车辆区域图像和上述第二放大车辆区域图像进行图像相减处理，以生成第二残差车辆区域图像。
第七步，对上述第二缩小车辆区域图像进行缩小化处理，以生成第三缩小车辆区域图像。实践中，对上述第二缩小车辆区域图像进行缩小化处理的方式与上述颜色变换车辆区域图像进行缩小化处理的方式相同，在此不再赘述。
第八步，对上述第三缩小车辆区域图像进行放大处理，以生成第三放大车辆区域图像。其中，上述第三放大车辆区域图像与上述第二缩小车辆区域图像的图像尺寸相同。这里，对上述第三缩小车辆区域图像进行放大处理的方式与对上述第一缩小车辆区域图像进行放大处理的方式相同，在此不再赘述。
第九步，根据上述第二缩小车辆区域图像和上述第三放大车辆区域图像，生成第三残差车辆区域图像。实践中，上述执行主体可以对上述第二缩小车辆区域图像和上述第三放大车辆区域图像进行图像相减处理，以生成第三残差车辆区域图像。
第十步，根据上述第一残差车辆区域图像、上述第二残差车辆区域图像、上述第三残差车辆区域图像和上述第三缩小车辆区域图像，生成无损编码数据集合。
在一些实施例的一些可选的实现方式中，根据上述第一残差车辆区域图像、上述第二残差车辆区域图像、上述第三残差车辆区域图像和上述第三缩小车辆区域图像，上述执行主体可以通过以下步骤生成无损编码数据集合：
第一步，根据上述第一残差车辆区域图像、上述第二残差车辆区域图像、上述第三残差车辆区域图像和上述第三缩小车辆区域图像，生成待编码图像序列。实践中，上述执行主体可以将上述第一残差车辆区域图像、上述第二残差车辆区域图像、上述第三残差车辆区域图像和上述第三缩小车辆区域图像按照图像的图像尺寸进行升序排序，以生成待编码图像序列。这里，上述待编码图像序列可以为[第三缩小车辆区域图像，第三残差车辆区域图像，第二残差车辆区域图像，第一残差车辆区域图像]。
第二步，对上述待编码图像序列进行编码处理，得到无损编码数据集合。实践中，上述执行主体可以对上述待编码图像序列进行熵编码处理，得到熵编码处理后的待编码图像序列作为无损编码数据集合。
步骤1025，对非车辆区域图像进行有损编码处理，以生成有损编码数据集合。
在一些实施例中，上述执行主体可以对上述非车辆区域图像进行有损编码处理，以生成有损编码数据集合。
在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤对上述非车辆区域图像进行有损编码处理，以生成有损编码数据集合：
第一步，对上述非车辆区域图像进行颜色空间变换处理，得到颜色空间变换非车辆区域图像。实践中，上述执行主体可以通过预设转换矩阵对上述非车辆区域图像进行颜色空间变换处理，得到颜色空间变换非车辆区域图像。其中，颜色空间变换非车辆区域图像可以用以下公式表示：
。
其中，可以表示颜色空间变换非车辆区域图像中的每个像素。上述/>可以表示非车辆区域图像中的每个像素的颜色分量。上述可以表示预设转换矩阵。上述/>可以表示非车辆区域图像中的每个像素对应的红颜色分量。上述/>可以表示非车辆区域图像中的每个像素对应的绿颜色分量。上述/>可以表示非车辆区域图像中的每个像素对应的蓝颜色分量。上述/>可以表示颜色空间变换非车辆区域图像中的每个像素的明亮度。上述/>可以表示颜色空间变换非车辆区域图像中的每个像素的色度。上述/>可以表示颜色空间变换非车辆区域图像中的每个像素的浓度。
第二步，对上述颜色空间变换非车辆区域图像进行图像分割处理，以生成非车辆区域分割图像集合。实践中，上述执行主体可以按照8*8（像素）对上述颜色空间变换非车辆区域图像进行图像分割处理，以生成非车辆区域分割图像集合。
第三步，对于上述非车辆区域分割图像集合中的每个非车辆区域分割图像，执行以下步骤：
第一子步骤，对上述非车辆区域分割图像进行变换处理，以生成非车辆区域分割图像对应的频率系数矩阵。实践中，上述执行主体可以对上述非车辆区域分割图像进行离散余弦变换处理，以生成非车辆区域分割图像对应的频率系数矩阵。这里，离散余弦变换处理可以减少图像像素间的空间相关性，使图像能量集中在左上角区域，从而利于数据压缩。
第二子步骤，对上述频率系数矩阵进行量化处理，以生量化矩阵。实践中，上述执行主体可以利用预设量化表对上述频率系数矩阵进行量化处理，以生成量化矩阵。这里，首先，对于上述频率系数矩阵中的每个频率系数元素，上述执行主体可以将预设量化表中与上述频率系数元素对应的预设量化元素确定为第一元素。然后，对上述频率系数元素与上述第一元素的比值进行取整处理，得到量化元素。最后，将所得到的各个量化元素所组成的矩阵确定为量化矩阵。其中，上述预设量化表可以为预先设定的对上述频率系数矩阵进行量化的表。这里，量化表的形式可以为矩阵。
第三子步骤，对上述量化矩阵进行编码处理，以生成有损编码数据。
第四步，将所生成的各个有损编码数据确定为有损编码数据集合。
在一些实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤对上述量化矩阵进行编码处理，以生成有损编码数据：
第一步，根据上述量化矩阵，确定量化数组。实践中，上述执行主体可以对上述量化矩阵按照zigzag（例如，从量化矩阵左上角开始走之字形）的方式对上述量化矩阵包括的各个量化元素进行排序，以生成量化数组。
第二步，对上述量化数组进行编码处理，以生成有损编码数据。实践中，上述执行主体可以对上述量化数组进行哈夫曼编码，以生成有损编码数据。
步骤1026，根据有损编码数据集合和无损编码数据集合，确定编码车辆图像。
在一些实施例中，上述执行主体可以根据上述有损编码数据集合和上述无损编码数据集合，确定编码车辆图像。实践中，上述执行主体可以将上述有损编码数据集合和上述无损编码数据集合对应的图像确定为编码车辆图像。这里，可以理解为车辆图像可以用编码数据来表示。
步骤103，将所确定的各个编码车辆图像存储至内存中。
在一些实施例中，上述执行主体可以将所确定的各个编码车辆图像存储至内存中。实践中，上述执行主体可以将所确定的各个编码车辆图像存储至内存中。其中，上述内存可以为上述执行主体所在的内存。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的车辆图像存储方法，可以提高存储的车辆图像中车辆的清晰度以及减少内存资源的浪费。具体来说，导致存储的车辆图像中车辆的清晰度较低以及内存占用较多的原因在于：对车辆监控视频进行统一有损压缩存储时，导致存储的图像质量较差，车辆图像中车辆的清晰度较低；进行统一无损压缩存储时，占用的内存较高，造成内存资源的浪费。基于此，本公开的一些实施例的车辆图像存储方法，首先，获取车辆视频。由此，可以得到需要进行存储的车辆视频。然后，对于上述车辆视频中的每一帧车辆图像，执行以下步骤：根据上述车辆图像和预先训练的车辆区域图像提取模型，生成车辆区域图像。由此，可以得到表征感兴趣区域的车辆区域图像。从而可以用于对车辆图像中的车辆进行识别和分类。之后，根据上述车辆图像和上述车辆区域图像，确定非车辆区域图像。由此，可以得到表征非感兴趣区域的非车辆区域图像。其次，对上述车辆区域图像进行颜色空间变换处理，得到颜色空间变换处理后的车辆区域图像作为颜色变换车辆区域图像。由此，可以得到颜色变换车辆区域图像，从而可以通过颜色空间变换来降低车辆图像中各个颜色分量的相关性，进而可以进行有效冗余压缩。然后，对上述颜色变换车辆区域图像进行无损编码处理，以生成无损编码数据集合。由此，可以得到无损编码数据集合，从而可以对感兴趣区域的目标车辆的细节信息进行有效保留。之后，对上述非车辆区域图像进行有损编码处理，以生成有损编码数据集合。由此，可以得到有损编码数据集合，从而可以对车辆图像中冗余信息进行有效去除。随后，根据上述有损编码数据集合和上述无损编码数据集合，确定编码车辆图像。由此，可以得到编码车辆图像。从而既对车辆图像中的车辆细节信息进行了保留，也对车辆图像中的冗余信息进行了删除处理。最后，将所确定的各个编码车辆图像存储至内存中。由此，可以将进行有效编码处理后的车辆视频存储至内存中。也因为通过利用车辆区域图像提取模型对车辆图像进行识别，可以将车辆图像区分为表征感兴趣区域的车辆区域图像和表征非感兴趣的非车辆区域图像。还因为对感兴趣区域进行无损压缩处理，可以保留车辆图像中车辆的细节信息，从而可以保留车辆图像中车辆的清晰度，有利于对车辆进行精准识别。对非感兴趣区域进行有损压缩处理，可以去除车辆图像中的冗余信息，减少内存资源的占用，减少内存资源的浪费。
进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种车辆图像存储装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图2所示，一些实施例的车辆图像存储装置200包括：获取单元201、执行单元202和存储单元203。其中，获取单元201被配置成获取车辆视频；执行单元202被配置成对于上述车辆视频中的每一帧车辆图像，执行以下步骤：根据上述车辆图像和预先训练的车辆区域图像提取模型，生成车辆区域图像；根据上述车辆图像和上述车辆区域图像，确定非车辆区域图像；对上述车辆区域图像进行颜色空间变换处理，得到颜色空间变换处理后的车辆区域图像作为颜色变换车辆区域图像；对上述颜色变换车辆区域图像进行无损编码处理，以生成无损编码数据集合；对上述非车辆区域图像进行有损编码处理，以生成有损编码数据集合；根据上述有损编码数据集合和上述无损编码数据集合，确定编码车辆图像；存储单元203被配置成将所确定的各个编码车辆图像存储至内存中。
可以理解的是，该车辆图像存储装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于车辆图像存储装置200及其中包含的单元，在此不再赘述。
下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备300（例如计算设备）的结构示意图。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300可以包括处理装置301（例如中央处理器、图形处理器等），其可以根据存储在只读存储器（ROM）302中的程序或者从存储装置308加载到随机访问存储器（RAM）303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出（I/O）接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（Hyper Text TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取车辆视频；对于上述车辆视频中的每一帧车辆图像，执行以下步骤：根据上述车辆图像和预先训练的车辆区域图像提取模型，生成车辆区域图像；根据上述车辆图像和上述车辆区域图像，确定非车辆区域图像；对上述车辆区域图像进行颜色空间变换处理，得到颜色空间变换处理后的车辆区域图像作为颜色变换车辆区域图像；对上述颜色变换车辆区域图像进行无损编码处理，以生成无损编码数据集合；对上述非车辆区域图像进行有损编码处理，以生成有损编码数据集合；根据上述有损编码数据集合和上述无损编码数据集合，确定编码车辆图像；将所确定的各个编码车辆图像存储至内存中。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、执行单元和存储单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取车辆视频的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (8)
1.一种车辆图像存储方法，包括：
获取车辆视频；
对于所述车辆视频中的每一帧车辆图像，执行以下步骤：
根据所述车辆图像和预先训练的车辆区域图像提取模型，生成车辆区域图像；
根据所述车辆图像和所述车辆区域图像，确定非车辆区域图像；
对所述车辆区域图像进行颜色空间变换处理，得到颜色空间变换处理后的车辆区域图像作为颜色变换车辆区域图像，其中，所述车辆区域图像包括的每个车辆区域像素对应有红颜色分量、绿颜色分量和蓝颜色分量，所述对所述车辆区域图像进行颜色空间变换处理，得到颜色空间变换处理后的车辆区域图像作为颜色变换车辆区域图像，包括：
对于所述车辆区域图像包括的每个车辆区域像素，执行以下步骤：
将所述车辆区域像素对应的红颜色分量确定为变换红颜色分量；
根据第一预设分量阈值、第二预设分量阈值、所述红颜色分量和所述车辆区域像素对应的绿颜色分量，生成变换绿颜色分量；
根据所述绿颜色分量、所述车辆区域像素对应的蓝颜色分量、所述第一预设分量阈值和所述第二预设分量阈值，生成变换蓝颜色分量；
根据所述变换红颜色分量、所述变换绿颜色分量和所述变换蓝颜色分量，确定颜色变换分量；
将颜色变换分量对应的车辆区域像素确定为颜色变换车辆区域像素；
将所确定的各个颜色变换车辆区域像素所组成的图像确定为颜色变换车辆区域图像；
对所述颜色变换车辆区域图像进行无损编码处理，以生成无损编码数据集合，其中，所述对所述颜色变换车辆区域图像进行无损编码处理，以生成无损编码数据集合，包括：
对所述颜色变换车辆区域图像进行缩小化处理，以生成第一缩小车辆区域图像；
对所述第一缩小车辆区域图像进行放大处理，以生成第一放大车辆区域图像；
根据所述颜色变换车辆区域图像和所述第一放大车辆区域图像，生成第一残差车辆区域图像；
将所述第一缩小车辆区域图像进行缩小化处理，以生成第二缩小车辆区域图像；
对所述第二缩小车辆区域图像进行放大处理，以生成第二放大车辆区域图像；
根据所述第一缩小车辆区域图像和所述第二放大车辆区域图像，生成第二残差车辆区域图像；
对所述第二缩小车辆区域图像进行缩小化处理，以生成第三缩小车辆区域图像；
对所述第三缩小车辆区域图像进行放大处理，以生成第三放大车辆区域图像；
根据所述第二缩小车辆区域图像和所述第三放大车辆区域图像，生成第三残差车辆区域图像；
根据所述第一残差车辆区域图像、所述第二残差车辆区域图像、所述第三残差车辆区域图像和所述第三缩小车辆区域图像，生成无损编码数据集合；
对所述非车辆区域图像进行有损编码处理，以生成有损编码数据集合；
根据所述有损编码数据集合和所述无损编码数据集合，确定编码车辆图像；
将所确定的各个编码车辆图像存储至内存中。
2.根据权利要求1所述的方法，其中，根据所述第一残差车辆区域图像、所述第二残差车辆区域图像、所述第三残差车辆区域图像和所述第三缩小车辆区域图像，生成无损编码数据集合，包括：
根据所述第一残差车辆区域图像、所述第二残差车辆区域图像、所述第三残差车辆区域图像和所述第三缩小车辆区域图像，生成待编码图像序列；
对所述待编码图像序列进行编码处理，得到无损编码数据集合。
3.根据权利要求1所述的方法，其中，所述对所述非车辆区域图像进行有损编码处理，以生成有损编码数据集合，包括：
对所述非车辆区域图像进行颜色空间变换处理，得到颜色空间变换非车辆区域图像；
对所述颜色空间变换非车辆区域图像进行图像分割处理，以生成非车辆区域分割图像集合；
对于所述非车辆区域分割图像集合中的每个非车辆区域分割图像，执行以下步骤：
对所述非车辆区域分割图像进行变换处理，以生成非车辆区域分割图像对应的频率系数矩阵；
对所述频率系数矩阵进行量化处理，以生量化矩阵；
对所述量化矩阵进行编码处理，以生成有损编码数据；
将所生成的各个有损编码数据确定为有损编码数据集合。
4.根据权利要求3所述的方法，其中，所述对所述量化矩阵进行编码处理，以生成有损编码数据，包括：
根据所述量化矩阵，确定量化数组；
对所述量化数组进行编码处理，以生成有损编码数据。
5.根据权利要求1所述的方法，其中，所述车辆区域图像提取模型包括：特征提取层、特征融合层、权重特征提取层和检测头层；以及
所述根据所述车辆图像和预先训练的车辆区域图像提取模型，生成车辆区域图像，包括：
将所述车辆图像输入至所述特征提取层，得到特征提取向量；
将所述特征提取向量输入至所述特征融合层，得到融合特征向量；
将所述融合特征向量输入至所述权重特征提取层，得到权重特征向量；
将所述权重特征向量输入至所述检测头层，得到车辆目标框信息；
将所述车辆图像中与所述车辆目标框信息对应的图像区域确定为车辆区域图像。
6.一种车辆图像存储装置，包括：
获取单元，被配置成获取车辆视频；
执行单元，被配置成对于所述车辆视频中的每一帧车辆图像，执行以下步骤：根据所述车辆图像和预先训练的车辆区域图像提取模型，生成车辆区域图像；根据所述车辆图像和所述车辆区域图像，确定非车辆区域图像；对所述车辆区域图像进行颜色空间变换处理，得到颜色空间变换处理后的车辆区域图像作为颜色变换车辆区域图像，其中，所述车辆区域图像包括的每个车辆区域像素对应有红颜色分量、绿颜色分量和蓝颜色分量，所述对所述车辆区域图像进行颜色空间变换处理，得到颜色空间变换处理后的车辆区域图像作为颜色变换车辆区域图像，包括：
对于所述车辆区域图像包括的每个车辆区域像素，执行以下步骤：
将所述车辆区域像素对应的红颜色分量确定为变换红颜色分量；
根据第一预设分量阈值、第二预设分量阈值、所述红颜色分量和所述车辆区域像素对应的绿颜色分量，生成变换绿颜色分量；
根据所述绿颜色分量、所述车辆区域像素对应的蓝颜色分量、所述第一预设分量阈值和所述第二预设分量阈值，生成变换蓝颜色分量；
根据所述变换红颜色分量、所述变换绿颜色分量和所述变换蓝颜色分量，确定颜色变换分量；
将颜色变换分量对应的车辆区域像素确定为颜色变换车辆区域像素；
将所确定的各个颜色变换车辆区域像素所组成的图像确定为颜色变换车辆区域图像；对所述颜色变换车辆区域图像进行无损编码处理，以生成无损编码数据集合，其中，所述对所述颜色变换车辆区域图像进行无损编码处理，以生成无损编码数据集合，包括：
对所述颜色变换车辆区域图像进行缩小化处理，以生成第一缩小车辆区域图像；
对所述第一缩小车辆区域图像进行放大处理，以生成第一放大车辆区域图像；
根据所述颜色变换车辆区域图像和所述第一放大车辆区域图像，生成第一残差车辆区域图像；
将所述第一缩小车辆区域图像进行缩小化处理，以生成第二缩小车辆区域图像；
对所述第二缩小车辆区域图像进行放大处理，以生成第二放大车辆区域图像；
根据所述第一缩小车辆区域图像和所述第二放大车辆区域图像，生成第二残差车辆区域图像；
对所述第二缩小车辆区域图像进行缩小化处理，以生成第三缩小车辆区域图像；
对所述第三缩小车辆区域图像进行放大处理，以生成第三放大车辆区域图像；
根据所述第二缩小车辆区域图像和所述第三放大车辆区域图像，生成第三残差车辆区域图像；
根据所述第一残差车辆区域图像、所述第二残差车辆区域图像、所述第三残差车辆区域图像和所述第三缩小车辆区域图像，生成无损编码数据集合；对所述非车辆区域图像进行有损编码处理，以生成有损编码数据集合；根据所述有损编码数据集合和所述无损编码数据集合，确定编码车辆图像；
存储单元，被配置成将所确定的各个编码车辆图像存储至内存中。
7.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
8.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311052232.7A CN116781916B (zh) | 2023-08-21 | 2023-08-21 | 车辆图像存储方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311052232.7A CN116781916B (zh) | 2023-08-21 | 2023-08-21 | 车辆图像存储方法、装置、电子设备和计算机可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116781916A CN116781916A (zh) | 2023-09-19 |
| CN116781916B true CN116781916B (zh) | 2023-11-17 |
Family
ID=87991586
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311052232.7A Active CN116781916B (zh) | 2023-08-21 | 2023-08-21 | 车辆图像存储方法、装置、电子设备和计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116781916B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1291315A (zh) * | 1998-03-20 | 2001-04-11 | 三菱电机株式会社 | 有损失/无损失感兴趣区域图像编码 |
| CN101257629A (zh) * | 2008-02-26 | 2008-09-03 | 吉林大学 | 基于感兴趣区域的图像序列无损压缩的编解码方法 |
| CN110445617A (zh) * | 2019-07-16 | 2019-11-12 | 阿里巴巴集团控股有限公司 | 一种基于区块链的车辆停靠图像存储方法、装置及系统 |
| CN111464812A (zh) * | 2020-04-17 | 2020-07-28 | 西安万像电子科技有限公司 | 编码解码的方法、系统、装置、存储介质及处理器 |
| CN111612796A (zh) * | 2020-04-27 | 2020-09-01 | 西安万像电子科技有限公司 | 图像处理方法及装置 |
| CN115249276A (zh) * | 2022-08-04 | 2022-10-28 | 中国电信股份有限公司 | 图像压缩方法、装置、电子设备及存储介质 |
| CN115643404A (zh) * | 2022-11-16 | 2023-01-24 | 江西锦路科技开发有限公司 | 一种基于混合深度学习的图像处理方法、装置和系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4693603B2 (ja) * | 2004-11-15 | 2011-06-01 | キヤノン株式会社 | 画像符号化装置及びその制御方法、並びに、コンピュータプログラム及びコンピュータ可読記憶媒体 |
-
2023
- 2023-08-21 CN CN202311052232.7A patent/CN116781916B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1291315A (zh) * | 1998-03-20 | 2001-04-11 | 三菱电机株式会社 | 有损失/无损失感兴趣区域图像编码 |
| CN101257629A (zh) * | 2008-02-26 | 2008-09-03 | 吉林大学 | 基于感兴趣区域的图像序列无损压缩的编解码方法 |
| CN110445617A (zh) * | 2019-07-16 | 2019-11-12 | 阿里巴巴集团控股有限公司 | 一种基于区块链的车辆停靠图像存储方法、装置及系统 |
| CN111464812A (zh) * | 2020-04-17 | 2020-07-28 | 西安万像电子科技有限公司 | 编码解码的方法、系统、装置、存储介质及处理器 |
| CN111612796A (zh) * | 2020-04-27 | 2020-09-01 | 西安万像电子科技有限公司 | 图像处理方法及装置 |
| CN115249276A (zh) * | 2022-08-04 | 2022-10-28 | 中国电信股份有限公司 | 图像压缩方法、装置、电子设备及存储介质 |
| CN115643404A (zh) * | 2022-11-16 | 2023-01-24 | 江西锦路科技开发有限公司 | 一种基于混合深度学习的图像处理方法、装置和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116781916A (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112990219B (zh) | 用于图像语义分割的方法和装置 | |
| CN113724136B (zh) | 一种视频修复方法、设备及介质 | |
| WO2022028197A1 (zh) | 一种图像处理方法及其设备 | |
| CN110310293B (zh) | 人体图像分割方法及设备 | |
| WO2022100140A1 (zh) | 一种压缩编码、解压缩方法以及装置 | |
| CN112801883A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
| CN112241744B (zh) | 图像颜色迁移方法、装置、设备和计算机可读介质 | |
| CN114067009A (zh) | 基于Transformer模型的图像处理方法与装置 | |
| CN116781916B (zh) | 车辆图像存储方法、装置、电子设备和计算机可读介质 | |
| WO2023138540A1 (zh) | 边缘提取方法、装置、电子设备及存储介质 | |
| CN116486009A (zh) | 单目三维人体重建方法、装置以及电子设备 | |
| WO2023050433A1 (zh) | 视频编解码方法、编码器、解码器及存储介质 | |
| CN116016934A (zh) | 视频编码方法、装置、电子设备和计算机可读介质 | |
| CN112749802B (zh) | 神经网络模型的训练方法、装置以及计算机可读存储介质 | |
| CN111797931B (zh) | 图像处理方法、图像处理网络训练方法、装置、设备 | |
| CN114972021A (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
| CN113706385A (zh) | 一种视频超分辨率方法、装置、电子设备及存储介质 | |
| CN117692679B (zh) | 质量增强视频发送方法、装置、电子设备和可读介质 | |
| CN117390206B (zh) | 生鲜图像存储方法、装置、电子设备和计算机可读介质 | |
| CN116758359B (zh) | 图像识别方法、装置及电子设备 | |
| CN118158430A (zh) | 视频并行编码方法、装置、电子设备和计算机可读介质 | |
| CN114445630A (zh) | 图像分割及模型训练方法、装置、终端设备及存储介质 | |
| CN116958282A (zh) | 图像压缩方法、装置、设备及存储介质 | |
| CN117372292A (zh) | 压缩图像数据增强方法、装置、设备和计算机可读介质 | |
| CN118524248A (zh) | 一种视频处理方法、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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |