CN117496474A - 目标检测模型训练和目标检测方法、装置、设备及介质 - Google Patents
目标检测模型训练和目标检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117496474A CN117496474A CN202311754892.XA CN202311754892A CN117496474A CN 117496474 A CN117496474 A CN 117496474A CN 202311754892 A CN202311754892 A CN 202311754892A CN 117496474 A CN117496474 A CN 117496474A
- Authority
- CN
- China
- Prior art keywords
- image
- original
- mapping
- map
- scaling
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 148
- 238000012549 training Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims description 57
- 238000013507 mapping Methods 0.000 claims abstract description 182
- 241000251468 Actinopterygii Species 0.000 claims abstract description 13
- 238000002372 labelling Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 description 19
- 238000005516 engineering process Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 241000282326 Felis catus Species 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 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
Classifications
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种目标检测模型训练和目标检测方法、装置、设备及介质,涉及人工智能技术领域,尤其涉及自动驾驶和智能交通技术领域。具体实现方案为:采用低矮目标的原始贴图数据对原始鱼眼图像进行贴图处理,得到样本鱼眼图像;其中,所述原始贴图数据包括低矮目标贴图和原始贴图尺寸;采用所述样本鱼眼图像对目标检测模型进行迭代训练。通过上述技术方案,能够提高车辆盲区低矮目标的检测准确率。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及自动驾驶和智能交通技术领域。
背景技术
随着无人驾驶技术的发展,鱼眼相机目标检测模型对于提升自动驾驶安全提供保障。目前线上的鱼眼检测模型采用标注数据+监督学习的方案,但路上锥桶、三角牌、猫狗等低矮目标比较少见,出现在盲区范围内就更加少见,仅使用标注数据学习得到的检测模型对盲区内的锥桶、三角牌、猫狗等低矮目标检测准召较低,路上会出现误检、漏检,影响下游控车决策,导致路上莫名急刹(误检)或者碰撞(漏检)。因此,亟需一种更有效的目标检测手段来提高车辆盲区的目标检测准确率。
发明内容
本公开提供了一种目标检测模型训练和目标检测方法、装置、设备及介质。
根据本公开的一方面,提供了一种目标检测模型的训练方法,该方法包括:
采用低矮目标的原始贴图数据对原始鱼眼图像进行贴图处理,得到样本鱼眼图像;其中,所述原始贴图数据包括低矮目标贴图和原始贴图尺寸;
采用所述样本鱼眼图像对目标检测模型进行迭代训练。
根据本公开的一方面,提供了一种目标检测方法,该方法包括:
获取待检测鱼眼图像;
采用目标检测模型对所述待检测鱼眼图像进行目标检测,得到目标检测结果;其中,所述目标检测模型基于本公开任一实施例所述的目标检测模型的训练方法训练得到。
根据本公开的一方面,提供了一种目标检测模型的训练装置,该装置包括:
样本鱼眼图像确定模块,用于采用低矮目标的原始贴图数据对原始鱼眼图像进行贴图处理,得到样本鱼眼图像;其中,所述原始贴图数据包括低矮目标贴图和原始贴图尺寸;
检测模型训练模块,用于采用所述样本鱼眼图像对目标检测模型进行迭代训练。
根据本公开的一方面,提供了一种目标检测装置,包括:
待检测图像获取模块,用于获取待检测鱼眼图像;
检测结果确定模块,用于采用目标检测模型对所述待检测鱼眼图像进行目标检测,得到目标检测结果;其中,所述目标检测模型基于本公开任一实施例所述的目标检测模型的训练装置训练得到。
根据本公开的另一方面,提供了一种电子设备,该电子设备包括:
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任一实施例所述目标检测模型的训练方法或目标检测方法。
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计算机执行本公开任一实施例所述目标检测模型的训练方法或目标检测方法。
根据本公开的一方面,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本公开任一实施例所述目标检测模型的训练方法或目标检测方法。
根据本公开的技术,能够提高车辆盲区低矮目标的检测准确率。
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提供的一种目标检测模型的训练方法的流程图;
图2是根据本公开实施例提供的另一种目标检测模型的训练方法的流程图;
图3是根据本公开实施例提供的又一种目标检测模型的训练方法的流程图;
图4是根据本公开实施例提供的一种目标检测方法的流程图;
图5是根据本公开实施例提供的一种目标检测模型的训练装置的结构示意图;
图6是根据本公开实施例提供的一种目标检测装置的结构示意图;
图7是用来实现本公开实施例的目标检测模型的训练方法或目标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。
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“第一”、“第二”、“目标”“候选”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。
此外,还需要说明的是,本发明的技术方案中,所涉及的针孔相机图像和鱼眼图像等相关数据的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
图1是根据本公开实施例提供的一种目标检测模型的训练方法的流程图。本实施例适用于自动驾驶场景中如何准确检测车辆盲区低矮目标的情况。该方法可以由目标检测模型的训练装置来执行,该装置可以采用软件和/或硬件的方式实现,并可集成于承载目标检测模型的训练功能的电子设备中,比如服务器中。如图1所示,本实施例的目标检测模型的训练方法可以包括:
S101,采用低矮目标的原始贴图数据对原始鱼眼图像进行贴图处理,得到样本鱼眼图像。
本实施例中,低矮目标是指自动驾驶场景中可能会出现在车辆盲区的低矮物体,例如可以是锥桶、三角牌、猫狗、小孩等物体。所谓原始贴图数据是指低矮目标从针孔相机图像中抠出来的贴图相关数据;可选的,原始贴图数据包括低矮目标贴图和原始贴图尺寸;其中,低矮目标贴图是指从针孔相机图像中裁剪出的低矮目标的图像;原始贴图尺寸是指低矮目标贴图的宽和高。
所谓原始鱼眼图像是指从安装在自动驾驶车辆外侧的鱼眼传感器中得到的鱼眼图像;可选的,鱼眼传感器分别安装在自动驾驶车辆的前后两侧、以及自动驾驶车辆两侧的后视镜上。所谓样本鱼眼图像是指对原始鱼眼图像进行低矮目标贴图后得到的鱼眼图像。
需要说明的是,这些低矮目标在自动驾驶场景中出现的次数极少,因此,鱼眼鱼眼图像中包含低矮目标的情况也是极少数。
一种可选方式,可以从原始鱼眼图像选择合适的位置,将低矮目标的低矮目标贴图覆盖至原始鱼眼图像中,得到样本鱼眼图像。
S102,采用样本鱼眼图像对目标检测模型进行迭代训练。
本实施例中,目标检测模型是指用于自动驾驶场景中进行目标检测的模型,尤其是自动驾驶盲区鱼眼检测模型。
具体的,可以采用样本鱼眼图像对目标检测模型进行迭代训练,直至满足训练停止条件,停止对目标检测模型的训练。需要说明的是,训练停止条件包括训练次数达到设定次数,或训练损失稳定在设定范围;其中,设定次数和设定范围可以由本领域技术人员根据实际情况设定。
本公开实施例提供的技术方案,采用低矮目标的原始贴图数据对原始鱼眼图像进行贴图处理,得到样本鱼眼图像在,之后采用样本鱼眼图像对目标检测模型进行迭代训练。上述技术方案,通过采用低矮目标的原始贴图数据对原始鱼眼图像进行贴图,以对原始鱼眼数据增强,从而提高目标驾驶场景中车辆盲区低矮目标的检测准确率,进而对下游控车决策提供有效数据保障。
在上述实施例的基础上,作为本公开的一种可选实施方式,采用低矮目标的原始贴图数据对原始鱼眼图像进行贴图处理,得到样本鱼眼图像,包括:对于每一迭代训练轮次中每一训练批次,以第一概率采用低矮目标的原始贴图数据对该训练批次对应的原始鱼眼图像进行贴图处理,得到样本鱼眼图像。
首先需要说明的是,模型在训练是通常会进行多轮迭代训练,对于每一迭代训练轮次,进行分批次训练,例如,迭代训练轮次为300轮次,将所有样本鱼眼图像分为300份,进而,每一迭代训练轮次分8次训练批次,将每一份样本鱼眼图像又分为8份。
具体的,对于每一迭代训练轮次中的每一训练批次,以第一概率采用低矮目标的原始贴图数据对该训练批次对应的原始鱼眼图像进行贴图处理,以得到样本鱼眼图像。其中,第一概率可以由本领域技术人员根据实际情况设定,例如10%。也就是说,对于每一训练批次,有10%的概率采用低矮目标的原始贴图数据对该训练批次对应的原始鱼眼图像进行贴图处理,从而得到样本鱼眼图像。
可以理解的是,通过在每一训练批次中以一定概率对原始鱼眼图像进行贴图,即通过这种在线贴图的方式,来对原始鱼眼图像进行数据增强,以提高样本鱼眼图像中低矮目标的出现频率,从而提高目标检测模型对于低矮目标的检测准确性。
在上述实施例的基础上,作为本公开的一种可选实施方式,在得到样本鱼眼图像后,还可以对样本鱼眼图像的标注信息中全图接地点和贴图接地点进行更新。
其中,全图接地点是指样本鱼眼图像中道路边界的点,也即车辆可通行的图像道路上的点。所谓贴图接地点是指贴图与鱼眼图像中道路接触的边界点。
具体的,在得到样本鱼眼图像后,对样本鱼眼图像的标注信息中的全图接地点和贴图接地点进行更新。
可以理解的是,通过对标注信息中的全图接地点和贴图接地点进行更新,可以指导自动驾驶车辆进行可通行道路的选择,从而提高自动驾驶安全性。
在上述实施例的基础上,作为本公开的一种可选实施方式,低矮目标的原始贴图数据可以通过如下方式确定:根据针孔相机图像的粗标注框,对针孔相机图像进行裁剪,得到区域图像;其中,区域图像包括低矮目标;采用分割模型对区域图像进行像素级分类,得到低矮目标的图像掩码区域;根据图像掩码区域对针孔相机图像进行抠图,得到低矮目标的原始贴图数据。
其中,区域图像是指从针孔相机图像中裁剪出的包括低矮目标的图像。所谓图像掩码区域是指区域图像中低矮目标的二值化图像区域,也即图像掩码区域的像素值保持不变,其余区域的像素值为0。所谓分割模型用于进行图像的像素级分类;可选的,可以采用基于细粒度标注/逐像素标注的自动驾驶路上数据对mmsegmentation中的UPerNet模型进行预先训练得到。
具体的,可以根据针孔相机图像的粗标注框,对针对相机图像进行裁剪,得到区域图像,之后,将区域图像输入分割模型中,经过分割模型处理,得到低矮目标的图像掩码区域,进而根据图像掩码区域对针孔相机图像进行抠图,得到低矮目标的低矮目标贴图和原始贴图尺寸。
可以理解的是,通过基于自动驾驶路上数据所训练得到的分割模型对针孔相机图像进行离线抠图,可以得到更加准确的低矮目标的贴图数据。
图2是根据本公开实施例提供的另一种目标检测模型的训练方法的流程图。本实施例在上述实施例的基础上,对“采用低矮目标的原始贴图数据对原始鱼眼图像进行贴图处理,得到样本鱼眼图像”进一步优化,提供一种可选实施方案。如图2所示,本实施例的目标检测模型的训练方法可以包括:
S201,确定低矮目标在原始鱼眼图像中的贴图位置、以及低矮目标的缩放比例。
本实施例中,贴图位置是指将低矮目标放置在原始鱼眼图像中的位置。所谓缩放比例是指对低矮目标的原始贴图尺寸进行缩放的比例。
一种可选方式,可以从原始鱼眼图像中背景为道路的区域中随机确定低矮目标在原始鱼眼图像中的贴图位置。
又一种可选方式,可以基于低矮目标的原始贴图尺寸和原始鱼眼图像的图像尺寸之间的比例关系,确定低矮目标的缩放比例。
S202,采用缩放比例,对原始贴图数据进行缩放处理,得到缩放贴图数据。
本实施例中,缩放贴图数据包括缩放贴图、缩放贴图标注框和缩放贴图尺寸;其中,缩放贴图是指对原始贴图数据中低矮目标贴图缩放后的贴图;缩放贴图标注框是指缩放贴图在原始鱼眼图像中的标注框;缩放贴图尺寸是指缩放贴图的图像尺寸,包括缩放贴图宽度和缩放贴图高度。
具体的,基于缩放比例,对原始贴图数据进行缩放处理,得到缩放贴图数据。例如,基于缩放比例,对原始贴图数据中原始贴图尺寸进行缩放,即原始贴图尺寸与缩放比例进行乘积运算,得到缩放贴图尺寸,也即原始贴图高度与缩放比例相乘得到缩放贴图高度,原始贴图宽度与缩放比例相乘得到缩放贴图宽度。之后,可以采用Opencv中图像处理方式,比如采用双线性差值方式,根据缩放贴图尺寸和原始贴图数据中的低矮目标贴图,确定缩短贴图。同时,可以采用Opencv中图像处理方式,比如采用线性插值方式,根据缩放贴图尺度和原始贴图数据中的原始贴图标注框,确定缩放贴图标注框。
S203,将缩放贴图覆盖至原始鱼眼图像的贴图位置处,得到样本鱼眼图像。
具体的,可以将缩放贴图覆盖至原始鱼眼图像的贴图位置处,得到样本鱼眼图像。
S204,采用样本鱼眼图像对目标检测模型进行迭代训练。
本公开实施例提供的技术方案,通过确定低矮目标在原始鱼眼图像中的贴图位置、以及低矮目标的缩放比例,之后采用缩放比例,对原始贴图数据进行缩放处理,得到缩放贴图数据,进而将缩放贴图覆盖至原始鱼眼图像的贴图位置处,得到样本鱼眼图像,采用样本鱼眼图像对目标检测模型进行迭代训练。上述技术方案,通过对低矮目标的贴图进行缩放处理后覆盖至原始鱼眼图像中的贴图位置,可以使得低矮目标与原始鱼眼图像更加贴合,从而为后续目标检测模型的训练提供保障。
在上述实施例的基础上,作为本公开的一种可选方式,将缩放贴图覆盖至原始鱼眼图像的贴图位置处,得到样本鱼眼图像,包括:从原始鱼眼图像的标注信息中确定在贴图位置处是否存在其他目标的其他标注框;若存在,则确定缩放标注框与其他标注框之间的交并比;响应于缩放标注框未超过原始鱼眼图像的图像边界,且交并比小于0,将缩放贴图覆盖至原始鱼眼图像的贴图位置处,得到样本鱼眼图像。
具体的,在将缩放贴图粘贴至原始鱼眼图像时,首先从原始鱼眼图像的标注信息中确定在贴图位置处是否存在其他目标的其他标注框,若存在其他标注框,则确定缩放标注框与其他标注框之间的交并比,之后若缩放标注框未超过原始鱼眼图像的图像边界,且交并比小于0,也就是说,在贴图位置处没有其他目标,将将缩放贴图覆盖至原始鱼眼图像的贴图位置处,得到样本鱼眼图像。若不存在其他标注框,则响应于缩放标注框未超过原始鱼眼图像的图像边界,将缩放贴图覆盖至原始鱼眼图像的贴图位置处,得到样本鱼眼图像。
可以理解的是,通过交并比的方式来确定贴图位置处是否存在其他目标,同时判断贴图位置是否超出原始鱼眼图像边界,来确定是否将缩放贴图贴指原始鱼眼图像,可以避免贴图放置在原始鱼眼图像外侧,也可避免贴图后多个目标在同一位置处导致后续目标识别混乱。
进一步地,响应于交并比大于0,重新确定贴图位置。也就是说,若交并比大于0,即贴图位置处已经存在其他目标物体,因此可以重新执行上述步骤S201-S203,以重新确定贴图位置。需要说明的是,可以最多循环执行设定次比如20次上述步骤S201-S203,若仍发现在贴图位置处存在其他目标,则对该原始鱼眼图像进行贴图处理。
可以理解的是,通过多次重新确定贴图位置,可以选择合适的贴图位置进行贴图,以得到更有效的样本鱼眼图像。
在上述实施例的基础上,作为本公开的另一种可选方式,将缩放贴图覆盖至原始鱼眼图像的贴图位置处,得到样本鱼眼图像,包括:将缩放贴图覆盖至原始鱼眼图像的贴图位置处,得到候选鱼眼图像;对缩放贴图在候选鱼眼图像中进行随机翻转,得到样本鱼眼图像。
其中,候选鱼眼图像是指将缩放贴图覆盖至原始鱼眼图像的贴图位置处后得到的鱼眼图像。
具体的,可以将缩放贴图覆盖至原始鱼眼图像的贴图位置处,得到候选鱼眼图像,进行在候选鱼眼图像中,对缩放贴图进行随机左右翻转,得到样本鱼眼图像。
可以理解的是,通过对缩放贴图再进行随机翻转,可以增强样本鱼眼图像的泛化性。
图3是根据本公开实施例提供的又一种目标检测模型的训练方法的流程图。本实施例在上述实施例的基础上,分别对“确定低矮目标在原始鱼眼图像中的贴图位置、以及低矮目标的缩放比例”进一步优化,提供一种可选实施方案。如图3所示,本实施例的目标检测模型的训练方法可以包括:
S301,随机确定低矮目标在原始鱼眼图像中的贴图下边缘线与原始鱼眼图像的图像高度之间的高度比值。
本实施例中,贴图下边缘线是指低矮目标的下边缘在原始鱼眼图像中的像素横线。
具体的,可以从设定区间内随机确定低矮目标在原始鱼眼图像中的贴图下边缘线与原始鱼眼图像的图像高度之间的高度比值。其中,设定区间可以由本领域技术人员根据实际需求设定,例如[0.48-0.85]。
S302,根据高度比值和拟合期望宽度函数,确定期望贴图宽度。
本实施例中,期望贴图宽度是指低矮目标的贴图在原始鱼眼图像中的期望宽度。拟合期望宽度函数是指用于确定缩放贴图在原始鱼眼图像中的期望宽度。可选的,以高度比值为自变量,以期望贴图宽度为因变量,基于实际测量的三组数据,即(测量高度比值,期望贴图宽度)的三组数据,采用最小二乘法拟合出高度比值这个自变量与期望贴图高度这个因变量之间的函数关系,即拟合期望宽度函数。
具体的,将高度比值输入至拟合期望宽度函数,得到期望贴图宽度。
S303,对原始贴图尺寸中原始贴图宽度与期望贴图宽度进行比较,并基于比较结果,根据原始贴图宽度与期望贴图宽度,确定缩放比例。
具体的,若原始贴图宽度大于第一倍数的期望贴图宽度,且小于第二倍数的期望贴图宽度,则缩放比例为1。否则,将期望贴图宽度与原始贴图宽度之间的比值,作为缩放比例。需要说明的是,第一倍数小于第二倍数,可以由本领域技术人员根据实际情况设定,例如第一倍数为0.9,第二倍数为1.1。
S304,确定低矮目标在原始鱼眼图像中的贴图位置。
S305,采用缩放比例,对原始贴图数据进行缩放处理,得到缩放贴图数据。
其中,缩放贴图数据包括缩放贴图、缩放贴图标注框和缩放贴图尺寸。
S306,将缩放贴图覆盖至原始鱼眼图像的贴图位置处,得到样本鱼眼图像。
S307,采用样本鱼眼图像对目标检测模型进行迭代训练。
本公开实施例提供的技术方案,通过随机确定低矮目标在原始鱼眼图像中的贴图下边缘线与原始鱼眼图像的图像高度之间的高度比值,根据高度比值和拟合期望宽度函数,确定期望贴图宽度,并对原始贴图尺寸中原始贴图宽度与期望贴图宽度进行比较,并基于比较结果,根据原始贴图宽度与期望贴图宽度,确定缩放比例,之后确定低矮目标在原始鱼眼图像中的贴图位置,进而采用缩放比例,对原始贴图数据进行缩放处理,得到缩放贴图数据,并将缩放贴图覆盖至原始鱼眼图像的贴图位置处,得到样本鱼眼图像,最后采用样本鱼眼图像对目标检测模型进行迭代训练。上述技术方案,引入期望贴图宽度来确定缩放比例,可以使得所确定的缩放比例更适合低矮目标在原始鱼眼图像的缩放处理,从而使得低矮目标贴图更贴合原始鱼眼图像。
在上述实施例的基础上,作为本公开的一种可选方式,确定低矮目标在原始鱼眼图像中的贴图位置,包括:从原始鱼眼图像中随机确定低矮目标的贴图左边缘线;根据高度比值和图像高度,确定贴图下边缘线;根据缩放比例,对原始贴图尺寸中原始贴图高度进行缩放,得到缩放贴图高度;根据贴图下边缘线和缩放贴图高度,确定低矮目标在原始鱼眼图像中的贴图上边缘线;将贴图上边缘线和贴图左边缘线之间的交点作为贴图位置。
其中,贴图左边缘线是指低矮目标的左边缘在原始鱼眼图像中的像素竖线。贴图上边缘线是指低矮目标的上边缘在原始鱼眼图像中的像素横线。
具体的,从原始鱼眼图像左侧靠近道路的区域,随机确定一条像素竖线,作为低矮目标的贴图左边缘线,之后将高度比值与原始鱼眼图像的图像高度之间的乘积,作为贴图下边缘线,进而采用缩放比例,对原始贴图尺寸中原始贴图高度进行缩放,得到缩放贴图高度,并将贴图下边缘线与缩放贴图高度相减,得到低矮目标在原始鱼眼图像中的贴图上边缘线,最后将贴图上边缘线和贴图左边缘线之间的交点作为贴图位置。
可以理解的是,通过缩放比例来确定贴图上边缘线,以基于贴图上边缘线和贴图下边缘线来确定贴图位置,可以较准确的得到低矮目标的贴图位置。
图4是根据本公开实施例提供的一种目标检测方法的流程图。本实施例适用于。本实施例适用于自动驾驶场景中如何准确检测车辆盲区低矮目标的情况。该方法可以由目标检测装置来执行,该装置可以采用软件和/或硬件的方式实现,并可集成于承载目标检测功能的电子设备中,比如自动驾驶车辆中。如图4所示,本实施例的目标检测方法可以包括:
S401,获取待检测鱼眼图像。
本实施例中,待检测鱼眼图像是指实时从自动驾驶车辆中鱼眼传感器中获取到的车辆盲区的鱼眼图像。
具体的,可以实时从自动驾驶车辆中鱼眼传感器中获取待检测鱼眼图像。
S402,采用目标检测模型对待检测鱼眼图像进行目标检测,得到目标检测结果。
其中,目标检测模型基于本公开任一实施例所提供的目标检测模型的训练方法训练得到。所谓目标检测结果是指待检测鱼眼图像的检测结果,也即对自动驾驶车辆盲区的目标的检测结果。
具体的,可以将待检测鱼眼图像输入到目标检测模型中,经过目标检测模型的实时处理,得到目标检测结果。
本公开实施例提供的技术方案,通过获取待检测鱼眼图像,之后采用目标检测模型对待检测鱼眼图像进行目标检测,得到目标检测结果。上述技术方案,通过目标检测模型对自动驾驶车辆的盲区进行目标检测,能够提高车辆盲区目标检测的准确性,从而提高自动驾驶的安全性。
图5是根据本公开实施例提供的一种目标检测模型的训练装置的结构示意图。本实施例适用于自动驾驶场景中如何准确检测车辆盲区低矮目标的情况。该装置可以采用软件和/或硬件的方式实现,并可集成于承载目标检测模型的训练功能的电子设备中,比如服务器中。如图5所示,本实施例提供的目标检测模型的训练装置500可以包括:
样本鱼眼图像确定模块501,用于采用低矮目标的原始贴图数据对原始鱼眼图像进行贴图处理,得到样本鱼眼图像;其中,原始贴图数据包括低矮目标贴图和原始贴图尺寸;
检测模型训练模块502,用于采用样本鱼眼图像对目标检测模型进行迭代训练。
本公开实施例提供的技术方案,采用低矮目标的原始贴图数据对原始鱼眼图像进行贴图处理,得到样本鱼眼图像在,之后采用样本鱼眼图像对目标检测模型进行迭代训练。上述技术方案,通过采用低矮目标的原始贴图数据对原始鱼眼图像进行贴图,以对原始鱼眼数据增强,从而提高目标驾驶场景中车辆盲区低矮目标的检测准确率,进而对下游控车决策提供有效数据保障。
进一步地,样本鱼眼图像确定模块501具体用于:
对于每一迭代训练轮次中每一训练批次,以第一概率采用低矮目标的原始贴图数据对该训练批次对应的原始鱼眼图像进行贴图处理,得到样本鱼眼图像。
进一步地,样本鱼眼图像确定模块501,包括:
位置比例确定单元,用于确定低矮目标在原始鱼眼图像中的贴图位置、以及低矮目标的缩放比例;
缩放贴图数据确定单元,采用缩放比例,对原始贴图数据进行缩放处理,得到缩放贴图数据;其中,缩放贴图数据包括缩放贴图、缩放贴图标注框和缩放贴图尺寸;
样本鱼眼图像确定单元,用于将缩放贴图覆盖至原始鱼眼图像的贴图位置处,得到样本鱼眼图像。
进一步地,位置比例确定单元具体用于:
随机确定低矮目标在原始鱼眼图像中的贴图下边缘线与原始鱼眼图像的图像高度之间的高度比值;
根据高度比值和拟合期望宽度函数,确定期望贴图宽度;
对原始贴图尺寸中原始贴图宽度与期望贴图宽度进行比较,并基于比较结果,根据原始贴图宽度与期望贴图宽度,确定缩放比例。
进一步地,位置比例确定单元具体用于:
从原始鱼眼图像中随机确定低矮目标的贴图左边缘线;
根据高度比值和图像高度,确定贴图下边缘线;
根据缩放比例,对原始贴图尺寸中原始贴图高度进行缩放,得到缩放贴图高度;
根据贴图下边缘线和缩放贴图高度,确定低矮目标在原始鱼眼图像中的贴图上边缘线;
将贴图上边缘线和贴图左边缘线之间的交点作为贴图位置。
进一步地,样本鱼眼图像确定单元具体用于:
从原始鱼眼图像的标注信息中确定在贴图位置处是否存在其他目标的其他标注框;
若存在,则确定缩放标注框与其他标注框之间的交并比;
响应于缩放标注框未超过原始鱼眼图像的图像边界,且交并比小于0,将缩放贴图覆盖至原始鱼眼图像的贴图位置处,得到样本鱼眼图像。
进一步地,样本鱼眼图像确定模块501还包括:
贴图位置更新单元,用于响应于交并比大于0,重新确定贴图位置。
进一步地,样本鱼眼图像确定单元还具体用于:
将缩放贴图覆盖至原始鱼眼图像的贴图位置处,得到候选鱼眼图像;
对缩放贴图在候选鱼眼图像中进行随机翻转,得到样本鱼眼图像。
进一步地,该装置还包括:
标准信息更新模块,用于对样本鱼眼图像的标注信息中全图接地点和贴图接地点进行更新。
进一步地,该装置还包括原始贴图数据确定模块,用于:
根据针孔相机图像的粗标注框,对针孔相机图像进行裁剪,得到区域图像;其中,区域图像包括低矮目标;
采用分割模型对区域图像进行像素级分类,得到低矮目标的图像掩码区域;
根据图像掩码区域对针孔相机图像进行抠图,得到低矮目标的原始贴图数据。
图6是根据本公开实施例提供的一种目标检测装置的结构示意图。本实施例适用于自动驾驶场景中如何准确检测车辆盲区低矮目标的情况。该装置可以采用软件和/或硬件的方式实现,并可集成于承载目标检测功能的电子设备中,比如自动驾驶车辆中。如图6所示,该目标检测装置600包括:
待检测图像获取模块601,用于获取待检测鱼眼图像;
检测结果确定模块602,用于采用目标检测模型对待检测鱼眼图像进行目标检测,得到目标检测结果;其中,目标检测模型基于权利要求1-10中任一项的目标检测模型的训练装置训练得到。
本公开实施例提供的技术方案,通过获取待检测鱼眼图像,之后采用目标检测模型对待检测鱼眼图像进行目标检测,得到目标检测结果。上述技术方案,通过目标检测模型对自动驾驶车辆的盲区进行目标检测,能够提高车辆盲区目标检测的准确性,从而提高自动驾驶的安全性。
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7是用来实现本公开实施例的目标检测模型的训练方法或目标检测方法的电子设备的框图;图7示出了可以用来实施本公开的实施例的示例电子设备700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7所示,电子设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700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701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701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701执行上文所描述的各个方法和处理,例如目标检测模型的训练方法或目标检测方法。例如,在一些实施例中,目标检测模型的训练方法或目标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708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的目标检测模型的训练方法或目标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701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行目标检测模型的训练方法或目标检测方法。
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、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(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,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。
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、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。
云计算(cloud computing),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 (25)
1.一种目标检测模型的训练方法,包括:
采用低矮目标的原始贴图数据对原始鱼眼图像进行贴图处理,得到样本鱼眼图像;其中,所述原始贴图数据包括低矮目标贴图和原始贴图尺寸;
采用所述样本鱼眼图像对目标检测模型进行迭代训练。
2.根据权利要求1所述的方法,其中,采用低矮目标的原始贴图数据对原始鱼眼图像进行贴图处理,得到样本鱼眼图像,包括:
对于每一迭代训练轮次中每一训练批次,以第一概率采用低矮目标的原始贴图数据对该训练批次对应的原始鱼眼图像进行贴图处理,得到样本鱼眼图像。
3.根据权利要求1所述的方法,其中,采用低矮目标的原始贴图数据对原始鱼眼图像进行贴图处理,得到样本鱼眼图像,包括:
确定所述低矮目标在所述原始鱼眼图像中的贴图位置、以及所述低矮目标的缩放比例;
采用所述缩放比例,对所述原始贴图数据进行缩放处理,得到缩放贴图数据;其中,所述缩放贴图数据包括缩放贴图、缩放贴图标注框和缩放贴图尺寸;
将所述缩放贴图覆盖至所述原始鱼眼图像的贴图位置处,得到样本鱼眼图像。
4.根据权利要求3所述的方法,其中,确定所述低矮目标的缩放比例,包括:
随机确定所述低矮目标在所述原始鱼眼图像中的贴图下边缘线与所述原始鱼眼图像的图像高度之间的高度比值;
根据所述高度比值和拟合期望宽度函数,确定期望贴图宽度;
对所述原始贴图尺寸中原始贴图宽度与所述期望贴图宽度进行比较,并基于比较结果,根据所述原始贴图宽度与所述期望贴图宽度,确定缩放比例。
5.根据权利要求4所述的方法,其中,确定所述低矮目标在所述原始鱼眼图像中的贴图位置,包括:
从所述原始鱼眼图像中随机确定所述低矮目标的贴图左边缘线;
根据所述高度比值和所述图像高度,确定所述贴图下边缘线;
根据所述缩放比例,对所述原始贴图尺寸中原始贴图高度进行缩放,得到缩放贴图高度;
根据所述贴图下边缘线和所述缩放贴图高度,确定所述低矮目标在所述原始鱼眼图像中的贴图上边缘线;
将所述贴图上边缘线和所述贴图左边缘线之间的交点作为贴图位置。
6.根据权利要求3所述的方法,其中,将所述缩放贴图覆盖至所述原始鱼眼图像的贴图位置处,得到样本鱼眼图像,包括:
从所述原始鱼眼图像的标注信息中确定在所述贴图位置处是否存在其他目标的其他标注框;
若存在,则确定缩放标注框与其他标注框之间的交并比;
响应于所述缩放标注框未超过所述原始鱼眼图像的图像边界,且所述交并比小于0,将所述缩放贴图覆盖至所述原始鱼眼图像的贴图位置处,得到样本鱼眼图像。
7.根据权利要求6所述的方法,其中,还包括:
响应于所述交并比大于0,重新确定所述贴图位置。
8.根据权利要求3所述的方法,其中,将所述缩放贴图覆盖至所述原始鱼眼图像的贴图位置处,得到样本鱼眼图像,包括:
将所述缩放贴图覆盖至所述原始鱼眼图像的贴图位置处,得到候选鱼眼图像;
对所述缩放贴图在所述候选鱼眼图像中进行随机翻转,得到样本鱼眼图像。
9.根据权利要求1-8中任一项所述的方法,其中,还包括:
对所述样本鱼眼图像的标注信息中全图接地点和贴图接地点进行更新。
10.根据权利要求1-8中任一项所述的方法,其中,还包括:
根据针孔相机图像的粗标注框,对所述针孔相机图像进行裁剪,得到区域图像;其中,所述区域图像包括低矮目标;
采用分割模型对所述区域图像进行像素级分类,得到低矮目标的图像掩码区域;
根据所述图像掩码区域对所述针孔相机图像进行抠图,得到所述低矮目标的原始贴图数据。
11.一种目标检测方法,包括:
获取待检测鱼眼图像;
采用目标检测模型对所述待检测鱼眼图像进行目标检测,得到目标检测结果;其中,所述目标检测模型基于权利要求1-10中任一项所述的目标检测模型的训练方法训练得到。
12.一种目标检测模型的训练装置,包括:
样本鱼眼图像确定模块,用于采用低矮目标的原始贴图数据对原始鱼眼图像进行贴图处理,得到样本鱼眼图像;其中,所述原始贴图数据包括低矮目标贴图和原始贴图尺寸;
检测模型训练模块,用于采用所述样本鱼眼图像对目标检测模型进行迭代训练。
13.根据权利要求12所述的装置,其中,所述样本鱼眼图像确定模块具体用于:
对于每一迭代训练轮次中每一训练批次,以第一概率采用低矮目标的原始贴图数据对该训练批次对应的原始鱼眼图像进行贴图处理,得到样本鱼眼图像。
14.根据权利要求12所述的装置,其中,所述样本鱼眼图像确定模块,包括:
位置比例确定单元,用于确定所述低矮目标在所述原始鱼眼图像中的贴图位置、以及所述低矮目标的缩放比例;
缩放贴图数据确定单元,采用所述缩放比例,对所述原始贴图数据进行缩放处理,得到缩放贴图数据;其中,所述缩放贴图数据包括缩放贴图、缩放贴图标注框和缩放贴图尺寸;
样本鱼眼图像确定单元,用于将所述缩放贴图覆盖至所述原始鱼眼图像的贴图位置处,得到样本鱼眼图像。
15.根据权利要求14所述的装置,其中,所述位置比例确定单元具体用于:
随机确定所述低矮目标在所述原始鱼眼图像中的贴图下边缘线与所述原始鱼眼图像的图像高度之间的高度比值;
根据所述高度比值和拟合期望宽度函数,确定期望贴图宽度;
对所述原始贴图尺寸中原始贴图宽度与所述期望贴图宽度进行比较,并基于比较结果,根据所述原始贴图宽度与所述期望贴图宽度,确定缩放比例。
16.根据权利要求15所述的装置,其中,所述位置比例确定单元具体用于:
从所述原始鱼眼图像中随机确定所述低矮目标的贴图左边缘线;
根据所述高度比值和所述图像高度,确定所述贴图下边缘线;
根据所述缩放比例,对所述原始贴图尺寸中原始贴图高度进行缩放,得到缩放贴图高度;
根据所述贴图下边缘线和所述缩放贴图高度,确定所述低矮目标在所述原始鱼眼图像中的贴图上边缘线;
将所述贴图上边缘线和所述贴图左边缘线之间的交点作为贴图位置。
17.根据权利要求14所述的装置,其中,所述样本鱼眼图像确定单元具体用于:
从所述原始鱼眼图像的标注信息中确定在所述贴图位置处是否存在其他目标的其他标注框;
若存在,则确定缩放标注框与其他标注框之间的交并比;
响应于所述缩放标注框未超过所述原始鱼眼图像的图像边界,且所述交并比小于0,将所述缩放贴图覆盖至所述原始鱼眼图像的贴图位置处,得到样本鱼眼图像。
18.根据权利要求17所述的装置,其中,所述样本鱼眼图像确定模块还包括:
贴图位置更新单元,用于响应于所述交并比大于0,重新确定所述贴图位置。
19.根据权利要求14所述的装置,其中,所述样本鱼眼图像确定单元还具体用于:
将所述缩放贴图覆盖至所述原始鱼眼图像的贴图位置处,得到候选鱼眼图像;
对所述缩放贴图在所述候选鱼眼图像中进行随机翻转,得到样本鱼眼图像。
20.根据权利要求12-19中任一项所述的装置,所述装置还包括:
标准信息更新模块,用于对所述样本鱼眼图像的标注信息中全图接地点和贴图接地点进行更新。
21.根据权利要求12-19中任一项所述的装置,所述装置还包括原始贴图数据确定模块,用于:
根据针孔相机图像的粗标注框,对所述针孔相机图像进行裁剪,得到区域图像;其中,所述区域图像包括低矮目标;
采用分割模型对所述区域图像进行像素级分类,得到低矮目标的图像掩码区域;
根据所述图像掩码区域对所述针孔相机图像进行抠图,得到所述低矮目标的原始贴图数据。
22.一种目标检测装置,包括:
待检测图像获取模块,用于获取待检测鱼眼图像;
检测结果确定模块,用于采用目标检测模型对所述待检测鱼眼图像进行目标检测,得到目标检测结果;其中,所述目标检测模型基于权利要求1-10中任一项所述的目标检测模型的训练装置训练得到。
23.一种电子设备,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1-10中任一项所述的目标检测模型的训练方法,或权利要求11所述的目标检测方法。
24.一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1-10中任一项所述的目标检测模型的训练方法,或权利要求11所述的目标检测方法。
25.一种计算机程序产品,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1-10中任一项所述的目标检测模型的训练方法,或权利要求11所述的目标检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311754892.XA CN117496474A (zh) | 2023-12-19 | 2023-12-19 | 目标检测模型训练和目标检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311754892.XA CN117496474A (zh) | 2023-12-19 | 2023-12-19 | 目标检测模型训练和目标检测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117496474A true CN117496474A (zh) | 2024-02-02 |
Family
ID=89681403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311754892.XA Pending CN117496474A (zh) | 2023-12-19 | 2023-12-19 | 目标检测模型训练和目标检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117496474A (zh) |
-
2023
- 2023-12-19 CN CN202311754892.XA patent/CN117496474A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11222441B2 (en) | Methods and apparatuses for object detection, and devices | |
US20210129869A1 (en) | Intelligent driving control methods and apparatuses, vehicles, electronic devices, and storage media | |
EP3944213A2 (en) | Method and apparatus of controlling traffic, roadside device and cloud control platform | |
CN113012176B (zh) | 样本图像的处理方法、装置、电子设备及存储介质 | |
CN111950345A (zh) | 摄像头的识别方法、装置、电子设备和存储介质 | |
CN113052047B (zh) | 交通事件的检测方法、路侧设备、云控平台及系统 | |
CN115578431B (zh) | 图像深度处理方法、装置、电子设备及介质 | |
EP4080479A2 (en) | Method for identifying traffic light, device, cloud control platform and vehicle-road coordination system | |
CN114549961B (zh) | 目标对象的检测方法、装置、设备以及存储介质 | |
CN115761698A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
CN117496474A (zh) | 目标检测模型训练和目标检测方法、装置、设备及介质 | |
CN114708498A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
CN114429631A (zh) | 三维对象检测方法、装置、设备以及存储介质 | |
CN113989300A (zh) | 车道线分割的方法、装置、电子设备和存储介质 | |
CN113963322B (zh) | 一种检测模型训练方法、装置及电子设备 | |
CN115147809B (zh) | 一种障碍物检测方法、装置、设备以及存储介质 | |
CN113806361B (zh) | 电子监控设备与道路的关联方法、装置及存储介质 | |
CN115187918B (zh) | 一种监控视频流中移动物体的识别方法及系统 | |
CN112700657B (zh) | 用于生成检测信息的方法、装置、路侧设备和云控平台 | |
CN116363400A (zh) | 一种车辆匹配方法、装置、电子设备和存储介质 | |
CN115439830A (zh) | 信息处理方法、装置、设备、介质、车辆及程序产品 | |
CN117710921A (zh) | 目标检测模型的训练方法、检测方法及相关装置 | |
CN117746386A (zh) | 目标对象的位置感知方法、装置及计算机程序产品 | |
CN116597213A (zh) | 目标检测方法、训练方法、装置、电子设备以及存储介质 | |
CN113887331A (zh) | 图像处理方法、事件检测方法、装置、设备和存储介质 |
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 |