CN118072289A - 用于智能驾驶的图像采集优化方法 - Google Patents
用于智能驾驶的图像采集优化方法 Download PDFInfo
- Publication number
- CN118072289A CN118072289A CN202410464720.7A CN202410464720A CN118072289A CN 118072289 A CN118072289 A CN 118072289A CN 202410464720 A CN202410464720 A CN 202410464720A CN 118072289 A CN118072289 A CN 118072289A
- Authority
- CN
- China
- Prior art keywords
- clear
- pixel
- subarea
- fuzzy
- region
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005457 optimization Methods 0.000 title claims abstract description 30
- 230000004927 fusion Effects 0.000 claims abstract description 46
- 238000010801 machine learning Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000013095 identification testing Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,本发明公开了用于智能驾驶的图像采集优化方法,包括:识别原始图像中目标主体,并提取所述目标主体的轮廓区域;计算每个像素的差异系数,根据差异系数获取M个模糊子区域和N个清晰子区域;获取目标清晰子区域,将目标清晰区域替换掉对应模糊子区域,得到Q个替换子区域,将Q个替换区域与N个清晰子区域进行一次融合,得到融合轮廓图;获取平均差异系数,将平均差异系数输入预设第二机器学习模型,以获取理想锐化值,根据理想锐化值进行图像增强,将增强后的融合轮廓图与原始图像进行二次融合;本发明有利于保障障碍物图像的轮廓特征,有利于辅助驾驶人进行准确判断,避免车辆出现碰撞或剐蹭。
Description
技术领域
本发明涉及图像处理技术领域,更具体地说,本发明涉及用于智能驾驶的图像采集优化方法。
背景技术
在智能辅助驾驶系统中,通常通过摄像装置搭配各类传感设备完成对障碍物信息的采集,并将障碍物信息中的图像特征和各类传感特征输入智能模型中,以辅助驾驶人判断与障碍物产生剐蹭或碰撞的可能性,并进行辅助驾驶告警;然而,智能辅助驾驶系统的判断准确度受制于图像数据和各类传感数据的影响;其中,图像数据的质量是保证智能辅助驾驶系统判断可靠性的重要影响因素,当前车载摄像装置采集到的图像质量易受到多方面(如大雾天气、摄像头表面有污渍等)的影响,从而导致智能辅助驾驶系统容易出现障碍物误判现象,进而使驾驶人出现错误操作,并导致车辆出现安全事件;因此,如何提供一种用于智能驾驶的图像采集优化方法,以提高车载摄像装置所采集图像的质量,就成为当下智能驾驶课题的研究热点。
目前,现有用于智能驾驶的图像采集优化方法大多纠正像素的曝光程度,例如授权公告号为CN117197004B的专利公开了一种低光照图像优化增强方法及系统,虽然上述方法能够实现图像优化,但对上述方法以及现有技术进行研究和实际应用发现,上述方法以及现有技术至少存在以下部分缺陷:
(1)无法应用于图像遮挡和图像中主体缺失等场景中;
(2)无法针对缺失或模糊的障碍物图像进行轮廓特征精准修复和增强,易导致优化后图像出现过度/过低的锐化,无法获取高可用的轮廓特征,进而难以辅助驾驶人进行准确判断,以避免车辆出现碰撞或剐蹭。
发明内容
为了克服现有技术的上述缺陷,本发明的实施例提供用于智能驾驶的图像采集优化方法。
为实现上述目的,本发明提供如下技术方案:
用于智能驾驶的图像采集优化方法,所述方法包括:
通过预设第一机器学习模型识别原始图像中目标主体,并通过图像检测算法提取所述目标主体的轮廓区域;
计算轮廓区域中每个像素的差异系数,根据差异系数获取轮廓区域中的M个模糊子区域和N个清晰子区域,M和N均为大于零的整数;
获取每个模糊子区域的目标清晰子区域,将目标清晰区域替换掉对应模糊子区域,得到Q个替换子区域,将Q个替换区域与N个清晰子区域进行一次融合,得到融合轮廓图;
获取融合轮廓图的平均差异系数,将平均差异系数输入预设第二机器学习模型,以获取理想锐化值,根据理想锐化值对融合轮廓图进行图像增强,将增强后的融合轮廓图与原始图像进行二次融合,得到优化后的原始图像。
进一步地,所述目标主体通过将原始图像输入预设第一机器学习模型中进行识别,得到目标主体;
其中,所述预设第一机器学习模型的生成逻辑如下;
获取历史图像训练数据集,将历史图像训练数据集划分主体识别训练集和主体识别测试集,所述历史图像训练数据集中包括大量包括目标主体的原始图像及其对应的标注标签;
构建分类器,将包括主体识别训练集中目标主体的原始图像作为分类器的输入数据,将主体识别训练集中对应的标注标签作为分类器的输出数据,对模型进行训练,得到初始分类网络;
利用主体识别测试集对初始分类网络进行模型验证,输出大于等于预设准确度的初始分类网络作为预设第一机器学习模型。
进一步地,所述计算轮廓区域中每个像素的差异系数,包括;
获取预先设定的标准像素亮度值,并提取轮廓区域中每个像素的实际像素值/>;
根据标准像素亮度值和实际像素值/>进行公式化计算,以获取轮廓区域中每个像素的亮度系数/>;其计算公式为:/>;式中:/>表示轮廓区域中第i个像素的实际像素值;
获取预先设定的标准像素锐度值,并提取轮廓区域中每个像素的实际锐度值/>;
根据标准像素锐度值和实际锐度值/>进行公式化计算,以获取轮廓区域中每个像素的锐度系数/>;其计算公式为:/>;式中:/>表示轮廓区域中第i个像素的实际锐度值;
根据亮度系数和锐度系数/>进行融合计算,以获取轮廓区域中每个像素的差异系数/>;其计算公式为:/>;式中:/>表示轮廓区域中第i个像素的差异系数,/>和/>为大于零的修正因子,/>。
进一步地,所述获取轮廓区域中的M个模糊子区域和N个清晰子区域,包括:
提取轮廓区域中每个像素的差异系数,将差异系数大于等于预设差异系数阈值的对应像素作为模糊像素,得到R个模糊像素,R为大于零整数;
将R个模糊像素中由相互连通的模糊像素所形成的区域作为模糊子区域,得到M个模糊子区域;
将差异系数小于预设差异系数阈值的对应像素作为清晰像素,得到H个清晰像素,H为大于零整数;
将H个清晰像素中由相互连通的清晰像素所形成的区域作为清晰子区域,得到N个清晰子区域。
进一步地,所述获取每个模糊子区域的目标清晰子区域,包括:
a1:提取第j个模糊子区域,并获取第j个模糊子区域的像素面积以及每个清晰子区域的像素面积;
a2:将第j个模糊子区域的像素面积与每个清晰子区域的像素面积进行比较,将像素面积大于等于第j个模糊子区域像素面积的清晰子区域标记备选清晰子区域,得到U个备选清晰子区域,U为大于零的整数;
a3:将第j个模糊子区域放置每个备选清晰子区域上,并利用滑动窗口法获取在备选清晰子区域中与第j个模糊子区域呈最大轮廓相似度的部分,并将呈最大轮廓相似度的部分作为目标清晰子区域,并令j=j+1,返回步骤a1;
a4:重复上述步骤a1~a3,直至j=M时结束循环,得到每个模糊子区域的目标清晰子区域。
进一步地,所述将目标清晰区域替换掉对应模糊子区域,包括:
b1:提取第j个模糊子区域,并获取第j个模糊子区域对应的目标清晰子区域;
b2:将对应的目标清晰子区域替换掉第j个模糊子区域,形成替换子区域,并令j=j+1,并返回步骤b1;
b3:重复上述步骤b1~b2,直至j=M时结束循环,得到Q个替换子区域。
进一步地,所述获取融合轮廓图的平均差异系数,包括:
获取每个清晰子区域的差异系数,以及获取每个替换子区域的差异系数;
根据每个清晰子区域的差异系数和每个替换子区域的差异系数进行公式化计算,得到融合轮廓图的平均差异系数;其计算公式为:;式中:/>表示第g个清晰子区域的差异系数,/>表示第r个替换子区域的差异系数,/>为清晰子区域总数,/>为替换子区域总数。
进一步地,所述预设第二机器学习模型的生成逻辑如下:
获取历史轮廓增强数据集,将所述历史轮廓增强数据集划分为轮廓增强训练集和轮廓增强测试集;所述历史轮廓增强数据集包括融合轮廓图的平均差异系数及其对应的理想锐化值;
其中,所述理想锐化值的获取逻辑如下:
c1:获取融合轮廓图的平均差异系数,以及融合轮廓图的初始锐化值,并将初始锐化值标记为E;
c2:令E=E+L,或令E=E-L,得到变化锐化值,根据变化锐化值对融合轮廓图进行测试性锐化,获取测试性锐化后融合轮廓图的峰值信噪比,E和L均为大于零的整数;
c3:将峰值信噪比与预设标准峰值信噪比进行比对,判断峰值信噪比是否等于预设标准峰值信噪比,若等于,则将对应变化锐化值作为理想锐化值;若不等于,则令L=L+B,并返回步骤c2,B为大于零的整数;
c4:重复上述步骤c2~c3,直至得到理想锐化值时,结束循环;
构建回归网络,将轮廓增强训练集中融合轮廓图的平均差异系数作为回归网络的输入数据,将轮廓增强训练集中理想锐化值作为回归网络的输出数据,对回归网络进行训练,得到初始回归网络;
利用轮廓增强测试集对初始回归网络进行模型验证,输出小于等于预设测试误差的初始回归网络作为预设第二机器学习模型。
一种电子设备,包括存储器、处理器以及存储在存储器上并在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述用于智能驾驶的图像采集优化方法。
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被执行时实现上述任一项所述用于智能驾驶的图像采集优化方法。
相比于现有技术,本发明的有益效果在于:
本申请公开了用于智能驾驶的图像采集优化方法,包括;识别原始图像中目标主体,并提取所述目标主体的轮廓区域;计算每个像素的差异系数,根据差异系数获取M个模糊子区域和N个清晰子区域;获取目标清晰子区域,将目标清晰区域替换掉对应模糊子区域,得到Q个替换子区域,将Q个替换区域与N个清晰子区域进行一次融合,得到融合轮廓图;获取平均差异系数,将平均差异系数输入预设第二机器学习模型,以获取理想锐化值,根据理想锐化值进行图像增强,将增强后的融合轮廓图与原始图像进行二次融合;将上述过程与现有技术比对可知,本发明适用于图像遮挡和图像中主体缺失等场景中;且有利于针对缺失或模糊的障碍物图像进行轮廓特征精准修复和增强,避免优化后图像出现过度/过低的锐化,有利于获取高可用的轮廓特征,进而辅助驾驶人进行准确判断,避免车辆出现碰撞或剐蹭。
附图说明
图1为本发明提供的用于智能驾驶的图像采集优化方法的示意图;
图2为本发明提供的一种电子设备的结构示意图;
图3为本发明提供的一种计算机可读存储介质的结构示意图。
具体实施方式
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,都属于本发明保护的范围。
实施例1:请参阅图1所示,本实施例公开提供了用于智能驾驶的图像采集优化方法,包括:
S101:通过预设第一机器学习模型识别原始图像中目标主体,并通过图像检测算法提取所述目标主体的轮廓区域;
具体的,所述目标主体通过将原始图像输入预设第一机器学习模型中进行识别,得到目标主体;
应当说明的是;在将原始图像输入预设第一机器学习模型值之前,所述原始图像经过灰度化处理,因此输入预设第一机器学习模型值中的原始图像呈灰度图像形式;
其中,所述预设第一机器学习模型的生成逻辑如下;
获取历史图像训练数据集,将历史图像训练数据集划分主体识别训练集和主体识别测试集,所述历史图像训练数据集中包括大量包括目标主体的原始图像及其对应的标注标签;
应当了解的是;所述历史图像训练数据集中包括目标主体的原始图像通过设置于智能驾驶车辆车尾和车头的车载摄像装置实时采集得到;所述原始图像中的目标主体属于清晰完整状态(即无遮挡或虚化等),或属于模糊残缺状态;所述目标主体包括但不限于交通标识(如车道线等)、交通限行装置(如限宽通行装置和限高通行装置等)以及交通辅助装置(如护栏等);
其中,所述历史图像训练数据集中每幅原始图像通过技术人员事先标注原始图像中目标主体的类型,形成对应的标注标签;
构建分类器,将包括主体识别训练集中目标主体的原始图像作为分类器的输入数据,将主体识别训练集中对应的标注标签作为分类器的输出数据,对模型进行训练,得到初始分类网络;
利用主体识别测试集对初始分类网络进行模型验证,输出大于等于预设准确度的初始分类网络作为预设第一机器学习模型;
需要说明的是;所述分类器具体为随机森林分类、支持向量机分类、决策树分类、多项式分类或神经网络分类等算法模型中的一种;
需要说明的是:所述目标主体的轮廓区域通过图像检测算法提取得到,所述图像检测算法包括但不限于K-means聚类算法、边缘检测算法、基于像素颜色/强度的检测算法等中的具体一种方式,所述边缘检测算法包括但不限于Sobel或Canny检测算法等中的具体一种。
S102:计算轮廓区域中每个像素的差异系数,根据差异系数获取轮廓区域中的M个模糊子区域和N个清晰子区域,M和N均为大于零的整数;
在实施中,所述计算轮廓区域中每个像素的差异系数,包括;
获取预先设定的标准像素亮度值,并提取轮廓区域中每个像素的实际像素值/>;
根据标准像素亮度值和实际像素值/>进行公式化计算,以获取轮廓区域中每个像素的亮度系数/>;其计算公式为:/>;式中:/>表示轮廓区域中第i个像素的实际像素值;
获取预先设定的标准像素锐度值,并提取轮廓区域中每个像素的实际锐度值/>;
根据标准像素锐度值和实际锐度值/>进行公式化计算,以获取轮廓区域中每个像素的锐度系数/>;其计算公式为:/>;式中:/>表示轮廓区域中第i个像素的实际锐度值;
根据亮度系数和锐度系数/>进行融合计算,以获取轮廓区域中每个像素的差异系数/>;其计算公式为:/>;式中:/>表示轮廓区域中第i个像素的差异系数,/>和/>为大于零的修正因子,/>;
可以理解的是:的数值越小,则说明轮廓区域中第i个像素与预设像素标准的差异度越小,则反映对应的像素点符合设定标准,相反,/>的数值越大,则说明轮廓区域中第i个像素与预设像素标准的差异度越大,则反映对应的像素点不符合设定标准;
在实施中,所述获取轮廓区域中的M个模糊子区域和N个清晰子区域,包括:
提取轮廓区域中每个像素的差异系数,将差异系数大于等于预设差异系数阈值的对应像素作为模糊像素,得到R个模糊像素,R为大于零整数;
将R个模糊像素中由相互连通的模糊像素所形成的区域作为模糊子区域,得到M个模糊子区域;
将差异系数小于预设差异系数阈值的对应像素作为清晰像素,得到H个清晰像素,H为大于零整数;
将H个清晰像素中由相互连通的清晰像素所形成的区域作为清晰子区域,得到N个清晰子区域;
应当理解的是:相互连通则是指像素之间相互邻接,即像素与像素相互接壤。
S103:获取每个模糊子区域的目标清晰子区域,将目标清晰区域替换掉对应模糊子区域,得到Q个替换子区域,将Q个替换区域与N个清晰子区域进行一次融合,得到融合轮廓图;
在实施中,所述获取每个模糊子区域的目标清晰子区域,包括:
a1:提取第j个模糊子区域,并获取第j个模糊子区域的像素面积以及每个清晰子区域的像素面积;
a2:将第j个模糊子区域的像素面积与每个清晰子区域的像素面积进行比较,将像素面积大于等于第j个模糊子区域像素面积的清晰子区域标记备选清晰子区域,得到U个备选清晰子区域,U为大于零的整数;
a3:将第j个模糊子区域放置每个备选清晰子区域上,并利用滑动窗口法获取在备选清晰子区域中与第j个模糊子区域呈最大轮廓相似度的部分,并将呈最大轮廓相似度的部分作为目标清晰子区域,并令j=j+1,返回步骤a1;
需要说明的是:滑动窗口法是指将模板图像叠加于比对图像之上,通过将模板图像在比对图像之上,并计算模板图像所经过的区域与模板图像的相似度;根据相似度确定模板图像在比对图像之上的吻合部分;
进一步说明就是:设置步长为1,将j个模糊子区域作为模板窗口,并将模板窗口放置每个备选清晰子区域上进行滑动,得到多个滑动窗口,并利用余弦相似度计算每个滑动窗口与模板窗口的相似度,得到多个轮廓相似度,按数值从大到小对多个轮廓相似度进行排序,将排序第一轮廓相似度对应的滑动窗口标记为呈最大轮廓相似度的部分;
a4:重复上述步骤a1~a3,直至j=M时结束循环,得到每个模糊子区域的目标清晰子区域;
在实施中,所述将目标清晰区域替换掉对应模糊子区域,包括:
b1:提取第j个模糊子区域,并获取第j个模糊子区域对应的目标清晰子区域;
b2:将对应的目标清晰子区域替换掉第j个模糊子区域,形成替换子区域,并令j=j+1,并返回步骤b1;
b3:重复上述步骤b1~b2,直至j=M时结束循环,得到Q个替换子区域;
可以理解的是:由于目标清晰区域是根据模糊子区域匹配得到,因此,目标清晰区域和模糊子区域的大小是一致的,因此,将目标清晰区域覆盖掉对应模糊子区域,即可完成替换,并将替换后的目标清晰区域选作替换子区域;
还应当理解的是:当得到Q个替换区域与N个清晰子区域时,由于替换区域与清晰子区域的所处位置并未改变,因此按照替换区域与清晰子区域的所处位置进行直接拼接融合,即可得到融合轮廓图。
S104:获取融合轮廓图的平均差异系数,将平均差异系数输入预设第二机器学习模型,以获取理想锐化值,根据理想锐化值对融合轮廓图进行图像增强,将增强后的融合轮廓图与原始图像进行二次融合,得到优化后的原始图像;
在实施中,所述获取融合轮廓图的平均差异系数,包括:
获取每个清晰子区域的差异系数,以及获取每个替换子区域的差异系数;
根据每个清晰子区域的差异系数和每个替换子区域的差异系数进行公式化计算,得到融合轮廓图的平均差异系数;其计算公式为:;式中:/>表示第g个清晰子区域的差异系数,/>表示第r个替换子区域的差异系数,/>为清晰子区域总数,为替换子区域总数;
应当了解的是:清晰子区域的差异系数和替换子区域的差异系数均通过下式得到,其计算公式为:;式中:/>表示第i个像素的差异系数,/>表示第g个清晰子区域或第r个替换子区域的像素总数;
在实施中,所述预设第二机器学习模型的生成逻辑如下:
获取历史轮廓增强数据集,将所述历史轮廓增强数据集划分为轮廓增强训练集和轮廓增强测试集;所述历史轮廓增强数据集包括融合轮廓图的平均差异系数及其对应的理想锐化值;
应当明白的是:所述融合轮廓图的平均差异系数通过技术人员事先计算得到,其计算过程具体见上述关于平均差异系数的计算公式,在此不做过多赘述;
其中,所述理想锐化值的获取逻辑如下:
c1:获取融合轮廓图的平均差异系数,以及融合轮廓图的初始锐化值,并将初始锐化值标记为E;
c2:令E=E+L,或令E=E-L,得到变化锐化值,根据变化锐化值对融合轮廓图进行测试性锐化,获取测试性锐化后融合轮廓图的峰值信噪比,E和L均为大于零的整数;
c3:将峰值信噪比与预设标准峰值信噪比进行比对,判断峰值信噪比是否等于预设标准峰值信噪比,若等于,则将对应变化锐化值作为理想锐化值;若不等于,则令L=L+B,并返回步骤c2,B为大于零的整数;
应当了解的是:峰值信噪比(PSNR)是衡量图像质量的一个重要指标, PSNR是峰值信号能量与均方误差MSE之比,其中,MSE通过计算原始图像与处理后图像之间的均方误差得到;
c4:重复上述步骤c2~c3,直至得到理想锐化值时,结束循环;
构建回归网络,将轮廓增强训练集中融合轮廓图的平均差异系数作为回归网络的输入数据,将轮廓增强训练集中理想锐化值作为回归网络的输出数据,对回归网络进行训练,得到初始回归网络;
利用轮廓增强测试集对初始回归网络进行模型验证,输出小于等于预设测试误差的初始回归网络作为预设第二机器学习模型;
需要说明的是:所述回归网络具体为随机森林回归、支持向量机回归、决策树回归、多项式回归或神经网络回归等算法模型中的一种;
应当明白的是:本发明适用于障碍物轮廓缺失的场景;可以进一步理解的是,现实场景中遇到的障碍物的轮廓多为对称体,例如汽车和限宽通行装置(限宽通行装置通常由两个轴对称的石墩构成)等,当由于摄像头发生污损等情况,则会导致车载摄像装置采集到的障碍物图像存在轮廓缺失,而无法获取障碍物的准确轮廓,进而无法使智能辅助驾驶系统能够准确判断产生碰撞的可能性;因此,本发明通过轮廓还原和轮廓增强等操作,极大程度上保证了障碍物图像的轮廓特征,进而有利于辅助驾驶人进行准确判断,避免车辆出现碰撞或剐蹭等安全事件。
实施例2:请参阅图2所示,本实施例公开提供了一种电子设备,包括存储器、处理器以及存储在存储器上并在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述各方法所提供的任一项所述用于智能驾驶的图像采集优化方法。
由于本实施例所介绍的电子设备为实施本申请实施例中用于智能驾驶的图像采集优化方法所采用的电子设备,故而基于本申请实施例中所介绍的用于智能驾驶的图像采集优化方法,本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式,所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中用于智能驾驶的图像采集优化方法所采用的电子设备,都属于本申请所欲保护的范围。
实施例3:请参阅图3所示,本实施例公开提供了一种计算机可读存储介质,包括存储器、处理器以及存储在存储器上并在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述各方法所提供的任一项所述用于智能驾驶的图像采集优化方法。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数、权重以及阈值选取由本领域的技术人员根据实际情况进行设置。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可意识到,结合本发明中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一 种,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.用于智能驾驶的图像采集优化方法,其特征在于,所述方法包括:
通过预设第一机器学习模型识别原始图像中目标主体,并通过图像检测算法提取所述目标主体的轮廓区域;
计算轮廓区域中每个像素的差异系数,根据差异系数获取轮廓区域中的M个模糊子区域和N个清晰子区域,M和N均为大于零的整数;
获取每个模糊子区域的目标清晰子区域,将目标清晰区域替换掉对应模糊子区域,得到Q个替换子区域,将Q个替换区域与N个清晰子区域进行一次融合,得到融合轮廓图;
获取融合轮廓图的平均差异系数,将平均差异系数输入预设第二机器学习模型,以获取理想锐化值,根据理想锐化值对融合轮廓图进行图像增强,将增强后的融合轮廓图与原始图像进行二次融合,得到优化后的原始图像。
2.根据权利要求1所述的用于智能驾驶的图像采集优化方法,其特征在于,所述目标主体通过将原始图像输入预设第一机器学习模型中进行识别,得到目标主体;
其中,所述预设第一机器学习模型的生成逻辑如下;
获取历史图像训练数据集,将历史图像训练数据集划分主体识别训练集和主体识别测试集,所述历史图像训练数据集中包括大量包括目标主体的原始图像及其对应的标注标签;
构建分类器,将包括主体识别训练集中目标主体的原始图像作为分类器的输入数据,将主体识别训练集中对应的标注标签作为分类器的输出数据,对模型进行训练,得到初始分类网络;
利用主体识别测试集对初始分类网络进行模型验证,输出大于等于预设准确度的初始分类网络作为预设第一机器学习模型。
3.根据权利要求2所述的用于智能驾驶的图像采集优化方法,其特征在于,所述计算轮廓区域中每个像素的差异系数,包括;
获取预先设定的标准像素亮度值,并提取轮廓区域中每个像素的实际像素值/>;
根据标准像素亮度值和实际像素值/>进行公式化计算,以获取轮廓区域中每个像素的亮度系数/>;其计算公式为:/>;式中:/>表示轮廓区域中第i个像素的实际像素值;
获取预先设定的标准像素锐度值,并提取轮廓区域中每个像素的实际锐度值/>;
根据标准像素锐度值和实际锐度值/>进行公式化计算,以获取轮廓区域中每个像素的锐度系数/>;其计算公式为:/>;式中:/>表示轮廓区域中第i个像素的实际锐度值;
根据亮度系数和锐度系数/>进行融合计算,以获取轮廓区域中每个像素的差异系数/>;其计算公式为:/>;式中:/>表示轮廓区域中第i个像素的差异系数,/>和/>为大于零的修正因子,/>。
4.根据权利要求3所述的用于智能驾驶的图像采集优化方法,其特征在于,所述获取轮廓区域中的M个模糊子区域和N个清晰子区域,包括:
提取轮廓区域中每个像素的差异系数,将差异系数大于等于预设差异系数阈值的对应像素作为模糊像素,得到R个模糊像素,R为大于零整数;
将R个模糊像素中由相互连通的模糊像素所形成的区域作为模糊子区域,得到M个模糊子区域;
将差异系数小于预设差异系数阈值的对应像素作为清晰像素,得到H个清晰像素,H为大于零整数;
将H个清晰像素中由相互连通的清晰像素所形成的区域作为清晰子区域,得到N个清晰子区域。
5.根据权利要求4所述的用于智能驾驶的图像采集优化方法,其特征在于,所述获取每个模糊子区域的目标清晰子区域,包括:
a1:提取第j个模糊子区域,并获取第j个模糊子区域的像素面积以及每个清晰子区域的像素面积;
a2:将第j个模糊子区域的像素面积与每个清晰子区域的像素面积进行比较,将像素面积大于等于第j个模糊子区域像素面积的清晰子区域标记备选清晰子区域,得到U个备选清晰子区域,U为大于零的整数;
a3:将第j个模糊子区域放置每个备选清晰子区域上,并利用滑动窗口法获取在备选清晰子区域中与第j个模糊子区域呈最大轮廓相似度的部分,并将呈最大轮廓相似度的部分作为目标清晰子区域,并令j=j+1,返回步骤a1;
a4:重复上述步骤a1~a3,直至j=M时结束循环,得到每个模糊子区域的目标清晰子区域。
6.根据权利要求5所述的用于智能驾驶的图像采集优化方法,其特征在于,所述将目标清晰区域替换掉对应模糊子区域,包括:
b1:提取第j个模糊子区域,并获取第j个模糊子区域对应的目标清晰子区域;
b2:将对应的目标清晰子区域替换掉第j个模糊子区域,形成替换子区域,并令j=j+1,并返回步骤b1;
b3:重复上述步骤b1~b2,直至j=M时结束循环,得到Q个替换子区域。
7.根据权利要求6所述的用于智能驾驶的图像采集优化方法,其特征在于,所述获取融合轮廓图的平均差异系数,包括:
获取每个清晰子区域的差异系数,以及获取每个替换子区域的差异系数;
根据每个清晰子区域的差异系数和每个替换子区域的差异系数进行公式化计算,得到融合轮廓图的平均差异系数;其计算公式为:;式中:/>表示第g个清晰子区域的差异系数,/>表示第r个替换子区域的差异系数,/>为清晰子区域总数,/>为替换子区域总数。
8.根据权利要求7所述的用于智能驾驶的图像采集优化方法,其特征在于,所述预设第二机器学习模型的生成逻辑如下:
获取历史轮廓增强数据集,将所述历史轮廓增强数据集划分为轮廓增强训练集和轮廓增强测试集;所述历史轮廓增强数据集包括融合轮廓图的平均差异系数及其对应的理想锐化值;
其中,所述理想锐化值的获取逻辑如下:
c1:获取融合轮廓图的平均差异系数,以及融合轮廓图的初始锐化值,并将初始锐化值标记为E;
c2:令E=E+L,或令E=E-L,得到变化锐化值,根据变化锐化值对融合轮廓图进行测试性锐化,获取测试性锐化后融合轮廓图的峰值信噪比,E和L均为大于零的整数;
c3:将峰值信噪比与预设标准峰值信噪比进行比对,判断峰值信噪比是否等于预设标准峰值信噪比,若等于,则将对应变化锐化值作为理想锐化值;若不等于,则令L=L+B,并返回步骤c2,B为大于零的整数;
c4:重复上述步骤c2~c3,直至得到理想锐化值时,结束循环;
构建回归网络,将轮廓增强训练集中融合轮廓图的平均差异系数作为回归网络的输入数据,将轮廓增强训练集中理想锐化值作为回归网络的输出数据,对回归网络进行训练,得到初始回归网络;
利用轮廓增强测试集对初始回归网络进行模型验证,输出小于等于预设测试误差的初始回归网络作为预设第二机器学习模型。
9.一种电子设备,包括存储器、处理器以及存储在存储器上并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权利要求1至8任一项所述用于智能驾驶的图像采集优化方法。
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上存储有计算机程序,所述计算机程序被执行时实现权利要求1至8任一项所述用于智能驾驶的图像采集优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410464720.7A CN118072289B (zh) | 2024-04-18 | 2024-04-18 | 用于智能驾驶的图像采集优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410464720.7A CN118072289B (zh) | 2024-04-18 | 2024-04-18 | 用于智能驾驶的图像采集优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118072289A true CN118072289A (zh) | 2024-05-24 |
CN118072289B CN118072289B (zh) | 2024-07-02 |
Family
ID=91100718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410464720.7A Active CN118072289B (zh) | 2024-04-18 | 2024-04-18 | 用于智能驾驶的图像采集优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118072289B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101624503B1 (ko) * | 2015-05-11 | 2016-05-26 | 한화탈레스 주식회사 | 번짐 영상의 복원 방법 |
CN110223262A (zh) * | 2018-12-28 | 2019-09-10 | 中国船舶重工集团公司第七一七研究所 | 一种基于像素级的快速图像融合方法 |
CN110738677A (zh) * | 2019-09-20 | 2020-01-31 | 清华大学 | 相机全清晰成像方法、装置与电子设备 |
US20200145583A1 (en) * | 2018-11-05 | 2020-05-07 | Sony Corporation | Image capture device control based on determination of blur value of objects in images |
CN111242911A (zh) * | 2020-01-08 | 2020-06-05 | 来康科技有限责任公司 | 一种基于深度学习算法确定图像清晰度的方法及系统 |
CN111784576A (zh) * | 2020-06-11 | 2020-10-16 | 长安大学 | 一种基于改进orb特征算法的图像拼接方法 |
WO2021017261A1 (zh) * | 2019-08-01 | 2021-02-04 | 平安科技(深圳)有限公司 | 识别模型训练方法、图像识别方法、装置、设备及介质 |
US20220230282A1 (en) * | 2021-01-12 | 2022-07-21 | Samsung Electronics Co., Ltd. | Image processing method, image processing apparatus, electronic device and computer-readable storage medium |
WO2022154471A1 (en) * | 2021-01-12 | 2022-07-21 | Samsung Electronics Co., Ltd. | Image processing method, image processing apparatus, electronic device and computer-readable storage medium |
CN116012580A (zh) * | 2022-12-07 | 2023-04-25 | 深圳市昂星科技有限公司 | 一种辅助驾驶摄像设备优化方法及装置 |
US20230196527A1 (en) * | 2021-12-22 | 2023-06-22 | Paypal, Inc. | Removing Clarity Issues From Images To Improve Readability |
CN116342519A (zh) * | 2023-03-10 | 2023-06-27 | 深圳供电局有限公司 | 一种基于机器学习的图像处理方法 |
CN117197004A (zh) * | 2023-11-08 | 2023-12-08 | 广东鸿威国际会展集团有限公司 | 一种低光照图像优化增强方法及系统 |
-
2024
- 2024-04-18 CN CN202410464720.7A patent/CN118072289B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101624503B1 (ko) * | 2015-05-11 | 2016-05-26 | 한화탈레스 주식회사 | 번짐 영상의 복원 방법 |
US20200145583A1 (en) * | 2018-11-05 | 2020-05-07 | Sony Corporation | Image capture device control based on determination of blur value of objects in images |
CN110223262A (zh) * | 2018-12-28 | 2019-09-10 | 中国船舶重工集团公司第七一七研究所 | 一种基于像素级的快速图像融合方法 |
WO2021017261A1 (zh) * | 2019-08-01 | 2021-02-04 | 平安科技(深圳)有限公司 | 识别模型训练方法、图像识别方法、装置、设备及介质 |
CN110738677A (zh) * | 2019-09-20 | 2020-01-31 | 清华大学 | 相机全清晰成像方法、装置与电子设备 |
CN111242911A (zh) * | 2020-01-08 | 2020-06-05 | 来康科技有限责任公司 | 一种基于深度学习算法确定图像清晰度的方法及系统 |
CN111784576A (zh) * | 2020-06-11 | 2020-10-16 | 长安大学 | 一种基于改进orb特征算法的图像拼接方法 |
US20220230282A1 (en) * | 2021-01-12 | 2022-07-21 | Samsung Electronics Co., Ltd. | Image processing method, image processing apparatus, electronic device and computer-readable storage medium |
WO2022154471A1 (en) * | 2021-01-12 | 2022-07-21 | Samsung Electronics Co., Ltd. | Image processing method, image processing apparatus, electronic device and computer-readable storage medium |
US20230196527A1 (en) * | 2021-12-22 | 2023-06-22 | Paypal, Inc. | Removing Clarity Issues From Images To Improve Readability |
CN116012580A (zh) * | 2022-12-07 | 2023-04-25 | 深圳市昂星科技有限公司 | 一种辅助驾驶摄像设备优化方法及装置 |
CN116342519A (zh) * | 2023-03-10 | 2023-06-27 | 深圳供电局有限公司 | 一种基于机器学习的图像处理方法 |
CN117197004A (zh) * | 2023-11-08 | 2023-12-08 | 广东鸿威国际会展集团有限公司 | 一种低光照图像优化增强方法及系统 |
Non-Patent Citations (3)
Title |
---|
AISHWARYA VISVANATHAN,T. CHATTOPADHYAY: "Car number plate recognition for smart building management", 2014 19TH INTERNATIONAL CONFERENCE ON DIGITAL SIGNAL PROCESSING, 23 August 2014 (2014-08-23) * |
张帆,泮佳俊,刘腾,张浩,李佩齐: "基于机器视觉的焊缝识别研究现状与发展趋势", 电焊机, vol. 52, no. 7, 20 July 2022 (2022-07-20) * |
徐振轩: "基于天空区域分割的单幅图像去雾方法研究", 中国优秀硕士论文电子期刊, 30 June 2017 (2017-06-30) * |
Also Published As
Publication number | Publication date |
---|---|
CN118072289B (zh) | 2024-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112862702B (zh) | 图像增强方法、装置、设备及存储介质 | |
CN113591967B (zh) | 一种图像处理方法、装置、设备及计算机存储介质 | |
CN110866430B (zh) | 一种车牌识别方法及装置 | |
CN115717894B (zh) | 一种基于gps和普通导航地图的车辆高精度定位方法 | |
CN104778721A (zh) | 一种双目图像中显著性目标的距离测量方法 | |
CN113240623B (zh) | 一种路面病害检测方法及装置 | |
CN113221750A (zh) | 车辆追踪方法、装置、设备及存储介质 | |
CN110991264A (zh) | 前方车辆检测方法和装置 | |
CN111488762A (zh) | 一种车道级定位方法、装置及定位设备 | |
CN118072289B (zh) | 用于智能驾驶的图像采集优化方法 | |
CN111950556A (zh) | 一种基于深度学习的号牌印刷质量检测方法 | |
Chaturvedi et al. | Automatic license plate recognition system using surf features and rbf neural network | |
CN116721396A (zh) | 车道线检测方法、设备及存储介质 | |
CN114724119B (zh) | 车道线提取方法、检测设备及存储介质 | |
CN114926635B (zh) | 与深度学习方法相结合的多焦图像中目标分割方法 | |
CN111539279B (zh) | 道路限高高度检测方法、装置、设备及存储介质 | |
Ab Ghani et al. | Lane detection using deep learning for rainy conditions | |
CN114882469A (zh) | 一种基于dl-ssd模型的交通标志检测方法及系统 | |
CN112001344A (zh) | 机动车目标检测装置及方法 | |
CN114118188A (zh) | 针对待检测图像中移动对象的处理系统、方法和存储介质 | |
CN117576416B (zh) | 工件边缘区域的检测方法、设备及存储介质 | |
CN115063594B (zh) | 一种基于自动驾驶的特征提取方法及装置 | |
CN113743218B (zh) | 一种车牌识别方法、车牌识别装置和计算机可读存储介质 | |
CN111652965B (zh) | 一种针对影像中移动车辆的判定方法及系统 | |
CN112070087B (zh) | 带端位的列车车号识别方法、装置及可读存储介质 |
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 | ||
GR01 | Patent grant |