一种优选图像的判断方法及装置制造方法及图纸

本发明专利技术提供了一种优选图像的判断方法及装置，用于克服现有技术中因对图像质量评价的准确度不高，而导致的对优选图像识别不准确、对图像数据利用率低的问题。该方法包括：将待评价图像输入到基于卷积神经网络预先训练完成的评价模型中，并基于所述评价模型，获取所述待评价图像的目标参数所对应的评价值，其中所述目标参数包括：图像中目标物体的残缺度，目标物体的中轴线与其所在图像的垂线所成的角度，目标物体与其所在图像的面积占比，图像的清晰度，及图像的亮暗度中的至少三种参数信息；判断所述待评价图像的目标参数所对应的评价值是否满足预设条件；如果是，将所述待评价图像确定为优选图像，并用于对所述目标物体进行属性分析。

【技术实现步骤摘要】
一种优选图像的判断方法及装置
本专利技术涉及图像处理
，尤其涉及一种优选图像的判断方法及装置。
技术介绍
随着大数据时代的到来，智能交通系统在为城市服务的同时，获取了海量的车辆图像数据。然而，由于拍摄情景的限制，在拍摄过程中会抓拍到很多低质量的车辆图像，不仅给车型、车色、车牌等后续车辆属性分析单元带来了挑战，也给深度学习等数据再利用过程增加了数据清洗的工作量。所以需要对图像的质量进行评价，并根据评价参数为图像的预处理提供参考。现有技术中公开了一种基于多任务卷积神经网络的图像模糊与噪声评测方法，利用失真和对应高质量图像，基于卷积神经网络训练，一次性得到图像的噪声水平、模糊度。然而，在现有技术中只考虑了噪声、模糊两种质量因子，且认为高质量的图像是没有模糊、噪声小的图像，因此对图像质量评价的准确度不高。所以，现有技术中存在着因对图像质量评价的准确度不高，而导致的对优选图像识别不准确、对图像数据利用率低的问题。
技术实现思路
本专利技术提供了一种优选图像的判断方法及装置，用于克服现有技术中因对图像质量评价的准确度不高，而导致的对优选图像识别不准确、对图像数据利用率低的问题。为达到上述目的，依据本专利技术的一个方面，提供了一种优选图像的判断方法，所述方法包括：将待评价图像输入到基于卷积神经网络预先训练完成的评价模型中，并基于所述评价模型，获取所述待评价图像的目标参数所对应的评价值，其中所述目标参数包括：图像中目标物体的残缺度，目标物体的中轴线与其所在图像的垂线所成的角度，目标物体与其所在图像的面积占比，图像的清晰度，及图像的亮暗度中的至少三种参数信息；判断所述待评价图像的目标参数所对应的评价值是否满足预设条件；如果是，将所述待评价图像确定为优选图像，并用于对所述目标物体进行属性分析。由上述描述可知，在本专利技术中，通过基于卷积神经网络预先对图像质量的评价模型进行训练，然后基于该评价模型对待评价图像的目标参数进行评价，获取到与目标参数对应的评价值，并将评价值满足预设条件的图像作为优选图像。由于在评价过程中，可将图像中目标物体的残缺度，目标物体的中轴线与其所在图像的垂线所成的角度，目标物体与其所在图像的面积占比，图像的清晰度，及图像的亮暗度中的至少三种参数信息作为目标参数，且上述参数信息的不同的评价值可用于判断待评价图像是否为优选图像，因此当待评价图像的目标参数所对应的评价值满足预设条件时，可根据优选图像的评价值的不同组合，可获取到不同的关键信息，并据此对目标物体进行相应的属性分析。因此本专利技术可从多个维度对图像质量进行评价，在对图像质量进行评价时，具有较高的准确度，并能够准确地识别出较为优质的图像，用于后续的属性分析中，大大提高了对图像数据的利用率。具体地，所述将待评价图像输入到基于卷积神经网络预先训练完成的评价模型中之前，所述方法还包括：将所述待评价图像缩放到预设的标准尺寸；所述将待评价图像输入到预先训练完成的评价模型中包括：将缩放到预设的标准尺寸的待评价图像输入到基于卷积神经网络预先训练完成的评价模型中。由于在基于卷积神经网络进行模型训练时，需要将样本图像缩放到统一的标准，因此在对待评价图像进行评价时，也需要将待评价图像缩放到与模型训练时一样的标准尺寸，以便于训练完成的评价模型对待评价图像中的目标参数进行特征提取，获取待评价图像的目标参数所对应的评价值，用于后续的属性分析中。具体地，基于卷积神经网络对所述评价模型进行训练的过程包括：针对训练集中的每个样本图像，根据针对所述目标参数中包括的每个参数信息预设的标注条件，确定该样本图像针对所述目标参数的标注值；将确定标注值后的样本图像，输入到卷积神经网络中进行模型训练，得到所述评价模型。由上述可知，在对该评价模型进行训练时，需先根据每个参数信息预设的标注条件，对训练集每个样本图像的目标参数的进行标注，然后将标注后的样本图像，输入到卷积神经网络中进行模型训练，以得到本专利技术中的评价模型。由于上述目标参数包括图像中目标物体的残缺度，目标物体的中轴线与其所在图像的垂线所成的角度，目标物体与其所在图像的面积占比，图像的清晰度，及图像的亮暗度中的至少三种参数信息，因此，本专利技术中的评价模型对图像质量的评价更加全面，不仅提高了对图像质量评价的准确度，而且还可以从多个维度判断该图像是否为优选图像，从而提高了图像数据的利用率。具体地，当所述目标参数包括该图像中目标物体的残缺度时，所述根据针对所述目标参数中包括的每个参数信息预设的标注条件，确定该样本图像针对所述目标参数的标注值包括：识别样本图像中目标物体的轮廓；确定识别的所述轮廓与所述目标物体对应的完整轮廓的比值；根据预设的比值范围，确定所述比值归属的目标比值范围，将所述目标比值范围对应的数值确定为该样本图像中目标物体的残缺度对应的第一标注值。也就是说，在对图像中目标物体的残缺度进行标注时，可先根据图像中目标物体的轮廓与目标物体对应的完整轮廓的比值，然后再根据预设的比值范围，确定该比值归属的目标范围，根据该目标范围对应的数值对目标物体的残缺度进行标注。由于参照统一的标注条件对目标物体的残缺度进行标注，因此可使得评价模型具有较高的评价精度。具体地，当所述目标参数包括目标物体的中轴线与其所在图像的垂线所成的角度时，所述根据针对所述目标参数中包括的每个参数信息预设的标注条件，确定该样本图像针对所述目标参数的标注值包括：识别样本图像中目标物体的轮廓，确定所述目标物体的中轴线；根据所述目标物体的中轴线，确定所述目标物体的中轴线与该样本图像的垂线所成的角度；根据预设的角度范围，确定所述角度归属的目标角度范围，将所述目标角度范围对应的数值确定为该样本图像中所述目标物体的中轴线与该样本图像的垂线所成的角度对应的第二标注值。由上述可知，在对目标物体的中轴线与其所在图像的垂线所成的角度进行标注时，也需要参照统一的标注条件，用以提高评价模型的评价精度。具体地，当所述目标参数包括目标物体与其所在图像的面积占比时，所述根据针对所述目标参数中包括的每个参数信息预设的标注条件，确定该样本图像针对所述目标参数的标注值包括：识别样本图像中目标物体的轮廓，确定所述目标物体的面积；根据所述目标物体的面积，确定所述目标物体在该样本图像中的面积占比；根据预设的面积占比范围，确定所述面积占比归属的目标面积占比范围，将所述目标面积范围对应的数值确定为该样本图像中所述目标物体在该样本图像中的面积占比对应的第三标注值。由上述可知，在对目标物体与其所在图像的面积占比进行标注时，也需要参照统一的标注条件，因此也可用以提高评价模型的评价精度。依据本专利技术的另一个方面，还提供了一种优选图像的判断装置，所述装置包括：评价模块，用于将待评价图像输入到基于卷积神经网络预先训练完成的评价模型中，并基于所述评价模型，获取所述待评价图像的目标参数所对应的评价值，其中所述目标参数包括：图像中目标物体的残缺度，目标物体的中轴线与其所在图像的垂线所成的角度，目标物体与其所在图像的面积占比，图像的清晰度，及图像的亮暗度中的至少三种参数信息；优选模块，用于判断所述待评价图像的目标参数所对应的评价值是否满足预设条件；如果是，将所述待评价图像确定为优选图像，并用于对所述目标物体进行属性分析。具体地，所述装置还包括：缩放模块本文档来自技高网...

【技术保护点】
1.一种优选图像的判断方法，其特征在于，所述方法包括：将待评价图像输入到基于卷积神经网络预先训练完成的评价模型中，并基于所述评价模型，获取所述待评价图像的目标参数所对应的评价值，其中所述目标参数包括：图像中目标物体的残缺度，目标物体的中轴线与其所在图像的垂线所成的角度，目标物体与其所在图像的面积占比，图像的清晰度，及图像的亮暗度中的至少三种参数信息；判断所述待评价图像的目标参数所对应的评价值是否满足预设条件；如果是，将所述待评价图像确定为优选图像，并用于对所述目标物体进行属性分析。

【技术特征摘要】
1.一种优选图像的判断方法，其特征在于，所述方法包括：将待评价图像输入到基于卷积神经网络预先训练完成的评价模型中，并基于所述评价模型，获取所述待评价图像的目标参数所对应的评价值，其中所述目标参数包括：图像中目标物体的残缺度，目标物体的中轴线与其所在图像的垂线所成的角度，目标物体与其所在图像的面积占比，图像的清晰度，及图像的亮暗度中的至少三种参数信息；判断所述待评价图像的目标参数所对应的评价值是否满足预设条件；如果是，将所述待评价图像确定为优选图像，并用于对所述目标物体进行属性分析。2.如权利要求1所述的方法，其特征在于，所述将待评价图像输入到基于卷积神经网络预先训练完成的评价模型中之前，所述方法还包括：将所述待评价图像缩放到预设的标准尺寸；所述将待评价图像输入到预先训练完成的评价模型中包括：将缩放到预设的标准尺寸的待评价图像输入到基于卷积神经网络预先训练完成的评价模型中。3.如权利要求1所述的方法，其特征在于，基于卷积神经网络对所述评价模型进行训练的过程包括：针对训练集中的每个样本图像，根据针对所述目标参数中包括的每个参数信息预设的标注条件，确定该样本图像针对所述目标参数的标注值；将确定标注值后的样本图像，输入到卷积神经网络中进行模型训练，得到所述评价模型。4.如权利要求3所述的方法，其特征在于，当所述目标参数包括该图像中目标物体的残缺度时，所述根据针对所述目标参数中包括的每个参数信息预设的标注条件，确定该样本图像针对所述目标参数的标注值包括：识别样本图像中目标物体的轮廓；确定识别的所述轮廓与所述目标物体对应的完整轮廓的比值；根据预设的比值范围，确定所述比值归属的目标比值范围，将所述目标比值范围对应的数值确定为该样本图像中目标物体的残缺度对应的第一标注值。5.如权利要求3所述的方法，其特征在于，当所述目标参数包括目标物体的中轴线与其所在图像的垂线所成的角度时，所述根据针对所述目标参数中包括的每个参数信息预设的标注条件，确定该样本图像针对所述目标参数的标注值包括：识别样本图像中目标物体的轮廓，确定所述目标物体的中轴线；根据所述目标物体的中轴线，确定所述目标物体的中轴线与该样本图像的垂线所成的角度；根据预设的角度范围，确定所述角度归属的目标角度范围，将所述目标角度范围对应的数值确定为该样本图像中所述目标物体的中轴线与该样本图像的垂线所成的角度对应的第二标注值。6.如权利要求3所述的方法，其特征在于，当所述目标参数包括目标物体与其所在图像的面积占比时，所述根据针对所述目标参数中包括的每个参数信息预设的标注条件，确定该样本图像针对所述目标参数的标注值包括：识别样本图像中目标物体的轮廓，确定所述目标物体的面积；根据所述目标物体的面积，确定所述目标物体在该样本图像中的面积占比；根据预设的面积占比范围，确定所述面积占比归属...

【专利技术属性】
技术研发人员：徐慧，彭学露，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：浙江,33