路面物体识别方法、装置、计算机设备和存储介质制造方法及图纸

技术编号:27252812 阅读:32 留言:0更新日期:2021-02-04 12:30
本申请涉及一种路面物体识别方法、装置、计算机设备和存储介质。通过获取包括道路区域的待识别图像,将待识别图像分别输入第一识别模型和第二识别模型,其中第一识别模型用于确定待识别图像中的道路区域,第二识别模型用于识别待识别图像中包含的物体信息,再根据第一识别模型输出的道路区域和第二识别模型输出的物体信息,识别待识别图像包含的目标物体,然后通过帧差均值确定位于路面内的静态待识别物体为静态洒落物。相较于传统的通过人工检查图像中的物体,本方案利用第一识别模型和第二识别模型识别图像中道路中的物体,再通过帧差均值确定静态洒落物,从而提高了对道路中静态洒落物体识别的准确度的效果。态洒落物体识别的准确度的效果。态洒落物体识别的准确度的效果。

【技术实现步骤摘要】
路面物体识别方法、装置、计算机设备和存储介质


[0001]本申请涉及图像处理
,特别是涉及一种路面物体识别方法、装置、计算机设备和存储介质。

技术介绍

[0002]路面通常是车辆或行人通行的地方,在路面中有时会存在一些掉落物体,例如车辆或行人洒落的物体等,阻挡在道路中间,容易导致交通阻塞和交通事故,因此,对路面中的掉落物进行检测是保证路面正常通行的重要措施。随着电子技术和计算机互联网技术的发展,目前对路面中的物体识别的方法,通常是通过摄像机拍摄图片后,通过人工检查图像中的洒落物的方式。然而,这种方法在面对复杂路况时,容易出现漏检、误检道路以外物体的情况。
[0003]因此,目前对路面物体识别方法存在检测准确度低的缺陷。

技术实现思路

[0004]基于此,有必要针对上述技术问题,提供一种能够提高路面物体识别准确度的物体识别方法、装置、计算机设备和存储介质。
[0005]一种路面物体识别方法,所述方法包括:
[0006]获取待识别图像;所述待识别图像中包括道路区域;
[0007]将所述待识别图像分别输入第一识别模型和第二识别模型;所述第一识别模型用于确定所述待识别图像中的道路区域;所述第一识别模型通过多种标注有道路区域的第一图像样本训练得到;所述第二识别模型用于识别所述待识别图像中包含的物体信息;所述第二识别模型通过多种标注有物体标签的第二图像样本训练得到;所述物体标签为车辆以外的物体标签;
[0008]根据所述第一识别模型输出的道路区域以及所述第二识别模型输出的物体信息,识别所述待识别图像包含的目标物体。
[0009]在其中一个实施例中,所述获取待识别图像,包括:
[0010]获取包括所述道路区域的原始图像;
[0011]对所述原始图像的尺寸进行适配处理,以使适配处理后的图像的大小与预设大小匹配,将适配处理后的图像作为所述待识别图像。
[0012]在其中一个实施例中,所述将所述待识别图像输入第一识别模型之前,还包括:
[0013]获取多个包含道路区域的图像;
[0014]对每个所述图像中的道路区域进行标注,得到每个所述图像对应的道路区域标注信息;
[0015]将所述多个包含道路区域的图像输入待训练的第一识别模型,将所述待训练的第一识别模型输出的道路区域识别结果与当前输入的图像对应的道路区域标注信息比较,得到第一识别误差;
[0016]根据所述第一识别误差,通过随机梯度下降法,迭代调整所述待训练的第一识别模型中的权值,直到满足设定的训练结束条件,根据训练结束时的待训练的第一识别模型得到所述第一识别模型;
[0017]所述训练结束条件包括:当所述第一识别误差在设定范围内,和/或,迭代次数达到预设数量。
[0018]在其中一个实施例中,所述将所述待识别图像输入第二识别模型之前,还包括:
[0019]获取多个包含物体信息的图像;所述物体为车辆以外的物体;
[0020]对每个所述图像中的物体信息进行标注,得到每个所述图像对应的物体已知位置信息,作为所述物体信息的物体标签;所述物体已知位置信息包括预设关键点的坐标;
[0021]将所述多个包含物体信息的图像输入待训练的第二识别模型,将所述待训练的第二识别模型输出的对所述物体关键点的坐标识别结果与当前输入的图像对应的物体标签中的信息比较,得到第二识别误差;
[0022]根据所述第二识别误差,通过随机梯度下降法,迭代调整所述待训练的第二识别模型中的权值,直到满足设定的训练结束条件,根据训练结束时的待训练的第二识别模型得到所述第二识别模型;
[0023]所述训练结束条件包括,当所述第二识别误差在设定范围内,和/或,迭代次数达到预设数量。
[0024]在其中一个实施例中,所述第一识别模型包括Fast-SCNN模型;所述第二识别模型包括yolov4模型;
[0025]所述将所述待识别图像分别输入第一识别模型和第二识别模型,包括:
[0026]将所述待识别图像分别输入所述Fast-SCNN模型和所述yolov4模型;
[0027]通过所述Fast-SCNN模型得到所述待识别图像中的道路区域对应的初步识别结果,并通过形态学滤波,对所述初步识别结果进行去噪处理,得到所述道路区域;
[0028]通过所述yolov4模型得到所述待识别图像中的物体信息及其位置信息。
[0029]在其中一个实施例中,所述待识别图像从包括所述道路区域的视频中获取;所述根据所述第一识别模型输出的道路区域以及所述第二识别模型输出的物体信息,识别目标物体,包括:
[0030]获取所述道路区域的边界信息;
[0031]根据所述物体信息的关键点坐标确定物体中心点位置,获取所述物体中心点位置在所述边界信息内的目标物体及其对应的待识别图像;
[0032]获取所述待识别图像的相邻帧待识别图像;
[0033]根据所述待识别图像中的目标物体对应的第一位置与所述相邻帧待识别图像中所述目标物体对应的第二位置,获取所述相邻帧待识别图像与所述待识别图像的帧差均值;
[0034]若所述帧差均值小于或等于预设阈值,确定所述目标物体为静态障碍物;
[0035]若所述帧差均值大于所述预设阈值,确定所述目标物体为动态障碍物。
[0036]在其中一个实施例中,所述根据所述待识别图像中的目标物体对应的第一位置与所述相邻帧待识别图像中所述目标物体对应的第二位置,获取所述相邻帧待识别图像与所述待识别图像的帧差均值,包括:
[0037]获取所述第二位置在所述相邻帧待识别图像中对应的第二图像块与所述第一位置在所述待识别图像中对应的第一图像块的像素差值;
[0038]根据所述像素差值以及所述第一图像块的面积,获取所述帧差均值。
[0039]一种路面物体识别装置,所述装置包括:
[0040]获取模块,用于获取待识别图像;所述待识别图像中包括道路区域;
[0041]输入模块,用于将所述待识别图像分别输入第一识别模型和第二识别模型;所述第一识别模型用于确定所述待识别图像中的道路区域;所述第一识别模型通过多种标注有道路区域的第一图像样本训练得到;所述第二识别模型用于识别所述待识别图像中包含的物体信息;所述第二识别模型通过多种标注有物体标签的第二图像样本训练得到;所述物体标签为车辆以外的物体标签;
[0042]识别模块,用于根据所述第一识别模型输出的道路区域以及所述第二识别模型输出的物体信息,识别所述待识别图像包含的目标物体。
[0043]一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法的步骤。
[0044]一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
[0045]上述路面物体识别方法、装置、计算机设备和存储介质,通过获取包括道路区域的待识别图像,将待识本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种路面物体识别方法,其特征在于,所述方法包括:获取待识别图像;所述待识别图像中包括道路区域;将所述待识别图像分别输入第一识别模型和第二识别模型;所述第一识别模型用于确定所述待识别图像中的道路区域;所述第一识别模型通过多种标注有道路区域的第一图像样本训练得到;所述第二识别模型用于识别所述待识别图像中包含的物体信息;所述第二识别模型通过多种标注有物体标签的第二图像样本训练得到;所述物体标签为车辆以外的物体标签;根据所述第一识别模型输出的道路区域以及所述第二识别模型输出的物体信息,识别所述待识别图像包含的目标物体。2.根据权利要求1所述的方法,其特征在于,所述获取待识别图像,包括:获取包括所述道路区域的原始图像;对所述原始图像的尺寸进行适配处理,以使适配处理后的图像的大小与预设大小匹配,将适配处理后的图像作为所述待识别图像。3.根据权利要求1所述的方法,其特征在于,所述将所述待识别图像输入第一识别模型之前,还包括:获取多个包含道路区域的图像;对每个所述图像中的道路区域进行标注,得到每个所述图像对应的道路区域标注信息;将所述多个包含道路区域的图像输入待训练的第一识别模型,将所述待训练的第一识别模型输出的道路区域识别结果与当前输入的图像对应的道路区域标注信息比较,得到第一识别误差;根据所述第一识别误差,通过随机梯度下降法,迭代调整所述待训练的第一识别模型中的权值,直到满足设定的训练结束条件,根据训练结束时的待训练的第一识别模型得到所述第一识别模型;所述训练结束条件包括:当所述第一识别误差在设定范围内,和/或,迭代次数达到预设数量。4.根据权利要求1所述的方法,其特征在于,所述将所述待识别图像输入第二识别模型之前,还包括:获取多个包含物体信息的图像;所述物体为车辆以外的物体;对每个所述图像中的物体信息进行标注,得到每个所述图像对应的物体已知位置信息,作为所述物体信息的物体标签;所述物体已知位置信息包括预设关键点的坐标;将所述多个包含物体信息的图像输入待训练的第二识别模型,将所述待训练的第二识别模型输出的对所述物体关键点的坐标识别结果与当前输入的图像对应的物体标签中的信息比较,得到第二识别误差;根据所述第二识别误差,通过随机梯度下降法,迭代调整所述待训练的第二识别模型中的权值,直到满足设定的训练结束条件,根据训练结束时的待训练的第二识别模型得到所述第二识别模型;所述训练结束条件包括,当所述第二识别误差在设定范围内,和/或,迭代次数达到预设数量。
5.根据权利要求1所述的方法,其特征在于,所述第一识别模型包括Fast-SCNN模型;所述第二识别模型包括yolov4模型;所述将所述待...

【专利技术属性】
技术研发人员:车满强李铭
申请(专利权)人:广州海格通信集团股份有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1