本申请实施例公开了一种空间特征的确定方法、装置、网络设备及存储介质，本申请实施例可以提高识别空间特征的准确率。本申请实施例中的空间特征的确定装置首先获取车辆装卸过程中开始装卸货时的图像，及结束装卸货时的图像，得到图像集合；然后分别获取所述图像集合中的各帧图像对应的空间特征图；再获取所述空间特征图在不同时刻之间所对应的空间差异信息；最后根据所述空间差异信息以及所述空间特征图，确定所述车辆的空间特征。本方案提取了多帧图像的空间特征图以及各帧空间特征图在不同时刻之间的空间差异信息，利用多帧图像的空间及时间维度上的特征信息进行空间特征的判断，可以提高识别空间特征的准确率。可以提高识别空间特征的准确率。可以提高识别空间特征的准确率。
【技术实现步骤摘要】
一种空间特征的确定方法、装置、网络设备及存储介质
[0001]本申请涉及移动终端
，具体涉及一种空间特征的确定方法、装置、网络设备及存储介质。
技术介绍
[0002]在快递行业、仓储行业中都需要车辆进行装卸货，经常需要对车辆的装卸货量进行统计，一般情况下，是通过车辆开始装卸货时对应的空间特征(例如车厢的装载率)以及结束装卸货时对应的空间特征进行该车辆装卸货量的判断。
[0003]现有一般是通过人工进行车辆空间特征的判断，例如逐一测量车辆中货物的体积以统计车厢中货物的总体积，再根据车厢的体积以及货物的总体积确定该车辆对应的空间特征，但这样的方式费事又费力，效率较低。
[0004]为了提高识别车辆空间特征的效率，提出了一种使用卷积神经网络对车辆的单帧图像进行识别的方法，得到车辆的空间特征，但是该方法受单帧图像的噪声影响较大，其识别的准确率较低。
技术实现思路
[0005]本申请实施例提供一种空间特征的确定方法、装置、网络设备及存储介质，可以提高识别空间特征的准确率。
[0006]第一方面，本申请实施例提供了一种空间特征的确定方法，包括：
[0007]获取车辆装卸过程中开始装卸货时的图像，及结束装卸货时的图像，得到图像集合；
[0008]分别获取所述图像集合中的各帧图像对应的空间特征图；
[0009]获取所述空间特征图在不同时刻之间所对应的空间差异信息；
[0010]根据所述空间差异信息以及所述空间特征图，确定所述车辆的空间特征。
[0011]在一些实施方式中，所述获取车辆装卸过程中开始装卸货时的图像，及结束装卸货时的图像，得到图像集合，包括：
[0012]获取所述车辆装卸过程对应的视频；
[0013]从所述视频中提取所述开始装卸货时的图像，及所述结束装卸货时的图像，得到所述图像集合。
[0014]在一些实施方式中，所述分别获取所述图像集合中的各帧图像对应的空间特征图，包括：
[0015]分别将所述图像集合中的各帧图像输入训练后的空间特征确定网络中的二维卷积神经网络进行空间特征学习，得到所述各帧图像分别对应的空间特征图。
[0016]在一些实施方式中，所述获取所述空间特征图在不同时刻之间所对应的空间差异信息，包括：
[0017]对所述各帧图像对应的空间特征图进行叠加处理，得到叠加后的空间特征图；
[0018]将所述叠加后的空间特征图输入训练后的空间特征确定网络中的三维卷积神经网络进行特征交叉学习，得到所述叠加后的空间特征图中不同时刻之间的空间特征图所对应的空间差异信息。
[0019]在一些实施方式中，所述将所述叠加后的空间特征图输入训练后的空间特征确定网络中的三维卷积神经网络进行特征交叉学习，得到所述叠加后的空间特征图中不同时刻之间的空间特征图所对应的空间差异信息，包括：
[0020]分别获取所述叠加后的空间特征图中每帧空间特征图对应的时刻；
[0021]基于所述三维卷积神经网络，根据所述每帧空间特征图对应的时刻对所述叠加后的空间特征图中不同时刻的空间特征图进行连接，得到多个连接后的空间特征图；
[0022]分别对所述多个连接后的空间特征图进行特征交叉学习，得到所述空间差异信息。
[0023]在一些实施方式中，所述根据所述空间差异信息以及所述空间特征图，确定所述车辆的空间特征，包括：
[0024]根据训练后的空间特征确定网络中分类器中的交叉熵损失函数确定所述空间差异信息以及所述空间特征图的第一损失值；以及根据所述分类器中的焦点损失函数确定所述空间差异信息以及所述空间特征图的第二损失值；
[0025]根据所述第一损失值、所述第二损失值、所述第一损失值对应的权重以及所述第二损失值对应的权重确定目标损失值；
[0026]根据所述目标损失值确定所述车辆的空间特征。
[0027]在一些实施方式中，所述分别获取所述图像集合中的各帧图像对应的空间特征图之前，所述方法还包括：
[0028]获取视频样本；
[0029]从所述视频样本中提取开始装卸货的图像样本，及结束装卸货的图像样本，得到图像样本集合；
[0030]根据所述图像样本集合对预设空间特征确定网络进行训练，得到所述训练后的空间特征确定网络。
[0031]在一些实施方式中，所述根据所述图像样本集合对预设空间特征确定网络进行训练，得到所述训练后的空间特征确定网络，包括：
[0032]基于所述预设空间特征确定网络中的二维卷积神经网络以及三维卷积神经网络，得到所述图像样本集合中图像样本的空间特征样本图、以及不同时刻之间的空间特征样本图所对应的空间样本差异信息；
[0033]基于所述预设空间特征确定网络中的分类器中的交叉熵损失函数以及焦点损失函数，根据所述确定空间特征样本图以及所述空间样本差异信息确定所述图像样本集合中图像样本的空间特征预测值；
[0034]获取所述图像样本集合中图像样本的空间特征真实值；
[0035]根据所述空间特征预测值以及所述空间特征真实值对所述预设空间特征确定网络进行收敛，得到所述训练后的空间特征确定网络。
[0036]在一些实施方式中，所述从所述视频样本中提取开始装卸货的图像样本，及结束装卸货的图像样本，得到图像样本集合之后，所述方法还包括：
[0037]对所述图像样本集合中的图像样本进行增广处理，得到增广后的图像样本集合；
[0038]所述根据所述图像样本集合对预设空间特征确定网络进行训练，得到所述训练后的空间特征确定网络，包括：
[0039]根据所述增广后的图像样本集合对所述预设空间特征确定网络进行训练，得到所述训练后的空间特征确定网络。
[0040]在一些实施方式中，所述对所述图像样本集合中的图像样本进行增广处理，包括：
[0041]根据不同的压缩样本对所述图像样本集合中的图像样本进行压缩处理；或，
[0042]根据预置的裁剪区域对所述图像样本集合中的图像样本进行随机裁剪处理；或，
[0043]随机调整所述图像样本集合中的图像样本的亮度、对比度、色度和饱和度；或，
[0044]随机调换所述图像样本集合中的图像样本开始装卸货和结束装卸货所对应图像的顺序。
[0045]在一些实施方式中，所述获取车辆装卸过程中开始装卸货时的图像，及结束装卸货时的图像，得到图像集合之后，所述方法还包括：
[0046]将所述图像集合中的各帧图像压缩至预置大小，得到压缩后的图像集合；
[0047]根据预置的裁剪区域对压缩后的图像集合中的各帧图像进行裁剪处理，得到裁剪后的图像集合；
[0048]此时，分别获取所述图像集合中的各帧图像对应的空间特征图，包括：
[0049]分别获取所述裁剪后的图像集合中的各帧图像对应的空间特征图。
[0050]第二方面，本申请实施例还提供了一种空间特征的确定装置，包括：
[0051]第一获取单本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种空间特征的确定方法，其特征在于，包括：获取车辆装卸过程中开始装卸货时的图像，及结束装卸货时的图像，得到图像集合；分别获取所述图像集合中的各帧图像对应的空间特征图；获取所述空间特征图在不同时刻之间所对应的空间差异信息；根据所述空间差异信息以及所述空间特征图，确定所述车辆的空间特征。2.根据权利要求1所述的方法，其特征在于，所述分别获取所述图像集合中的各帧图像对应的空间特征图，包括：分别将所述图像集合中的各帧图像输入训练后的空间特征确定网络中的二维卷积神经网络进行空间特征学习，得到所述各帧图像分别对应的空间特征图。3.根据权利要求1所述的方法，其特征在于，所述获取所述空间特征图在不同时刻之间所对应的空间差异信息，包括：对所述各帧图像对应的空间特征图进行叠加处理，得到叠加后的空间特征图；将所述叠加后的空间特征图输入训练后的空间特征确定网络中的三维卷积神经网络进行特征交叉学习，得到所述叠加后的空间特征图中不同时刻之间的空间特征图所对应的空间差异信息。4.据权利要求3所述的方法，其特征在于，所述将所述叠加后的空间特征图输入训练后的空间特征确定网络中的三维卷积神经网络进行特征交叉学习，得到所述叠加后的空间特征图中不同时刻之间的空间特征图所对应的空间差异信息，包括：分别获取所述叠加后的空间特征图中每帧空间特征图对应的时刻；基于所述三维卷积神经网络，根据所述每帧空间特征图对应的时刻对所述叠加后的空间特征图中不同时刻的空间特征图进行连接，得到多个连接后的空间特征图；分别对所述多个连接后的空间特征图进行特征交叉学习，得到所述空间差异信息。5.根据权利要求1所述的方法，其特征在于，所述根据所述空间差异信息以及所述空间特征图，确定所述车辆的空间特征，包括：根据训练后的空间特征确定网络中分类器中的交叉熵损失函数确定所述空间差异信息以及所述空间特征图的第一损失值；以及根据所述分类器中的焦点损失函数确定所述空间差异信息以及所述空间特征图的第二损失值；根据所述第一损失值、所述第二损失值、所述第一损失值对应的权重以及所述第...
【专利技术属性】
技术研发人员：张劲松，郭明坚，宋翔，张恒瑞，张宽，
申请(专利权)人：顺丰科技有限公司，
类型：发明
国别省市：
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。