目标遮挡评估方法、系统、介质及装置制造方法及图纸

本发明专利技术属于图像识别技术领域，具体提供一种目标遮挡评估方法、系统、介质及装置。本发明专利技术旨在解决现有的被遮挡目标直接进入计算模型而导致计算准确度低、计算量大的问题。为此目的，本发明专利技术的目标遮挡评估方法具体包括：将待识别图片分割成多个网格并判断每个网格为前景还是背景；计算待识别图片中前景网格的数量占总网格数量的比值，作为遮挡质量分；将遮挡质量分与预设分进行比较；当遮挡质量分小于预设分时，确定待识别图片中的目标被遮挡。通过设置合理的预设分，能够将获取的真实图片当中的遮挡严重的图片筛选出来，剔除了质量差的图片，将极大地减少后续目标识别系统的运行负担，使目标识别速度更快，效率更高。

【技术实现步骤摘要】
目标遮挡评估方法、系统、介质及装置
本专利技术属于图像识别
，具体提供一种目标遮挡评估方法、系统、介质及装置。
技术介绍
在视频领域中，通常会对各种目标进行判断，以目标为车辆为例，在车辆识别领域中，为了更好地实现车辆的监控，通常会采集车辆的照片信息用于比对。例如在车辆重识别应用场景中，能够从两张目标车辆的检测框图片中分别提取特征，计算相似度，然后基于相似度判断两个车辆是否为同一目标车辆。通过上述方式，能够使用户准确追踪某一车辆的具体行驶轨迹，为公安机关或者其它需求用户提供技术支持。在车辆重识别等应用场景中，如果某个车辆在行驶过程中被遮挡，例如在拍照时被路边的广告牌遮挡住大部分车身，此时如果将这种质量过低的车辆纳入车辆重识别的计算模型中进行计算，非但无法保证其真实度，而且由于计算困难，还增加了计算模型的额外负担。因此，在类似上述的许多应用场景中，需要从目标车辆序列中剔除质量过低的目标，或是筛选出质量较高的目标，来为后续其它类似车辆重识别计算模型的计算模型的准确判断以及降低计算量提供支持。由于遮挡是一个连续出现的情况，无法对每本文档来自技高网...

【技术保护点】
1.一种目标遮挡评估方法，其特征在于，包括：/n将待识别图片分割成多个网格并判断每个网格为前景还是背景；/n计算所述待识别图片中前景网格的数量占总网格数量的比值，并将其作为遮挡质量分；/n将所述遮挡质量分与预设分进行比较；/n当所述遮挡质量分小于所述预设分时，确定所述待识别图片中的目标被遮挡；/n其中，所述遮挡质量分表示所述目标被遮挡的程度。/n

【技术特征摘要】
1.一种目标遮挡评估方法，其特征在于，包括：
将待识别图片分割成多个网格并判断每个网格为前景还是背景；
计算所述待识别图片中前景网格的数量占总网格数量的比值，并将其作为遮挡质量分；
将所述遮挡质量分与预设分进行比较；
当所述遮挡质量分小于所述预设分时，确定所述待识别图片中的目标被遮挡；
其中，所述遮挡质量分表示所述目标被遮挡的程度。


2.根据权利要求1所述的方法，其特征在于，“将待识别图片分割成多个网格并判断每个网格为前景还是背景”具体包括：
将所述待识别图片输入到已训练的网格分割模型中，以便将所述待识别图片分割成多个网格；
通过所述网格分割模型对所述待识别图片进行预测，得到每个网格对应的输出向量，其中，所述输出向量包括多个双层网格，每一个双层网格具有一层前景得分和一层背景得分；
将所述前景得分与预设值进行比较；
如果所述前景得分大于所述预设值，则确定所述网格为前景；
否则，确定所述网格为背景。


3.根据权利要求1或2所述的方法，其特征在于，所述已训练的网格分割模型的获得方式包括：
根据用于训练的原始图片中目标的检测框对所述原始图片进行图片裁剪并缩放到能输入到预先构建的初始网格分割模型中的尺寸，作为样本图片；
在所述检测框内将所述目标包络起来形成前景的多边形；
根据所述多边形确定所述样本图片中的每一像素属于前景或背景；
将所述样本图片划分为多个网格，并根据每个网格中的像素属于前景或背景来确定每个网格为前景或背景；
将经过网格划分并标签为前景或背景的样本图片输入所述初始网格分割模型进行模型迭代训练，以得到所述已训练的网格分割模型；
其中，如果每个网格中属于前景的像素数量占所述网格的像素数量的比例超过一半，则所述网格为前景，否则所述网格为背景。


4.根据权利要求3所述的方法，其特征在于，所述初始网格分割模型的构建过程为：
采用resnet18作为骨干网络，通过反卷积与通道相加构建网格分割模型；
并且，构建交叉熵损失函数作为模型的损失函数。


5.根据权利要求4所述的方法，其特征在于，
“在所述检测框内将所述目标包络起来形成前景的多边形”具体包括：
当所述目标被遮挡物分隔开时，将属于所述目标的部分包络起来，形成多个前景的多边形；
并且/或者，
“将经过网格划分并标签为前景或背景的样本图片输入所述初始网格分割模型进行模型迭代训练，以得到所述已训练的网格分割模型”具体包括：
在所述网格分割模型每次迭代训练时，根据每次输入的所述样本图片进行预测以获得输出向量；
根据每个网格的前景或背景的类别和所述输出向量，计算每个网格对应的交叉熵损失；
累加所有网格的交叉熵损失获得所述网格分割模型的总损失；
根据总损失调整所述网格分割模型的模型参数，进入下一次模型迭代训练；
当达到模型训练的迭代次数时，结束模型训练，并保留最后一次迭代调整的模型参数，得到所述已训练的网格分割模型。


6.根据权利要求5所述的方法，其特征在于，
已训练的网格分割模型需要部署至推理引擎中进行运行，所述“推理引擎”为MNN推理引擎、NCNN推理引擎、TensorRT推理引擎或OpenVINO推理引擎；并且/或者，
所述交叉熵损失函数为softmax交叉熵损失函数；并且/或者，
所述检测框为通过目标识别算法获得，所述目标识别算法为RCNN，Fast-RCNN，Faster-RCNN，Mask-RCNN，YOLO，SSD中的一种；并且/或者，
所述网格的分割方法为16×16的粗粒度分割方法；并且/或者，
所述输出向量为16x16的双层网格。


7.一种目标遮挡评估系统，其特征在于包...

【专利技术属性】
技术研发人员：毛艺凡，秦勤，钟南昌，
申请(专利权)人：云从科技集团股份有限公司，
类型：发明
国别省市：广东;44