盲区检测训练集的筛选方法、装置、服务器及存储介质制造方法及图纸

本发明专利技术提供了一种盲区检测训练集的筛选方法、装置、服务器及存储介质，其中，所述方法包括：将图像输入至语义分割神经网络；获取所述语义分割神经网络中特征识别反卷积层的输出矩阵，所述输出矩阵用于表征所述输出图像每个像素对应的特征强度；将所述输出矩阵映射到基础图像模板，形成特征图像，所述基础图像模板用于突出显示特征强度的强弱；计算所述特征图像中预设的兴趣区域的图像特征值均值，将所述特征值均值与预设的均值阈值进行比较，在不大于所述预设的均值阈值时，确定所述图像加入盲区检测训练集。可以获取数据集统一、客观的、直观的预测结果，对其中特征提取较差以及不确定的目标可以加入下次训练中。定的目标可以加入下次训练中。定的目标可以加入下次训练中。

【技术实现步骤摘要】
盲区检测训练集的筛选方法、装置、服务器及存储介质


[0001]本专利技术属于计算机图像识别
，尤其是涉及一种盲区检测训练集的筛选方法、装置、服务器及存储介质。

技术介绍

[0002]汽车盲区检测是一项汽车智能安全技术，能够通过安装在车上的智能监控摄像头及其他辅助设备(雷达、报警器、显示屏等)，对车辆盲区内的行人及其他车辆进行智能识别，并据此发出提示，从而消除视线盲区，提高行车安全。
[0003]目前，汽车盲区检测通常利用摄像头拍摄相应的图像，并利用卷积神经网络对图像中出现的各种目标进行识别。
[0004]在实现本专利技术的过程中，专利技术人发现如下技术问题：在利用卷积神经网络对汽车盲区进行目标检测时，都需要预先大量采集原始数据,人工进行标注,最后得到准确的目标和像素分割信息，用于对卷积神经网络进行训练。但目前通过人工标注的方式不仅需要大量的人力和时间，同时由于人工筛选标准是主观的，没有客观依据，难以形成统一标准。

技术实现思路

[0005]有鉴于此，本专利技术旨在提出一种盲区检测训练集的筛选方法、装置、服务器及存储介质，以解决现有技术中汽车盲区检测卷积神经网络的训练集只能通过人工标注带来的费时费力和标准不统一的技术问题。
[0006]第一方面，本专利技术实施例提供了一种盲区检测训练集的筛选方法，包括：将图像输入至语义分割神经网络；获取所述语义分割神经网络特征识别反卷积层的输出矩阵，所述输出矩阵用于表征输出图像每个像素对应的特征强度；将所述输出矩阵映射到基础图像模板，形成特征图像，所述基础图像模板用于突出显示特征强度的强弱；计算所述特征图像中预设的兴趣区域的图像特征值均值，将所述特征值均值与预设的均值阈值进行比较，在不大于所述预设的均值阈值时，确定所述图像加入盲区检测训练集。
[0007]第二方面，本专利技术实施例还提供了一种盲区检测训练集的筛选装置，其特征在于，包括：输入模块，用于将图像输入至语义分割神经网络；获取模块，用于获取所述语义分割神经网络特征识别反卷积层的输出矩阵，所述输出矩阵用于表征输出图像每个像素对应的特征强度；形成模块，用于将所述输出矩阵映射到基础图像模板，形成特征图像，所述基础图像模板用于突出显示特征强度的强弱；比较模块，用于计算所述特征图像中预设的兴趣区域的图像特征值均值，将所述
特征值均值与预设的均值阈值进行比较，在不大于所述预设的均值阈值时，确定所述图像加入盲区检测训练集。
[0008]第三方面，本专利技术实施例还提供了一种服务器，所述服务器包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述实施例提供的任一所述的盲区检测训练集的筛选方法。
[0009]第四方面，本专利技术实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如上述实施例提供的任一所述的盲区检测训练集的筛选方法。
[0010]相对于现有技术，本专利技术实施例提供的盲区检测训练集的筛选方法、装置、服务器和存储介质，通过使用神经网络反卷积层输出数据进行可视化处理后，可以将对目标的特征提取的好坏以及高层抽象分割的不确定性以不同颜色、不同亮度呈现出来。可以获取数据集统一、客观的、直观的预测结果，对其中特征提取较差以及不确定的目标可以加入下次训练中，类似进行同类型的“易错题型”的更多练习，进而优化模型参数，提高识别准确率，提高筛选效率，降低成本。
附图说明
[0011]构成本专利技术的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1为本专利技术实施例一提供的盲区检测训练集的筛选方法的流程示意图；图2为本专利技术实施例一提供的盲区检测训练集的筛选方法中采集的图像示意图；图3为本专利技术实施例一提供的盲区检测训练集的筛选方法中语义分割处理后的图像；图4为本专利技术实施例二提供的盲区检测训练集的筛选方法的流程示意图；图5为本专利技术实施例二提供的盲区检测训练集的筛选方法中所述特征图像的示意图；图6为本专利技术实施例三提供的盲区检测训练集的筛选方法的流程示意图；图7为本专利技术实施例四提供的盲区检测训练集的筛选方法的流程示意图；图8为本专利技术实施例五提供的盲区检测训练集的筛选装置的结构示意图；图9为本专利技术实施例六提供的一种服务器的结构示意图。
具体实施方式
[0012]下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。
[0013]实施例一图1为本专利技术实施例一提供的盲区检测训练集的筛选方法的流程示意图，本专利技术实施例提供的盲区检测训练集的筛选方法，适用于对用于盲区检测的图像训练集进行筛选
的情况，特别是用于对盲区检测用卷积神经网络用图像训练集进行筛选的情况，所述盲区检测训练集的筛选方法可以由盲区检测训练集的筛选装置来执行，参见图1，所述盲区检测训练集的筛选方法，包括：S110,将图像输入至语义分割神经网络。
[0014]通常对于盲区检测通过车辆上特定位置安装的图像采集装置采集图像，并通过卷积神经网络对采集的图像进行判别，识别出可能影响车辆行驶安全的目标物体，并提示驾驶员注意，以减少或者避免交通事故发生的几率。图2为本专利技术实施例一提供的盲区检测训练集的筛选方法中采集的图像示意图。利用卷积神经网络可对上述采集到的图像中的目标物体进行识别。
[0015]在本实施例中，采用语义分割神经网络对目标物体进行识别。语义分割神经网络是一种全卷积神经网络，可以实现将感兴趣的对象和不感兴趣的对象分别分割开来。经过语义分割处理之后的图片就是一个包含若干种颜色的图片其中每一种颜色都代表一类。在本实施例中，可以将设置于车辆上的图像采集装置采集得到的图像，输入至语义分割神经网络。所述语义分割神经网络可以是经过一定图像训练的语义分割神经网络，可以将采集到的图像中的车辆、障碍物和道路等进行有效区分。图3为本专利技术实施例一提供的盲区检测训练集的筛选方法中语义分割处理后的图像，由图3可以看出，区域1被识别为道路，区域2被识别为车辆。区域3被识别为障碍物。
[0016]S120,获取所述语义分割神经网络特征识别反卷积层的输出矩阵，所述输出矩阵用于表征所述图像每个像素对应的特征强度。
[0017]语义分割神经网络其首先对图片进行卷积——>卷积——>池化，再卷积——>卷积——>池化，直到图像缩小得够小为止。然后可以进行上采样，恢复图像的大小。并输出类似图3一样的图像识别效果。然而，由于语义分割神经网络需要海量的训练集进行训练，才能得到较为准确的识别结果。而在盲区图像识别领域中，采集到的图像受到外界环境干扰的情况众多，训练集很难能够符合所有场景。因此，会存在着一定的误判可能。
[0018]在本实施例中，利本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种盲区检测训练集的筛选方法，其特征在于，包括：将图像输入至语义分割神经网络；获取所述语义分割神经网络中特征识别反卷积层的输出矩阵，所述输出矩阵用于表征输出图像每个像素对应的特征强度；将所述输出矩阵映射到基础图像模板，形成特征图像，所述基础图像模板用于突出显示特征强度的强弱；计算所述特征图像中预设的兴趣区域的图像特征值均值，将所述特征值均值与预设的均值阈值进行比较，在不大于所述预设的均值阈值时，确定所述图像加入盲区检测训练集。2.根据权利要求1所述的方法，其特征在于，所述将所述输出矩阵映射到基础图像模板，形成特征图像，包括：计算所述输出矩阵中每个元素在所述输出矩阵中的相对特征比值，根据所述相对特征比值生成相对矩阵；根据所述相对矩阵和所述基础图像模板生成特征图像。3.根据权利要求2所述的方法，其特征在于，所述计算所述输出矩阵中每个元素在所述输出矩阵中的相对特征比值，包括：获取所述输出矩阵中的最大值和最小值；计算将所述输出矩阵中每个元素与所述最小值的差值作为第一差值，计算所述最大值与所述输出矩阵中每个元素的差值作为第二差值，将第一差值和第二差值的比作为每个元素在所述输出矩阵中的相对特征比值。4.根据权利要求1所述的方法，其特征在于，所述将图像输入至语义分割神经网络，包括：对图像采集设备采集到的初始图像进行去重处理；将去重处理后的图像作为图像输入语义分割神经网络。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取所述语义分割神经网络的输出结果；将所述图像输入目标检测神经网络；根据所述语义分割神经网络的输出结果确定所述目标识别结果对应...

【专利技术属性】
技术研发人员：徐显杰，李涛，
申请(专利权)人：天津所托瑞安汽车科技有限公司，
类型：发明
国别省市：