图像处理方法、检测模型的训练方法、装置、设备和介质制造方法及图纸

本公开提供了一种图像处理方法、检测模型的训练方法、装置、设备、介质和产品，涉及人工智能领域，具体涉及计算机视觉和深度学习技术，具体可用于智慧城市和智能交通场景下。图像处理方法包括：获取待处理图像，其中，待处理图像包括至少一个目标对象；对待处理图像执行检测操作，得到针对至少一个目标对象中每个目标对象的检测结果，其中，针对每个目标对象的检测结果与每个目标对象的畸变信息相关联。检测结果与每个目标对象的畸变信息相关联。检测结果与每个目标对象的畸变信息相关联。

【技术实现步骤摘要】
图像处理方法、检测模型的训练方法、装置、设备和介质


[0001]本公开涉人工智能领域，具体涉及计算机视觉和深度学习技术，具体可用于智慧城市和智能交通场景下。

技术介绍

[0002]相关技术中，在利用检测模型检测图像中的对象时，检测模型的检测准确度较低，导致检测效果较差。

技术实现思路

[0003]本公开提供了一种图像处理方法、检测模型的训练方法、装置、电子设备、存储介质以及程序产品。
[0004]根据本公开的一方面，提供了一种图像处理方法，包括：获取待处理图像，其中，所述待处理图像包括至少一个目标对象；对所述待处理图像执行检测操作，得到针对所述至少一个目标对象中每个目标对象的检测结果，其中，针对所述每个目标对象的检测结果与所述每个目标对象的畸变信息相关联。
[0005]根据本公开的另一方面，提供了一种检测模型的训练方法，包括：获取图像训练样本，其中，所述图像训练样本包括至少一个参考对象；基于所述至少一个参考对象中每个参考对象的畸变信息，训练检测模型。
[0006]根据本公开的另一方面，提供了一种图像处理装置，包括：第一获取模块以及检测模块。第一获取模块，用于获取待处理图像，其中，所述待处理图像包括至少一个目标对象；检测模块，用于对所述待处理图像执行检测操作，得到针对所述至少一个目标对象中每个目标对象的检测结果，其中，针对所述每个目标对象的检测结果与所述每个目标对象的畸变信息相关联。
[0007]根据本公开的另一方面，提供了一种检测模型的训练装置，包括：第二获取模块和第一训练模块。第二获取模块，用于获取图像训练样本，其中，所述图像训练样本包括至少一个参考对象；第一训练模块，用于基于所述至少一个参考对象中每个参考对象的畸变信息，训练检测模型。
[0008]根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器和与所述至少一个处理器通信连接的存储器。其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的图像处理方法和/或检测模型的训练方法。
[0009]根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行上述的图像处理方法和/或检测模型的训练方法。
[0010]根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述的图像处理方法和/或检测模型的训练方法。
[0011]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0012]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0013]图1示意性示出了根据本公开一实施例的图像处理方法和检测模型的训练方法的应用场景；
[0014]图2示意性示出了根据本公开一实施例的图像处理方法的流程图；
[0015]图3示意性示出了根据本公开一实施例的图像处理方法的示意图；
[0016]图4示意性示出了根据本公开另一实施例的图像处理方法的示意图；
[0017]图5示意性示出了根据本公开一实施例的检测模型的训练方法的流程图；
[0018]图6示意性示出了根据本公开一实施例的图像处理装置的框图；
[0019]图7示意性示出了根据本公开一实施例的检测模型的训练装置的框图；以及
[0020]图8是用来实现本公开实施例的用于执行图像处理和/或检测模型的训练方法的电子设备的框图。
具体实施方式
[0021]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0022]在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
[0023]在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
[0024]在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
[0025]本公开的实施例提供了一种图像处理方法，包括：获取待处理图像，其中，待处理图像包括至少一个目标对象。然后，对待处理图像执行检测操作，得到针对至少一个目标对象中每个目标对象的检测结果，其中，针对每个目标对象的检测结果与每个目标对象的畸变信息相关联。
[0026]本公开的实施例提供了一种检测模型的训练方法，包括：获取图像训练样本，其中，图像训练样本包括至少一个参考对象。然后，基于至少一个参考对象中每个参考对象的畸变信息，训练检测模型。
[0027]图1示意性示出了根据本公开一实施例的图像处理方法和检测模型的训练方法的
应用场景。需要注意的是，图1所示仅为可以应用本公开实施例的应用场景的示例，以帮助本领域技术人员理解本公开的
技术实现思路
，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
[0028]如图1所示，本公开的应用场景100例如包括待处理图像110和检测模型120。
[0029]示例性地，待处理图像110例如包括多个目标对象111、112、113、114。目标对象111、112、113、114例如包括用户、车辆、物体等等。
[0030]示例性地，检测模型120可以包括目标检测模型，目标检测模型包括但不仅限于Faster RCNN(Faster Regions with Convolutional Neural Networks Features)模型。
[0031]在训练得到检测模型120之后，将待处理图像110输入检测模型120中进行检测，得到检测结果131、132、133、134。检测结果131、132、133、134例如包括各个目标对象在待处理图像110中的位置信息。检测结果131、132、133、134可以以预测框的方式表示，预测框例如为虚线框。
[0032]本公开实施例提供了一种图像处理方法，下面结合图1的应用场景，参考图2～图4来描述根据本公开示例性实施方式的图像处理方法。
[0033]图2示意性示出了根据本公开一实施例的图像处理方法的流程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理方法，包括：获取待处理图像，其中，所述待处理图像包括至少一个目标对象；以及对所述待处理图像执行检测操作，得到针对所述至少一个目标对象中每个目标对象的检测结果，其中，针对所述每个目标对象的检测结果与所述每个目标对象的畸变信息相关联。2.根据权利要求1所述的方法，其中，所述每个目标对象的畸变信息与第一距离相关联，所述第一距离包括所述每个目标对象和所述待处理图像的图像中心之间的距离。3.根据权利要求1或2所述的方法，其中：所述检测操作是利用检测模型执行的，所述检测模型的模型参数是基于检测模型的损失函数得到的，所述损失函数的损失值对应的权重与图像训练样本中参考对象的畸变信息相关联；所述损失值与标注框和预测框之间的第二距离相关联，所述标注框用于标注图像训练样本中的参考对象，所述预测框表征参考对象的预测结果。4.根据权利要求1
‑
3中任意一项所述的方法，其中：所述检测模型的模型参数是基于标注框的方向信息得到的，所述标注框用于标注图像训练样本中的参考对象；所述标注框包括参考顶点和除所述参考顶点之外的剩余顶点，所述标注框的方向信息与所述参考顶点和所述剩余顶点之间的相对位置相关联。5.一种检测模型的训练方法，包括：获取图像训练样本，其中，所述图像训练样本包括至少一个参考对象；以及基于所述至少一个参考对象中每个参考对象的畸变信息，训练检测模型。6.根据权利要求5所述的方法，其中，所述每个参考对象的畸变信息与第三距离相关联，所述第三距离包括所述每个参考对象和所述图像训练样本的图像中心之间的距离；所述基于所述至少一个参考对象中每个参考对象的畸变信息，训练检测模型包括：基于所述第三距离，确定针对所述每个参考对象的权重；以及基于所述权重，调整所述检测模型的模型参数。7.根据权利要求6所述的方法，其中，所述基于所述权重，调整所述检测模型的模型参数包括：基于所述权重调整所述检测模型的损失函数的损失值，其中，所述损失值与标注框和预测框之间的第四距离相关联，所述标注框用于标注图像训练样本中的参考对象，所述预测框表征参考对象的预测结果；以及基于调整后的损失值，调整所述检测模型的模型参数。8.根据权利要求5
‑
7中任意一项所述的方法，还包括：针对所述图像训练样本中的标注框，确定所述标注框中的参考顶点和除所述参考顶点之外的剩余顶点之间的相对位置；基于所述参考顶点和所述剩余顶点之间的相对位置，确定所述标注框的方向信息；以及基于所述标注框的方向信息，训练所述检测模型。9.一种图像处理装置，包括：
第一获取模块，用于获取待处理图像，其中，所述待处理图像包括至少一个目标对象；以及检测模块，用于对所述待处理图像执行检测操作，得到针对所述至少一个目标对象中每个目标对象的检测结果，其中，针对所述每个目标对象的检测结果与所述每个目标对象的畸变信息相关联。10.根据权利要求9所述的装置，其中，所述每个目标对象的畸变信息与第一距离相关...

【专利技术属性】
技术研发人员：蒋旻悦，杨喜鹏，谭啸，孙昊，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：