【技术实现步骤摘要】
图像处理方法、模型训练方法、电子设备及自动驾驶车辆
[0001]本公开涉及自动驾驶
，尤其涉及高精地图
，具体涉及图像处理方法、多任务处理模型的训练方法、装置、电子设备、存储介质以及程序产品。
技术介绍
[0002]高精度定位导航技术在自动驾驶车辆的安全行驶方面占有不可或缺的地位。在自动驾驶车辆横向和纵向精确定位、障碍物检测与碰撞避让、智能车速控制、路径规划及行为决策等方面均发挥着重要的作用。高精地图也称高精度地图，是自动驾驶汽车使用。高精地图，拥有精确的车辆位置信息和丰富的道路元素数据信息，可以帮助汽车预知路面复杂信息，如坡度、曲率、航向等，更好地规避潜在的风险。
技术实现思路
[0003]本公开提供了一种图像处理方法、多任务处理模型的训练方法、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：对待处理图像进行处理，得到所述待处理图像的特征点、特征点描述子图和稠密描述子图；基于所述特征点和所述特征点描述子图，确定所述待处理图像与基准图像之间的匹配特征点对；以及基于所述稠密描述子图，确定所述待处理图像与所述基准图像之间的匹配像素对。
[0005]根据本公开的另一方面，提供了一种多任务处理模型的训练方法，包括：利用训练样本训练初始多任务处理模型，得到多任务处理模型，其中，所述训练样本包括第一样本图像、第二样本图像、所述第一样本图像与所述第二样本图像之间的匹配特征点对标签、所述第一样本图像与所述第二样本图像之间的匹配像素对标签...
【技术保护点】
【技术特征摘要】
1.一种图像处理方法，包括：对待处理图像进行处理，得到所述待处理图像的特征点、特征点描述子图和稠密描述子图；基于所述特征点和所述特征点描述子图，确定所述待处理图像与基准图像之间的匹配特征点对；以及基于所述稠密描述子图，确定所述待处理图像与所述基准图像之间的匹配像素对。2.根据权利要求1所述的方法，其中，所述对待处理图像进行处理，得到所述待处理图像的特征点、特征点描述子图和稠密描述子图包括：将所述待处理图像输入至多任务处理模型中，得到所述待处理图像的特征点、特征点描述子图和稠密描述子图。3.根据权利要求2所述的方法，其中，所述多任务处理模型包括特征点提取分支、特征点描述子图计算分支和稠密描述子图计算分支；所述将待处理图像输入至多任务处理模型中，得到所述待处理图像的特征点、特征点描述子图和稠密描述子图包括：将所述待处理图像输入至所述特征点提取分支中，得到所述特征点；将所述待处理图像输入至所述特征点描述子图计算分支中，得到所述特征点描述子图；以及将所述待处理图像输入至所述稠密描述子图计算分支中，得到所述稠密描述子。4.根据权利要求2或3所述的方法，其中，所述多任务处理模型还包括特征点分类分支；所述方法还包括：将所述待处理图像输入至所述特征点分类分支中，得到特征点类别结果，以便基于所述特征点、所述特征点描述子图和所述特征点类别结果，确定所述待处理图像与所述基准图像之间的匹配特征点对。5.根据权利要求4所述的方法，其中，所述基于所述特征点和所述特征点描述子图，确定所述待处理图像与基准图像之间的匹配特征点对包括：基于所述特征点类别结果，对所述特征点进行筛选，确定目标特征点；以及基于所述目标特征点和所述特征点描述子图，确定所述待处理图像与所述基准图像之间的匹配特征点对。6.根据权利要求4所述的方法，其中，所述基于所述目标特征点和所述特征点描述子图，确定所述待处理图像与所述基准图像之间的匹配特征点对包括：基于所述目标特征点，从所述特征点描述子图中提取与所述目标特征点相匹配的特征点描述子；以及基于所述目标特征点和与所述目标特征点相匹配的特征点描述子，利用特征点匹配方法确定所述待处理图像与所述基准图像之间的匹配特征点对。7.根据权利要求3所述的方法，其中，所述特征点提取分支包括多个特征点提取子分支；所述将所述待处理图像输入至所述特征点提取分支中，得到所述特征点包括：将所述待处理图像分别输入至所述多个特征点提取子分支中，得到多个特征点评分图，其中，所述多个特征点评分图与所述多个特征点提取子分支一一对应；
将所述多个特征点评分图进行加权求和，得到目标特征点评分图；以及对所述目标特征点评分图进行插值处理，得到所述特征点。8.根据权利要求3所述的方法，其中，所述稠密描述子图包括高分辨率稠密描述子图和低分辨率稠密描述子图；所述稠密描述子图计算分支包括高分辨率稠密描述子图计算子分支和低分辨率稠密描述子图计算子分支；所述基于所述稠密描述子图，确定所述待处理图像与所述基准图像之间的匹配像素对包括：基于所述低分辨率稠密描述子图，确定所述待处理图像与所述基准图像之间的匹配候选像素对，其中，所述低分辨率稠密描述子图是利用所述低分辨率稠密描述子图计算子分支处理所述待处理图像得到的；以及基于所述高分辨率稠密描述子图，从所述候选像素对中确定所述待处理图像与所述基准图像之间的匹配像素对，其中，所述高分辨率稠密描述子图是利用所述高分辨率稠密描述子图计算子分支处理所述待处理图像得到的。9.根据权利要求3所述的方法，其中，所述特征点分类分支包括多个特征点分类子分支、融合模块、分类器，每个所述多个特征点分类子分支包括特征点分类提取模块、编码器和融合模块；所述将所述待处理图像输入至所述特征点分类分支中，得到特征点类别结果包括：将所述待处理图分别输入至所述多个特征点分类提取模块中，得到多个特征点类别特征图，其中，所述多个特征点类别特征图与多个特征点分类提取模块一一对应；针对所述多个特征点类别特征图中的每个特征点类别特征图，将所述特征点类别特征图输入至所述编码器中，得到多个编码后子特征点类别特征图，其中，所述多个编码后子特征点类别特征图与多个编码器一一对应；利用所述融合模块处理所述多个编码后子特征点类别特征图，得到融合后特征点类别图；以及利用所述分类器处理所述融合后特征点类别图，得到所述特征类别结果。10.根据权利要求8所述的方法，其中，所述高分辨率稠密描述子图计算子分支或低分辨率稠密描述子图计算子分支包括：级联的至少一个特征提取模块、全卷积模块；其中，所述特征提取模块包括：卷积层、池化层、或级联的卷积层和池化层；其中，所述全卷积模块包括级联的多个全卷积层。11.根据权利要求7所述的方法，其中，所述多个特征点提取子分支中的至少一个特征点提取子分支包括：级联的至少一个特征提取模块、卷积层；其中，所述特征提取模块包括：卷积层、池化层、或级联的卷积层和池化层。12.根据权利要求6所述的方法，其中，所述特征点描述子图计算分支包括：级联的至少一个特征提取模块和卷积层；其中，所述特征提取模块包括：卷积层、池化层、或级联的卷积层和池化层。13.根据权利要求1至12中任一项所述的方法，还包括：将所述基准图像输入至所述多任务处理模型中，得到基准特征点、基准特征点描述子图和基准稠密描述子图，以便基于所述特征点、所述特征点描述子图、所述基准特征点和所
述基准特征点描述子图，确定所述待处理图像与所述基准图像之间的匹配特征对，基于所述稠密描述子图和所述基准稠密描述子图，确定所述待处理图像与所述基准图像之间的匹配像素对。14.根据权利要求5所述的方法，其中，所述特征点匹配方法包括以下至少一项：最近邻匹配方法、交叉匹配方法、基于图网络的匹配方法。15.一种多任务处理模型的训练方法，包括：利用训练样本训练初始多任务处理模型，得到多任务处理模型，其中，所述训练样本包括第一样本图像、第二样本图像、所述第一样本图像与所述第二样本图像之间的匹配特征点对标签、所述第一样本图像与所述第二样本图像之间的匹配像素对标签，其中，所述匹配特征点对标签用于表征所述第一样本图像的特征点与所述第二样本图像的特征点之间的匹配关系，所述匹配像素对标签用于表征所述第一样本图像的像素点与所述第二样本图像的像素点之间的匹配关系。16.根据权利要求15所述的方法，其中，所述初始多任务处理模型包括初始特征点提取分支、初始特征点描述子图计算分支；所述利用训练样本训练初始多任务处理模型，得到多任务处理模型包括：利用所述第一样本图像、所述第二样本图像、所述第一样本图像与所述第二样本图像之间的匹配特征点对标签训练所述初始特征点提取分支、所述初始特征点描述子图计算分支，得到所述多任务处理模型中的初始特征点提取分支和特征点描述子图计算分支。17.根据权利要求15或16所述的方法，其中，所述初始多任务处理模型包括初始稠密描述子图计算分支；所述利用训练样本训练初始多任务处理模型，得到多任务处理模型包括：利用所述第一样本图像、所述第二样本图像、所述第一样本图像与所述第二样本图像之间的匹配像素对标签训练所述初始稠密描述子图计算分支，得到所述多任务处理模型中的稠密描述子图计算分支。18.根据权利要求15至17中任一项所述的方法，其中，所述初始多任务处理模型还包括初始特征点分类分支；所述利用训练样本训练初始多任务处理模型，得到多任务处理模型包括：利用目标样本图像、所述目标样本图像的特征点标签、所述目标样本图像的类别标签训练所述初始特征点分类分支，得到所述多任务处理模型的特征点分类分支，其中，所述目标样本图像包括以下至少一项：所述第一样本图像、所述第二样本图像；所述目标样本图像的所述特征点标签用于表征所述目标样本图像的像素点为特征点的概率值；所述目标...
【专利技术属性】
技术研发人员：何宇喆，周尧，侯深化，彭亮，万国伟，
申请(专利权)人：阿波罗智能技术北京有限公司，
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。