图像分割模型训练方法、装置、电子设备及可读存储介质制造方法及图纸

本申请提供了一种图像分割模型训练方法、装置、电子设备及可读存储介质，其中，该方法包括：获取用于训练图像分割模型的道路景观数据集；将道路景观图像输入到初始图像分割模型中，根据识别出的道路景观图像中包含的每种物体的第一物体特征对道路景观图像进行网络语义分割，得到第一分割图像，从第一分割图像中将标注图像中标注出的每种物体的第二物体特征中不存在的物体特征删除，得到第二分割图像；使用第二分割图像与该第二分割图像对应的标注图像进行损失函数计算，得到损失值；利用损失值对初始图像分割模型进行反向传播训练，以对初始图像分割模型中的可学习参数进行调整。通过该方法，有利于提高图像分割模型识别的准确性。的准确性。的准确性。

【技术实现步骤摘要】
图像分割模型训练方法、装置、电子设备及可读存储介质


[0001]本申请涉及计算机
，尤其是涉及一种图像分割模型训练方法、装置、电子设备及可读存储介质。

技术介绍

[0002]自动驾驶汽车在行驶的过程中，需要对拍摄到的道路景观图像进行语义分割，从而可以将道路景观图像中包含的不同的物体进行区分和识别，例如，从道路景观图像中识别出哪些是指示灯、哪些是交通标志、哪些是障碍物或行人等。
[0003]但是自动驾驶汽车在风沙、雨雪等天气行驶时，此时拍摄得到的道路景观图像中可能存在一些环境干扰信息(例如：沙尘、雨雪、光照强度)，这些环境干扰信息会导致道路景观图像的清晰度较差，从而影响对道路景观图像中各个物体的区分和识别，进而会使得识别的准确率较低。

技术实现思路

[0004]有鉴于此，本申请的目的在于提供一种图像分割模型训练方法、装置、电子设备及可读存储介质，以提高图像分割模型识别道路景观图像中各个物体的准确性。
[0005]第一方面，本申请实施例提供了一种图像分割模型训练方法，包括：
[0006]获取用于训练图像分割模型的道路景观数据集；所述道路景观数据集中包括：无环境干扰信息的道路景观图像、有环境干扰信息的道路景观图像以及每个所述道路景观图像对应的标注图像；所述标注图像为对所述道路景观图像中不同种类的物体的类别进行标注的图像；
[0007]将所述道路景观图像输入到初始图像分割模型中，通过所述初始图像分割模型对所述道路景观图像进行第一图像特征处理；所述第一图像特征处理包括：识别所述道路景观图像中包含的每种物体的第一物体特征，根据所述第一物体特征对所述道路景观图像中包含的各个物体进行网络语义分割，得到第一分割图像，并对所述第一分割图像和该第一分割图像对应的所述标注图像进行对比，从所述第一分割图像中将所述标注图像中标注出的每种物体的第二物体特征中不存在的物体特征删除，得到第二分割图像；
[0008]使用所述第二分割图像与该第二分割图像对应的所述标注图像进行损失函数计算，得到损失值；
[0009]利用所述损失值对所述初始图像分割模型进行反向传播训练，以对所述初始图像分割模型中的可学习参数进行调整，直至所述可学习参数完成收敛后结束模型训练，得到所述图像分割模型。
[0010]结合第一方面，本申请实施例提供了第一方面的第一种可能的实施方式，其中，所述道路景观图像中包含有重叠的物体；
[0011]所述识别所述道路景观图像中包含的每种物体的第一物体特征，包括：
[0012]当重叠的物体为同一种类的物体时，将重叠的物体作为一个目标物体，通过所述
初始图像分割模型识别所述目标物体的第一图像特征；
[0013]当重叠的物体为不同种类的物体时，通过所述初始图像分割模型分别对重叠的物体中的每个物体进行识别，得到每个物体的第一物体特征。
[0014]结合第一方面，本申请实施例提供了第一方面的第二种可能的实施方式，其中，所述从所述第一分割图像中将所述标注图像中标注出的每种物体的第二物体特征中不存在的物体特征删除，得到第二分割图像，包括：
[0015]从所述第一分割图像中将所述标注图像中标注出的每种物体的第二物体特征中不存在的物体特征删除，得到第三分割图像；所述第二物体特征中不存在的物体特征为环境干扰信息的特征；所述第三分割图像为去除所述环境干扰信息后的图像；
[0016]针对所述第三分割图像中去除环境干扰信息后缺失像素点的缺失区域，根据所述第三分割图像上该缺失区域周围目标范围内的第一像素点的像素值，对该缺失区域进行补充，得到所述第二分割图像。
[0017]结合第一方面的第二种可能的实施方式，本申请实施例提供了第一方面的第三种可能的实施方式，其中，所述根据所述第三分割图像上该缺失区域周围目标范围内的第一像素点的像素值，对该缺失区域进行补充，包括：
[0018]基于所述缺失区域的中心点，计算所述目标范围内经过所述中心点的直线上位于所述中心点两侧的所述第一像素点之间的像素值之差，得到每条直线对应的差值；
[0019]根据每条所述直线对应的所述差值，从所述直线中确定出最大所述差值对应的目标直线，将所述目标直线上位于所述中心点两侧的所述第一像素点的像素值由大到小的方向作为目标方向，并计算所述缺失区域在所述目标方向上的缺失长度；
[0020]计算所述目标直线对应的所述差值与所述缺失长度的比值，得到所述缺失区域内在所述目标方向上第二像素点的像素值的变化数值；
[0021]根据所述目标直线上位于所述中心点两侧的所述第一像素点的像素值以及所述目标方向和所述变化数值，对所述缺失区域内的所述第二像数点的像数值进行补充。
[0022]结合第一方面的第二种可能的实施方式，本申请实施例提供了第一方面的第四种可能的实施方式，其中，所述根据所述第三分割图像上该区域周围目标范围内的第一像素点的像素值，对该缺失区域进行补充，包括：
[0023]针对所述缺失区域上的每个边缘位置，计算与该边缘位置相邻的目标数量的所述第一像素点的像素值的均值，并使用所述均值对该边缘位置进行补充，得到补充区域；
[0024]从所述缺失区域中去除所述补充区域后得到目标缺失区域，判断所述目标缺失区域的面积是否为0；
[0025]若所述目标缺失区域的面积为0，则表示所述缺失区域补充完成；
[0026]若所述目标缺失区域的面积不为0，则将所述目标缺失区域作为新的缺失区域，继续执行步骤：针对所述缺失区域上的每个边缘位置，计算与该边缘位置相邻的目标数量的所述第一像素点的像素值的均值，并使用所述均值对该边缘位置进行补充，得到补充区域。
[0027]结合第一方面，本申请实施例提供了第一方面的第五种可能的实施方式，其中，获取用于训练图像分割模型的道路景观数据集，包括：
[0028]获取多个初始道路景观图像；
[0029]针对每个所述初始道路景观图像，对该初始道路景观图像进行图像处理，生成该
初始道路景观图像对应的样本图像；所述图像处理包括：图像翻转、图像裁剪、图像缩放中的一种或多种；
[0030]将所述初始道路景观图像以及所述初始道路景观图像对应的所述样本图像作为所述道路景观数据集中的所述道路景观图像。
[0031]结合第一方面，本申请实施例提供了第一方面的第六种可能的实施方式，其中，所述得到所述图像分割模型之后，还包括：
[0032]获取待识别道路景观图像；
[0033]将所述待识别道路景观图像输入到所述图像分割模型中，通过所述图像分割模型对所述待识别道路景观图像进行第二图像特征处理；所述第二图像特征处理包括：识别所述待识别道路景观图像中包含的每种物体的第三物体特征，根据所述第三物体特征对所述待识别道路景观图像中包含的各个物体进行网络语义分割，得到第三分割图像，并将所述第三分割图像中包含的分割得到的各个物体的种类与预设种类进行对比，从所述第三分割图像中包含的各个物体中将不存在于所述预设种类中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像分割模型训练方法，其特征在于，包括：获取用于训练图像分割模型的道路景观数据集；所述道路景观数据集中包括：无环境干扰信息的道路景观图像、有环境干扰信息的道路景观图像以及每个所述道路景观图像对应的标注图像；所述标注图像为对所述道路景观图像中不同种类的物体的类别进行标注的图像；将所述道路景观图像输入到初始图像分割模型中，通过所述初始图像分割模型对所述道路景观图像进行第一图像特征处理；所述第一图像特征处理包括：识别所述道路景观图像中包含的每种物体的第一物体特征，根据所述第一物体特征对所述道路景观图像中包含的各个物体进行网络语义分割，得到第一分割图像，并对所述第一分割图像和该第一分割图像对应的所述标注图像进行对比，从所述第一分割图像中将所述标注图像中标注出的每种物体的第二物体特征中不存在的物体特征删除，得到第二分割图像；使用所述第二分割图像与该第二分割图像对应的所述标注图像进行损失函数计算，得到损失值；利用所述损失值对所述初始图像分割模型进行反向传播训练，以对所述初始图像分割模型中的可学习参数进行调整，直至所述可学习参数完成收敛后结束模型训练，得到所述图像分割模型。2.根据权利要求1所述图像分割模型训练方法，其特征在于，所述道路景观图像中包含有重叠的物体；所述识别所述道路景观图像中包含的每种物体的第一物体特征，包括：当重叠的物体为同一种类的物体时，将重叠的物体作为一个目标物体，通过所述初始图像分割模型识别所述目标物体的第一图像特征；当重叠的物体为不同种类的物体时，通过所述初始图像分割模型分别对重叠的物体中的每个物体进行识别，得到每个物体的第一物体特征。3.根据权利要求1所述图像分割模型训练方法，其特征在于，所述从所述第一分割图像中将所述标注图像中标注出的每种物体的第二物体特征中不存在的物体特征删除，得到第二分割图像，包括：从所述第一分割图像中将所述标注图像中标注出的每种物体的第二物体特征中不存在的物体特征删除，得到第三分割图像；所述第二物体特征中不存在的物体特征为环境干扰信息的特征；所述第三分割图像为去除所述环境干扰信息后的图像；针对所述第三分割图像中去除环境干扰信息后缺失像素点的缺失区域，根据所述第三分割图像上该缺失区域周围目标范围内的第一像素点的像素值，对该缺失区域进行补充，得到所述第二分割图像。4.根据权利要求3所述图像分割模型训练方法，其特征在于，所述根据所述第三分割图像上该缺失区域周围目标范围内的第一像素点的像素值，对该缺失区域进行补充，包括：基于所述缺失区域的中心点，计算所述目标范围内经过所述中心点的直线上位于所述中心点两侧的所述第一像素点之间的像素值之差，得到每条直线对应的差值；根据每条所述直线对应的所述差值，从所述直线中确定出最大所述差值对应的目标直线，将所述目标直线上位于所述中心点两侧的所述第一像素点的像素值由大到小的方向作为目标方向，并计算所述缺失区域在所述目标方向上的缺失长度；
计算所述目标直线对应的所述差值与所述缺失长度的比值，得到所述缺失区域内在所述目标方向上第二像素点的像素值的变化数值；根据所述目标直线上位于所述中心点两侧的所述第一像素点的像素值以及所述目标方向和所述变化数值，对所述缺失区域内的所述第二像数点的像数值进行补充。5.根据权利要求3所述图像分割模型训练方法，其特征在于，所述根据所述第三分割图像上该区域周围目标范围内的第一像素点的像素值，对该缺失区域进行补充，包括：针对所述缺失区域上的每个边缘位置，计算与该边缘位置相邻的目标数量的所述第...

【专利技术属性】
技术研发人员：许春磊，王超，马维士，
申请(专利权)人：北京华云安信息技术有限公司，
类型：发明
国别省市：