本发明专利技术提供一种箭头图片数据增广方法，方法包括：基于目标相机的内参、外参和预设逆透视变换参数，得到目标相机的水平单应矩阵和视野变换矩阵；基于水平单应矩阵和视野变换矩阵得到透视变换矩阵和逆透视变换矩阵，根据透视变换矩阵将第一前视图变换为鸟瞰图；根据多个类型箭头的长宽比特性，将鸟瞰图中的箭头类型进行类型变换；基于逆透视变换矩阵，将类型变换后的鸟瞰图还变换为第二前视图。本发明专利技术通过将前视图变换为鸟瞰图，然后再鸟瞰图中对图片中的多个类型的箭头进行变换，再基于变换后的鸟瞰图转变为前视图，从而使得在对前视图进行局部变换时，使得变换符合前视图片成像规律，进而通过局部图像变换的方式，提高深度学习模型的泛化能力。型的泛化能力。型的泛化能力。
【技术实现步骤摘要】
一种箭头图片数据增广方法、系统、电子设备及存储介质
[0001]本专利技术涉及数据增广
，更具体地，涉及一种箭头图片数据增广方法、系统、电子设备及存储介质。
技术介绍
[0002]数据增广是深度学习模型训练中常用的技巧之一，其主要用于丰富训练数据集的多样性和保持数据的平衡，使得训练的模型泛化能力更强。目前数据增广方法主要包括：水平/垂直翻转、旋转、缩放、裁剪、剪切，平移、对比度、色彩抖动和噪声等，这些传统的数据增广算法对于深度学习模型性能影响较小，上述传统的数据增广方式都是基于整体图像转换的，从而不能解决修改图像的局部信息来解决小样本问题。因此，如何通过修改图像的局部信息来解决小样本问题是亟待解决的问题。
技术实现思路
[0003]本专利技术针对现有技术中存在的技术问题，提供一种箭头图片数据增广方法、系统、电子设备及存储介质，用以解决如何通过修改图像的局部信息来解决小样本问题的问题。
[0004]根据本专利技术的第一方面，提供了一种箭头图片数据增广方法，包括：
[0005]基于目标相机的内参、外参和预设逆透视变换参数，得到目标相机的水平单应矩阵和视野变换矩阵；
[0006]基于所述水平单应矩阵和所述视野变换矩阵得到逆透视变换矩阵和透视矩阵，根据所述透视变换矩阵将第一前视图变换为鸟瞰图；
[0007]根据多个类型箭头的长宽比特性，将所述鸟瞰图中的箭头类型进行类型变换；
[0008]基于所述逆透视变换矩阵，将类型变换后的鸟瞰图还变换为第二前视图。
[0009]在上述技术方案的基础上，本专利技术还可以作出如下改进。
[0010]优选的，所述目标相机的内参至少包括焦距fu、焦距fv、光学中心cu和光学中心cv，所述外参至少包括俯仰角Pitc、偏航角Yaw和相机中心距离地面高度h，所述预设逆透视变换参数至少包括逆透视图像的尺寸、逆透视变换的区域、逆透视图像的尺寸和距离摄像头前向投影的距离。
[0011]优选的，所述根据多个类型箭头的长宽比特性，将所述鸟瞰图中的箭头类型进行类型变换的步骤，包括：
[0012]获取原始箭头和待替换箭头的长宽比特性，将所述原始箭头进行等比例缩放，使得所述原始箭头的长与所述待替换箭头的长一致，宽度随长度变换；
[0013]基于K均值提取所述待替换箭头的区域图片的背景平均像素值，将等比缩放后的原始箭头的像素值修改为所述背景平均像素值，并用修改后的原始箭头替换所述待替换箭头，完成箭头类型变换。
[0014]优选的，所述完成箭头类型变换的步骤之后，包括：
[0015]基于OpenCV中的泊松融合算法对箭头类型变换的区域，进行背景颜色优化。
[0016]优选的，所述基于OpenCV中的泊松融合算法对箭头类型变换的区域，进行背景颜色优化的步骤，包括：
[0017]将箭头类型变换完成后的鸟瞰图与变换前的鸟瞰图进行泊松融合，得到第一融合结果；
[0018]将所述第一融合结果与等比缩放后的原始箭头图片进行泊松融合，从而对所述箭头类型变换的区域进行背景颜色优化。
[0019]优选的，所述基于所述逆透视变换矩阵，将类型变换后的鸟瞰图还变换为第二前视图的步骤之后，包括：
[0020]对所述第二前视图的缺失部分进行替换，得到增广后的图片。
[0021]优选的，所述基于所述逆透视变换矩阵，将类型变换后的鸟瞰图还变换为第二前视图的步骤之后，包括：
[0022]基于所述第一前视图和所述第二前视图，对两个相同网络进行训练，比较训练后网络的召回率指标，得到数据增广效果。
[0023]根据本专利技术的第二方面，提供一种箭头图片数据增广系统，包括：
[0024]矩阵获取模块，用于基于目标相机的内参、外参和预设逆透视变换参数，得到目标相机的水平单应矩阵和视野变换矩阵；
[0025]视图变换模块，用于基于所述水平单应矩阵和所述视野变换矩阵得到逆透视变换矩阵和透视矩阵，根据所述透视变换矩阵将第一前视图变换为鸟瞰图；
[0026]类型变换模块，用于根据多个类型箭头的长宽比特性，将所述鸟瞰图中的箭头类型进行类型变换；
[0027]视图转换模块，用于基于所述逆透视变换矩阵，将类型变换后的鸟瞰图还变换为第二前视图。
[0028]根据本专利技术的第三方面，提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现上述第一方面中任一箭头图片数据增广方法的步骤。
[0029]根据本专利技术的第四方面，提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现上述第一方面中任一箭头图片数据增广方法的步骤。
[0030]本专利技术提供的一种箭头图片数据增广方法、系统、电子设备及存储介质，方法包括：基于目标相机的内参、外参和预设逆透视变换参数，得到目标相机的水平单应矩阵和视野变换矩阵；基于上述水平单应矩阵和上述视野变换矩阵得到透视变换矩阵和逆透视变换矩阵，根据上述透视变换矩阵将第一前视图变换为鸟瞰图；根据多个类型箭头的长宽比特性，将上述鸟瞰图中的箭头类型进行类型变换；基于上述逆透视变换矩阵，将类型变换后的鸟瞰图还变换为第二前视图。本专利技术通过将前视图变换为鸟瞰图，然后再鸟瞰图中对图片中的多个类型的箭头进行变换，再基于变换后的鸟瞰图转变为前视图，从而使得在对前视图进行局部变换时，使得变换符合前视图片成像规律，进而可以将交通路面中数量较多的直行箭头替换为其他类型的箭头，平衡样本不同类别之间的数量，进而通过局部图像变换的方式，提高深度学习模型的泛化能力。
附图说明
[0031]图1为本专利技术提供的一种箭头图片数据增广方法流程图；
[0032]图2为本专利技术提供的实验效果的示意图；
[0033]图3为本专利技术提供的算法简化流程的示意图；
[0034]图4为本专利技术提供的一种箭头图片数据增广系统结构示意图；
[0035]图5为本专利技术提供的一种可能的电子设备的硬件结构示意图；
[0036]图6为本专利技术提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
[0037]下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。
[0038]图1为本专利技术提供的一种箭头图片数据增广方法流程图，如图1所示，方法包括：
[0039]步骤S100：基于目标相机的内参、外参和预设逆透视变换参数，得到目标相机的水平单应矩阵和视野变换矩阵；
[0040]需要说明的是，本实施例方法的执行主体可以是具有数据处理、网络通信及程序运行功能的计算机终端设备，例如：电脑、平板电脑等；也可以是具有相同相似功能的服务器设备，还可以是具有相似功能的云服务器，本实施例对此不做限制。为了便于理解，本实施例及下述各实施例将以电脑设备为例进行说明。
[0041]本实施例中使用的电脑环境为ubuntu16.04，显卡为本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种箭头图片数据增广方法，其特征在于，所述方法包括：基于目标相机的内参、外参和预设逆透视变换参数，得到目标相机的水平单应矩阵和视野变换矩阵；基于所述水平单应矩阵和所述视野变换矩阵得到逆透视变换矩阵和透视矩阵，根据所述透视变换矩阵将第一前视图变换为鸟瞰图；根据多个类型箭头的长宽比特性，将所述鸟瞰图中的箭头类型进行类型变换；基于所述逆透视变换矩阵，将类型变换后的鸟瞰图还变换为第二前视图。2.根据权利要求1所述的箭头图片数据增广方法，其特征在于，所述目标相机的内参至少包括焦距fu、焦距fv、光学中心cu和光学中心cv，所述外参至少包括俯仰角Pitc、偏航角Yaw和相机中心距离地面高度h，所述预设逆透视变换参数至少包括逆透视图像的尺寸、逆透视变换的区域、逆透视图像的尺寸和距离摄像头前向投影的距离。3.根据权利要求1所述的箭头图片数据增广方法，其特征在于，所述根据多个类型箭头的长宽比特性，将所述鸟瞰图中的箭头类型进行类型变换的步骤，包括：获取原始箭头和待替换箭头的长宽比特性，将所述原始箭头进行等比例缩放，使得所述原始箭头的长与所述待替换箭头的长一致，宽度随长度变换；基于K均值提取所述待替换箭头的区域图片的背景平均像素值，将等比缩放后的原始箭头的像素值修改为所述背景平均像素值，并用修改后的原始箭头替换所述待替换箭头，完成箭头类型变换。4.根据权利要求3所述的箭头图片数据增广方法，其特征在于，所述完成箭头类型变换的步骤之后，包括：基于OpenCV中的泊松融合算法对箭头类型变换的区域，进行背景颜色优化。5.根据权利要求4所述的箭头图片数据增广方法，其特征在于，所述基于OpenCV中的泊松融合算法对箭头类型变换的区域，进行背景颜色优化的步骤，包括：将箭头类型变...
【专利技术属性】
技术研发人员：何云，李汉玢，万齐斌，尹玉成，刘奋，
申请(专利权)人：武汉中海庭数据技术有限公司，
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。