图像处理方法、装置及计算机可读存储介质制造方法及图纸

本发明专利技术公开了一种图像处理方法、装置及计算机可读存储介质。其中，该方法包括：获取目标图像；对目标图像进行全局语义识别处理，得到目标图像中车道线所在的目标区域；对目标区域进行局部特征识别处理，得到在目标区域内的车道线识别结果。本发明专利技术解决了相关技术中存在的对车道线的识别在追求速度，造成精确度低的技术问题。术问题。术问题。

【技术实现步骤摘要】
图像处理方法、装置及计算机可读存储介质


[0001]本专利技术涉及图像处理
，具体而言，涉及一种图像处理方法、装置及计算机可读存储介质。

技术介绍

[0002]随着深度学习的发展，深度学习在图像分类、目标检测和语义分割等计算机视觉任务中表现出了优异的性能，基于神经网络的深度学习方法已成功应用于车道线检测任务中。但在相关技术中，基于图像采用深度学习网络模型对车道线进行检测时，由于深度学习网络网络模型所包括的对特征处理的层数较多，导致处理效率较低。而为了提升采用深度学习网络模型的处理效率，可以通过对图像进行一些预处理，例如，通过缩减图像的尺寸，来减少模型的数据处理量，来提升识别效率；也可以采用减少深度学习网络模型的对特征进行处理的通道数，即减少对图像信息的识别，来提升识别效率。但不管是采用上述缩减图像尺寸的方式，还是减少模型处理的通道数的方式，均是图像的信息进行了删减，即丢失了图像中的信息的，因此，也造成对图像识别不准确的问题。
[0003]因此，在相关技术中存在对车道线的识别在追求速度，造成精确度低的技术问题。
[0004]针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

[0005]本专利技术实施例提供了一种图像处理方法、装置及计算机可读存储介质，以至少解决相关技术中存在的对车道线的识别在追求速度，造成精确度低的技术问题。
[0006]根据本专利技术实施例的一个方面，提供了一种图像处理方法，包括：获取目标图像；对所述目标图像进行全局语义识别处理，得到所述目标图像中车道线所在的目标区域；对所述目标区域进行局部特征识别处理，得到在所述目标区域内的车道线识别结果。
[0007]可选地，所述获取目标图像，包括：获取基于车辆上的图像采集设备采集的原始图像；对所述原始图像进行亮度增强处理，得到所述目标图像。
[0008]可选地，所述对所述目标图像进行全局语义识别处理，得到所述目标图像中车道线所在的目标区域，包括：识别所述目标图像中所包括的车道线类别，以及非车道线类别；确定所述车道线类别的第一权重，以及所述非车道线类别的第二权重；基于所述车道线类别以及对应的第一权重，和所述非车道线类别以及对应的第二权重，确定所述目标图像中车道线所在的所述目标区域。
[0009]可选地，所述对所述目标区域进行局部特征识别处理，得到在所述目标区域内的车道线识别结果，包括：对所述目标区域进行边缘检测，得到边缘点集合；基于所述边缘点集合，确定车道线边缘；基于所述车道线边缘，确定所述目标区域内的车道线识别结果。
[0010]可选地，所述基于所述边缘点集合，确定车道线边缘，包括：基于所述边缘点集合，确定边缘点的变化趋势；基于所述变化趋势，拟合出所述车道线边缘。
[0011]可选地，所述对所述目标图像进行全局语义识别处理，得到所述目标图像中车道
线所在的目标区域，包括：将所述目标图像输入全局语义识别模型中，得到所述目标图像中车道线所在的目标区域，其中，所述全局语义识别模型采用第一样本集进行机器训练得到，所述第一样本集包括：第一样本图像，以及所述第一样本图像中车道线所在的第一样本区域。
[0012]可选地，所述对所述目标区域进行局部特征识别处理，得到在所述目标区域内的车道线识别结果，包括：将所述目标图像中的所述目标区域输入局部特征识别模型中，得到所述目标区域内的车道线识别结果，其中，所述局部特征识别模型采用第二样本集进行机器训练得到，所述第二样本集包括：第二样本图像中的图像区域，以及所述第二样本图像中图像区域内的样本车道线。
[0013]根据本专利技术实施例的另一方面，还提供了一种图像处理装置，包括：获取模块，用于获取目标图像；第一处理模块，用于对所述目标图像进行全局语义识别处理，得到所述目标图像中车道线所在的目标区域；第二处理模块，用于对所述目标区域进行局部特征识别处理，得到在所述目标区域内的车道线识别结果。
[0014]根据本专利技术的还一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述任意一项所述的图像处理方法。
[0015]根据本专利技术的再一方面，提供了一种计算机设备，包括：存储器和处理器，所述存储器存储有计算机程序；所述处理器，用于执行所述存储器中存储的计算机程序，所述计算机程序运行时使得所述处理器执行上述任意一项所述的图像处理方法。
[0016]在本专利技术实施例中，采用先对目标图像进行全局语义识别处理，得到包括车道线的目标区域，之后，采用对该目标区域进行局部特征识别处理，得到该目标区域内的车道线识别结果，由于在对目标图像进行全局语义识别处理时，由于仅需要检测出车道线所在的大概位置，即目标区域，因此，可以采用粗略的识别处理方式，有效提升识别速率，另外，针对存在车道线的目标区域进行局部特征识别处理，即对该区域进行精细地识别，因此，能够准确，精细地识别出车道线的具体信息，达到了准确识别目标图像中的车道线的目的，从而实现了在兼顾识别速度的基础上能够有效提升车道线的识别准确度的技术效果，进而解决了相关技术中对车道线的识别在追求速度，造成精确度低的技术问题。
附图说明
[0017]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，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：
[0018]图1是根据本专利技术实施例的图像处理方法的流程图；
[0019]图2是根据本专利技术实施例提供的图像处理装置的结构框图。
具体实施方式
[0020]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范
围。
[0021]需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0022]根据本专利技术实施例，提供了一种图像处理方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0023]图1是根据本专利技术实施例的图像处理方法的流程图，如图1所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：获取目标图像；对所述目标图像进行全局语义识别处理，得到所述目标图像中车道线所在的目标区域；对所述目标区域进行局部特征识别处理，得到在所述目标区域内的车道线识别结果。2.根据权利要求1所述的方法，其特征在于，所述获取目标图像，包括：获取基于车辆上的图像采集设备采集的原始图像；对所述原始图像进行亮度增强处理，得到所述目标图像。3.根据权利要求1所述的方法，其特征在于，所述对所述目标图像进行全局语义识别处理，得到所述目标图像中车道线所在的目标区域，包括：识别所述目标图像中所包括的车道线类别，以及非车道线类别；确定所述车道线类别的第一权重，以及所述非车道线类别的第二权重；基于所述车道线类别以及对应的第一权重，和所述非车道线类别以及对应的第二权重，确定所述目标图像中车道线所在的所述目标区域。4.根据权利要求1所述的方法，其特征在于，所述对所述目标区域进行局部特征识别处理，得到在所述目标区域内的车道线识别结果，包括：对所述目标区域进行边缘检测，得到边缘点集合；基于所述边缘点集合，确定车道线边缘；基于所述车道线边缘，确定所述目标区域内的车道线识别结果。5.根据权利要求4所述的方法，其特征在于，所述基于所述边缘点集合，确定车道线边缘，包括：基于所述边缘点集合，确定边缘点的变化趋势；基于所述变化趋势，拟合出所述车道线边缘。6.根据权利要求1至5中任一项所述的方法，其特征在于，所述对所述目标图像进行全局语义识别处理，得到所述目标图像中车道线所在的目...

【专利技术属性】
技术研发人员：江路铭，王宇凡，许际晗，
申请(专利权)人：中国第一汽车股份有限公司，
类型：发明
国别省市：