一种图片处理的方法、装置、系统及存储介质制造方法及图纸

本申请公开了一种图片处理的方法、装置、系统及存储介质。应用于汽车领域。所述方法包括：响应于接收的目标图片，确定与目标图片对应的多个边界框。根据多个边界框，确定目标图片的冲突系数，以根据目标图片的冲突系数，确定目标图片为训练目标物识别模型的图片。其中，冲突系数用于表示目标图片的图片识别目标物的难度。如此，通过冲突系数，筛选出高价值图片，过滤掉低价值图片，将高价值图片作为训练识别模型的图片，从而避免了低价值图片训练车辆识别模型导致图片打标签时人力成本较高的问题。问题。问题。

【技术实现步骤摘要】
一种图片处理的方法、装置、系统及存储介质


[0001]本申请涉及车辆识别领域，特别是涉及一种图片处理的方法、装置、系统及存储介质。

技术介绍

[0002]随着汽车技术的发展，车辆识别模型由于可以从复杂场景中识别出车辆，已成为检测交通堵塞、优化交通等的重要技术手段。
[0003]现有技术往往预先采集海量图片数据，再进行车辆识别模型训练。然而这些海量图片数据包括高价值图片和低价值图片。其中高价值图片为图片数据中与车辆相关信息值高于预设相关阈值的图片。低价值图片为图片数据中与车辆相关信息值低于预设相关阈值的图片。比如图片数据中不含有车辆信息，这幅图片即为低价值图片。这些低价值图片对车辆识别模型训练无作用，且会增加图片打标签时人力成本。

技术实现思路

[0004]有鉴于此，本申请提供了一种图片处理的方法、装置、系统及存储介质，旨在通过从海量图片中筛选出高价值图片，作为训练车辆识别模型的图片，降低图片打标签时人力成本。
[0005]第一方面，本申请提供了一种图片处理的方法，所述方法包括：
[0006]响应于接收的目标图片，确定与所述目标图片对应的多个边界框；
[0007]根据所述多个边界框，计算所述多个边界框的边界框偏差；
[0008]根据所述多个边界框的边界框偏差，确定所述目标图片的冲突系数；所述冲突系数用于指示所述目标图片中目标物的识别难度；
[0009]响应于所述冲突系数大于预设冲突阈值，将所述目标图片作为训练目标物识别模型的图片。
[0010]可选的，所述方法还包括：
[0011]获取所述多个边界框的边界框内预测值；
[0012]根据所述多个边界框的边界框内预测值，计算所述多个边界框的边界框内预测偏差；
[0013]所述根据所述多个边界框偏差，确定所述目标图片的冲突系数，包括：
[0014]根据所述多个边界框的所述边界框偏差和所述边界框内预测偏差，确定所述目标图片的冲突系数。
[0015]可选的，所述边界框内预测值为softmax层输出结果；
[0016]所述根据所述多个边界框的边界框内预测值，计算所述多个边界框的边界框内预测偏差，包括
[0017]将所述多个边界框的softmax层输出结果，划分成多个目标的softmax层输出结果；
[0018]将相同目标的softmax层输出结果，基于交叉熵计算，获取所述多个目标中每个目标的边界框内预测偏差；
[0019]将多个所述目标的边界框内预测偏差平均化处理，获取所述多个边界框的边界框内预测偏差。
[0020]可选的，所述根据所述多个边界框的所述边界框偏差和所述边界框内预测偏差，确定所述目标图片的冲突系数，包括：
[0021]将所述边界框偏差和所述边界框内预测偏差，代入预设冲突系数计算公式，计算得到所述目标图片的冲突系数；
[0022]其中，所述预设冲突系数计算公式，与所述边界框偏差呈正相关关系，与所述边界框内预测偏差呈正相关关系。
[0023]可选的，所述多个边界框包括多个第一边界框和多个第二边界框；
[0024]所述确定与所述目标图片对应的多个边界框，包括：
[0025]将所述目标图片输入第一预设模型，获取所述多个第一边界框；将所述目标图片输入第二预设模型，获取所述多个第二边界框；
[0026]其中，所述第一预设模型与所述第二预设模型为不同原理的模型；
[0027]所述根据所述多个边界框，计算所述多个边界框的边界框偏差，包括：
[0028]基于预设边界框偏差计算公式，利用所述多个第一边界框和所述多个第二边界框，计算所述多个边界框的边界框偏差；
[0029]所述边界框偏差计算公式，与多个所述边界框差异度成正相关关系。
[0030]可选的，所述预设边界框偏差计算公式为GIoU计算公式。
[0031]第二方面，本申请提供了一种图片处理的装置，所述装置包括：
[0032]第一响应单元，用于响应于接收的目标图片，确定与所述目标图片对应的多个边界框；
[0033]第一计算单元，用于根据所述多个边界框，计算所述多个边界框的边界框偏差；
[0034]确定单元，用于根据所述多个边界框的边界框偏差，确定所述目标图片的冲突系数；所述冲突系数用于指示所述目标图片中目标物的识别难度；
[0035]第二响应单元，用于响应于所述冲突系数大于预设冲突阈值，将所述目标图片作为训练目标物识别模型的图片。
[0036]可选的，所述装置还包括：
[0037]第二计算单元，用于计算所述多个边界框的边界框内预测偏差；所述第二计算单元，具体用于：获取所述多个边界框的边界框内预测值；根据所述多个边界框的边界框内预测值，计算所述多个边界框的边界框内预测偏差；
[0038]所述确定单元，具体用于根据所述多个边界框的所述边界框偏差和所述边界框内预测偏差，确定所述目标图片的冲突系数。
[0039]第三方面，本申请提供了一种车辆系统，包括如第二方面的图片处理的装置。
[0040]第四方面，本申请提供了一种计算机存储介质，所述计算机存储介质中存储有代码，当所述代码被运行时，运行所述代码的设备实现前述第一方面任一项所述方法。
[0041]本申请公开了一种图片处理的方法、装置、系统及存储介质。在执行所述方法时，首先响应于接收的目标图片，确定与目标图片对应的边界框。根据多个边界框，确定多个边
界框的边界框偏差，根据边界框偏差计算目标图片的冲突系数，以根据目标图片的冲突系数，确定目标图片为训练车辆识别模型的图片。其中，冲突系数用于表示识别目标图片中目标物的难度。如此，通过冲突系数，筛选出高价值图片，过滤掉低价值图片，将高价值图片作为训练识别模型的图片，从而避免了低价值图片训练车辆识别模型导致图片打标时人力成本较高的问题。
附图说明
[0042]结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
[0043]图1为本申请实施例提供的一种图片处理的方法流程图；
[0044]图2为本申请实施例提供的一种图片示意图；
[0045]图3为本申请实施例提供的一种获取多个第一边界框和多个第二边界框的示意图；
[0046]图4为本申请实施例提供的一种边界框计算示意图；
[0047]图5为本申请实施例提供的一种图片处理的装置结构示意图。
具体实施方式
[0048]本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
[0049]需本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图片处理的方法，其特征在于，所述方法包括：响应于接收的目标图片，确定与所述目标图片对应的多个边界框；根据所述多个边界框，计算所述多个边界框的边界框偏差；根据所述多个边界框的边界框偏差，确定所述目标图片的冲突系数；所述冲突系数用于指示所述目标图片中目标物的识别难度；响应于所述冲突系数大于预设冲突阈值，将所述目标图片作为训练目标物识别模型的图片。2.根据权利要求1所述方法，其特征在于，所述方法还包括：获取所述多个边界框的边界框内预测值；根据所述多个边界框的边界框内预测值，计算所述多个边界框的边界框内预测偏差；所述根据所述多个边界框偏差，确定所述目标图片的冲突系数，包括：根据所述多个边界框的所述边界框偏差和所述边界框内预测偏差，确定所述目标图片的冲突系数。3.根据权利要求2所述方法，其特征在于，所述边界框内预测值为softmax层输出结果；所述根据所述多个边界框的边界框内预测值，计算所述多个边界框的边界框内预测偏差，包括：将所述多个边界框的softmax层输出结果，划分成多个目标的softmax层输出结果；将相同目标的softmax层输出结果，基于交叉熵计算，获取所述多个目标中每个目标的边界框内预测偏差；将多个所述目标的边界框内预测偏差平均化处理，获取所述多个边界框的边界框内预测偏差。4.根据权利要求2所述方法，其特征在于，所述根据所述多个边界框的所述边界框偏差和所述边界框内预测偏差，确定所述目标图片的冲突系数，包括：将所述边界框偏差和所述边界框内预测偏差，代入预设冲突系数计算公式，计算得到所述目标图片的冲突系数；其中，所述预设冲突系数计算公式，与所述边界框偏差呈正相关关系，与所述边界框内预测偏差呈正相关关系。5.根据权利要求1所述方法，其特征在于，所述多个边界框包括多个第一边界框和多个第二边界框；所述确定与所述目标...

【专利技术属性】
技术研发人员：马瑞峰，曹斌，
申请(专利权)人：东软睿驰汽车技术沈阳有限公司，
类型：发明
国别省市：