图像处理方法、模型训练方法、装置、介质及设备制造方法及图纸

本公开涉及一种图像处理方法、模型训练方法、装置、介质及设备，方法包括：获取待处理图像信息；将待处理图像信息输入至训练得到的图像处理模型中，得到输出的关键点信息，其中，关键点信息用于确定待测目标的位置，图像处理模型中包括贝叶斯卷积层，贝叶斯卷积层中的卷积核为分布形式。通过上述技术方案，将获取到的待处理图像信息输入至训练得到的图像处理模型中，得到图像处理模型输出的用于确定待测目标的位置的关键点信息，其中，图像处理模型中包括卷积核为分布形式的贝叶斯卷积层。由此，无论获取到的待处理图像信息为清晰的图像还是模糊的图像，都能够根据待处理图像信息和图像处理模型准确地确定出待测目标的位置。像处理模型准确地确定出待测目标的位置。像处理模型准确地确定出待测目标的位置。

【技术实现步骤摘要】
图像处理方法、模型训练方法、装置、介质及设备


[0001]本公开涉及机器学习领域，具体地，涉及一种图像处理方法、模型训练方法、装置、介质及设备。

技术介绍

[0002]增强现实通常是基于图片内的目标定位的。对于帧率较低的摄像头，如果摄像头在拍摄图像的过程中运动或抖动，会使得摄像头拍摄到比较模糊的图像。现有技术中，并不容易对比较模糊的图像中的目标进行定位。而增强现实的使用场景下，用户手持设备，摄像头很容易运动或抖动，使得摄像头采集到的图像为模糊的图像，这样，不容易对图像中的目标进行定位，进而不能顺利展示增强现实内容。

技术实现思路

[0003]本公开的目的是提供一种图像处理方法、模型训练方法、装置、介质及设备，能够准确地确定出模糊的图像中待测目标的位置。
[0004]为了实现上述目的，本公开提供一种图像处理方法，包括：
[0005]获取待处理图像信息；
[0006]将所述待处理图像信息输入至训练得到的图像处理模型中，得到输出的关键点信息，其中，所述关键点信息用于确定待测目标的位置，所述图像处理模型中包括贝叶斯卷积层，所述贝叶斯卷积层中的卷积核为分布形式。
[0007]可选地，所述分布形式为正态分布形式。
[0008]可选地，在所述贝叶斯卷积层中，所述贝叶斯卷积层的输入经卷积运算后得到卷积运算结果，所述卷积运算结果经高斯混合模型算法运算后得到所述贝叶斯卷积层的输出，其中，所述卷积运算结果为分布形式，所述输出为所述卷积运算结果经高斯混合模型算法运算后得到的一个或多个高斯分布中对应概率最大的高斯分布的均值。
[0009]本公开还提供一种图像处理模型的训练方法，所述方法包括：
[0010]获取训练样本；
[0011]将所述训练样本输入至运动模糊模型中，获得模糊训练样本；
[0012]将所述模糊训练样本输入至初始图像处理模型中，获得训练关键点输出信息；
[0013]根据训练关键点输出信息和关键点真实值确定所述初始图像处理模型的损失值；
[0014]根据所述损失值对所述初始图像处理模型进行参数调整，以对所述初始图像处理模型进行训练，获得所述图像处理模型；
[0015]其中，所述初始图像处理模型和所述图像处理模型包括贝叶斯卷积层，所述贝叶斯卷积层中的卷积核为分布形式。
[0016]可选地，所述方法还包括：
[0017]将所述训练样本输入至对照图像处理模型中，获得对照关键点输出信息，其中，所述对照图像处理模型包括非贝叶斯卷积层，所述非贝叶斯卷积层的卷积核为固定形式；
[0018]所述根据训练关键点输出信息和关键点真实值确定所述初始图像处理模型的损失值，包括：
[0019]根据所述训练关键点输出信息、所述关键点真实值、所述对照关键点输出信息确定所述初始图像处理模型的损失值。
[0020]可选地，所述图像处理模型还包括残差网络。
[0021]本公开还提供一种图像处理装置，包括：
[0022]第一获取模块，被配置为获取待处理图像信息；
[0023]第一确定模块，被配置为将所述待处理图像信息输入至训练得到的图像处理模型中，得到输出的关键点信息，其中，所述关键点信息用于确定待测目标的位置，所述图像处理模型中包括贝叶斯卷积层，所述贝叶斯卷积层中的卷积核为分布形式。
[0024]本公开还提供一种图像处理模型的训练装置，包括：
[0025]第二获取模块，被配置为获取训练样本；
[0026]第二确定模块，被配置为将所述训练样本输入至运动模糊模型中，获得模糊训练样本；
[0027]第三确定模块，被配置为将所述模糊训练样本输入至初始图像处理模型中，获得训练关键点输出信息；
[0028]第四确定模块，被配置为根据训练关键点输出信息和关键点真实值确定所述初始图像处理模型的损失值；
[0029]第五确定模块，被配置为根据所述损失值对所述初始图像处理模型进行参数调整，以对所述初始图像处理模型进行训练，获得所述图像处理模型；
[0030]其中，所述初始图像处理模型和所述图像处理模型包括贝叶斯卷积层，所述贝叶斯卷积层中的卷积核为分布形式。
[0031]本公开还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现上述的图像处理方法的步骤，或者该程序指令被处理器执行时实现上述的图像处理模型的训练方法的步骤。
[0032]本公开还提供一种电子设备，包括：
[0033]存储器，其上存储有计算机程序；
[0034]处理器，用于执行所述存储器中的所述计算机程序，以实现上述的图像处理方法或者图像处理模型的训练方法的步骤。
[0035]通过上述技术方案，将获取到的待处理图像信息输入至训练得到的图像处理模型中，得到图像处理模型输出的用于确定待测目标的位置的关键点信息，其中，图像处理模型中包括卷积核为分布形式的贝叶斯卷积层。由此，无论获取到的待处理图像信息为清晰的图像还是模糊的图像，都能够根据待处理图像信息和图像处理模型准确地确定出待测目标的位置。
[0036]本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0037]附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
[0038]图1是根据本公开一示例性实施例示出的一种图像处理方法的流程图。
[0039]图2是根据本公开一示例性实施例示出的一种图像处理模型的训练方法的流程图。
[0040]图3是根据本公开又一示例性实施例示出的一种图像处理模型的训练方法的流程图。
[0041]图4是根据本公开一示例性实施例示出的一种图像处理模型的结构示意图。
[0042]图5是根据本公开一示例性实施例示出的一种对照图像处理模型的结构示意图。
[0043]图6是根据本公开一示例性实施例示出的一种图像处理装置的框图。
[0044]图7是根据本公开一示例性实施例示出的一种图像处理模型的训练装置的框图。
[0045]图8是根据本公开一示例性实施例示出的一种电子设备的框图。
[0046]图9是根据本公开一示例性实施例示出的一种电子设备的框图。
具体实施方式
[0047]以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
[0048]需要说明的是，本公开中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
[0049]图1是根据本公开一示例性实施例示出的一种图像处理方法的流程图。如图1所示，该图像处理方法包括步骤S101至步骤S102。
[0050]在步骤S101中，获取待处理图像信息。待处理图像信息本文档来自技高网...

【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：获取待处理图像信息；将所述待处理图像信息输入至训练得到的图像处理模型中，得到输出的关键点信息，其中，所述关键点信息用于确定待测目标的位置，所述图像处理模型中包括贝叶斯卷积层，所述贝叶斯卷积层中的卷积核为分布形式。2.根据权利要求1所述的方法，其特征在于，所述分布形式为正态分布形式。3.根据权利要求1所述的方法，其特征在于，在所述贝叶斯卷积层中，所述贝叶斯卷积层的输入经卷积运算后得到卷积运算结果，所述卷积运算结果经高斯混合模型算法运算后得到所述贝叶斯卷积层的输出，其中，所述卷积运算结果为分布形式，所述输出为所述卷积运算结果经高斯混合模型算法运算后得到的一个或多个高斯分布中对应概率最大的高斯分布的均值。4.一种图像处理模型的训练方法，其特征在于，所述方法包括：获取训练样本；将所述训练样本输入至运动模糊模型中，获得模糊训练样本；将所述模糊训练样本输入至初始图像处理模型中，获得训练关键点输出信息；根据训练关键点输出信息和关键点真实值确定所述初始图像处理模型的损失值；根据所述损失值对所述初始图像处理模型进行参数调整，以对所述初始图像处理模型进行训练，获得所述图像处理模型；其中，所述初始图像处理模型和所述图像处理模型包括贝叶斯卷积层，所述贝叶斯卷积层中的卷积核为分布形式。5.根据权利要求4所述的方法，其特征在于，所述方法还包括：将所述训练样本输入至对照图像处理模型中，获得对照关键点输出信息，其中，所述对照图像处理模型包括非贝叶斯卷积层，所述非贝叶斯卷积层的卷积核为固定形式；所述根据训练关键点输出信息和关键点真实值确定所述初始图像处理模型的损失值，包括：根据所述训练关键点输出信息、所述关键点真实值、所述对照关键点输...

【专利技术属性】
技术研发人员：陈奕名，
申请(专利权)人：新东方教育科技集团有限公司，
类型：发明
国别省市：