本发明专利技术涉及图像处理装置及其图像处理方法。一种用于车辆的图像处理装置包括图像获取装置、特征提取装置以及图像识别逻辑，图像获取装置通过车辆中的装置或外部服务器获得输入图像，特征提取装置从输入图像提取特征数据，图像识别逻辑从特征数据识别物体。特征提取装置借助生成式对抗网络(GAN)利用输入图像生成变换图像，从输入图像提取与内容相关的第一特征数据，从变换图像提取与风格相关的第二特征数据，并且基于第一特征数据和第二特征数据使图像识别模型进行学习。据使图像识别模型进行学习。据使图像识别模型进行学习。
【技术实现步骤摘要】
图像处理装置及其图像处理方法
[0001]相关申请的交叉引用
[0002]本申请要求于2022年3月7日向韩国知识产权局提交的韩国专利申请No.10
‑
2022
‑
0028943的权益，其全部内容通过引用合并于本文中。
[0003]本专利技术涉及一种图像处理装置及其图像处理方法，更具体地，涉及一种用于在各种照度环境中操作的图像处理装置。
技术介绍
[0004]已经在车辆中使用可以没有驾驶员的干预或者可以使驾驶员的干预最小化的自动驾驶技术。在自动驾驶技术中可能需要能够在各种照度环境下操作的实时识别逻辑。在各种照度环境中捕获的高质量的图像数据片段可以用于使识别逻辑进行学习。或者，识别逻辑的输入数据可以变换为具体照度环境中的数据，以用于学习。
[0005]在可以获得在各种照度环境中捕获的大量高质量的图像数据的情况下，在白天期间获得数据可能相对容易，而在诸如黎明/夜间的低照度环境中获得数据可能困难，并且在低照度环境中数据的质量可能降低。
[0006]生成式对抗网络(Generative Adversarial Network，GAN)可以用作将在各种照度环境中捕获的图像的照度变换为类似于在白天期间捕获的图像的方法。为了高质量的图像变换，应当利用高性能的GAN。高性能的GAN可能并不适合开发可以利用实时推断提高性能的自动驾驶技术。
技术实现思路
[0007]本专利技术致力于解决现有技术中产生的上述问题，同时完整地保持了由现有技术所实现的优点。<br/>[0008]本专利技术的示例性实施方案提供了一种图像处理装置及其图像处理方法，即使在各种照度环境中，其也能够稳健地操作。
[0009]本专利技术的另一示例性实施方案提供了一种图像处理装置及其图像处理方法，其利用先前学习的图像识别模型实时地对图像数据进行预处理，而不利用高性能的生成式对抗网络(Generative Adversarial Network，GAN)。
[0010]本专利技术的另一示例性实施方案提供了一种图像处理装置及其图像处理方法，其将利用内容/风格损失的图像变换应用于各种照度条件下的图像，以使图像识别模型进行学习，并且利用学习的图像识别模型来执行与自动驾驶相关联的推断。
[0011]本专利技术的另一示例性实施方案提供了一种图像处理装置及其图像处理方法，其减少根据各种照度环境获得各种数据片段的额外成本。
[0012]本专利技术所要解决的技术问题不限于上述问题，并且本专利技术所属领域的技术人员通过以下描述将清楚地理解本文中未提及的任何其它技术问题。
[0013]根据本专利技术的一个示例性实施方案，一种图像处理装置可以包括图像获取装置、特征提取装置以及图像识别逻辑，图像获取装置通过车辆中的装置或外部服务器获得输入图像，特征提取装置可以配置为从输入图像提取特征数据，图像识别逻辑可以配置为从特征数据识别物体。所述特征提取装置可以配置为利用生成式对抗网络(GAN)根据输入图像生成变换图像，可以配置为从输入图像提取与内容相关的第一特征数据，可以配置为从变换图像提取与风格相关的第二特征数据，并且可以配置为基于第一特征数据和第二特征数据使图像识别模型进行学习。
[0014]在示例性实施方案中，所述输入图像可以是具有第一照度的图像，并且所述变换图像可以是具有比第一照度更亮的第二照度的图像。
[0015]在示例性实施方案中，所述输入图像可以是与车辆的自动驾驶相关的图像。
[0016]在示例性实施方案中，所述特征提取装置可以包括第一骨干网络和第二骨干网络。所述第一骨干网络可以配置为利用输入图像提取第一特征数据，所述第二骨干网络可以配置为利用变换图像提取第二特征数据。
[0017]在示例性实施方案中，第一骨干网络和第二骨干网络可以关于提取第一特征数据或第二特征数据具有相同的权重。
[0018]在示例性实施方案中，所述特征提取装置可以包括变换网络和损失网络。所述变换网络可以配置为利用第一特征数据生成第三特征数据。所述第三特征数据可以具有第一特征数据的内容特征和第二特征数据的风格特征。
[0019]在示例性实施方案中，所述损失网络可以配置为基于第一特征数据的内容特征和第二特征数据的风格特征使变换网络进行学习。
[0020]在示例性实施方案中，所述损失网络可以配置为将从第一特征数据提取的特征与从第三特征数据提取的特征进行比较，并且可以结合输入图像的内容使变换网络进行学习。
[0021]在示例性实施方案中，所述损失网络可以配置为将从第二特征数据提取的特征与从第三特征数据提取的特征进行比较，并且可以结合输入图像的风格使变换网络进行学习。
[0022]在示例性实施方案中，所述特征提取装置可以配置为将第三特征数据发送到图像识别逻辑。
[0023]在另一实施方案中，提供了一种车辆，所述车辆包括如本文所公开的一个或更多个图像处理装置。例如，优选地，所述车辆可以是电动车辆。
[0024]根据本专利技术的另一示例性实施方案，图像处理装置的图像处理方法可以包括：通过车辆中的装置或外部服务器获得输入图像；借助生成式对抗网络(GAN)利用输入图像生成变换图像；从输入图像提取与内容相关的第一特征数据；从变换图像提取与风格相关的第二特征数据；基于第一特征数据和第二特征数据使图像识别模型进行学习。
[0025]在示例性实施方案中，所述输入图像可以是具有第一照度的图像，并且所述变换图像可以是具有比第一照度更亮的第二照度的图像。
[0026]在示例性实施方案中，提取第一特征数据可以包括：由包括在图像处理装置中的第一骨干网络利用输入图像提取第一特征数据。提取第二特征数据可以包括：由包括在图像处理装置中的第二骨干网络利用变换图像提取第二特征数据。
[0027]在示例性实施方案中，第一骨干网络和第二骨干网络可以关于提取第一特征数据或第二特征数据具有相同的权重。
[0028]在示例性实施方案中，所述图像处理方法可以进一步包括利用第一特征数据生成第三特征数据。所述第三特征数据可以具有第一特征数据的内容特征和第二特征数据的风格特征。
[0029]在示例性实施方案中，使图像识别模型进行学习可以包括：基于第一特征数据的内容特征和第二特征数据的风格特征使图像识别模型进行学习。
[0030]在示例性实施方案中，使图像识别模型进行学习可以进一步包括：将从第一特征数据提取的特征与从第三特征数据提取的特征进行比较，并且可以结合输入图像的内容使图像识别模型进行学习。
[0031]在示例性实施方案中，使图像识别模型进行学习可以进一步包括：将从第二特征数据提取的特征与从第三特征数据提取的特征进行比较，并且可以结合输入图像的风格使图像识别模型进行学习。
[0032]在示例性实施方案中，所述图像处理方法可以进一步包括利用第三特征数据识别物体。
附图说明
[0033]通过随后结合附图所呈现的详细描述，本专利技术的以上和其它目的、特征以及优点将更显然：...
【技术保护点】
【技术特征摘要】
1.一种图像处理装置，其包括：图像获取装置，其配置为通过车辆中的装置或外部服务器获得输入图像；特征提取装置，其配置为从输入图像提取特征数据；以及图像识别逻辑，其配置为从特征数据识别物体；其中，所述特征提取装置配置为：利用生成式对抗网络根据输入图像生成变换图像，从输入图像提取与内容相关的第一特征数据，从变换图像提取与风格相关的第二特征数据，并且基于第一特征数据和第二特征数据使图像识别模型进行学习。2.根据权利要求1所述的图像处理装置，其中，所述输入图像是具有第一照度的第一图像，所述变换图像是具有比第一照度更亮的第二照度的第二图像。3.根据权利要求1所述的图像处理装置，其中，所述输入图像是与车辆的自动驾驶相关的第三图像。4.根据权利要求1所述的图像处理装置，其中，所述特征提取装置包括第一骨干网络和第二骨干网络，所述第一骨干网络配置为利用输入图像提取第一特征数据，所述第二骨干网络配置为利用变换图像提取第二特征数据。5.根据权利要求4所述的图像处理装置，其中，第一骨干网络和第二骨干网络关于提取第一特征数据或第二特征数据具有相同的权重。6.根据权利要求5所述的图像处理装置，其中，所述特征提取装置包括变换网络和损失网络，所述变换网络配置为利用第一特征数据生成第三特征数据，所述第三特征数据具有第一特征数据的内容特征和第二特征数据的风格特征。7.根据权利要求6所述的图像处理装置，其中，所述损失网络配置为基于第一特征数据的内容特征和第二特征数据的风格特征使变换网络进行学习。8.根据权利要求7所述的图像处理装置，其中，所述损失网络配置为将从第一特征数据提取的特征与从第三特征数据提取的特征进行比较，并且结合输入图像的内容使变换网络进行学习。9.根据权利要求7所述的图像处理装置，其中，所述损失网络配置为将从第二特征数据提取的特征与从第三特征数据提取的特征进行比较，并且结合输入图像的风格使变换网络进行学习。10.根据权利要求6所述的图像处理装置，其中，所述特征提取装置配置为将第三特征数据发送...
【专利技术属性】
技术研发人员：李赫载，
申请(专利权)人：起亚株式会社，
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。