图像的处理方法、装置、设备和介质制造方法及图纸

本发明专利技术实施例公开了一种图像处理方法，用于检测道路上的车辆，包括：摄像装置实时采集道路的图像，且采集的图像被输入至检测单元；检测单元基于卷积神经网络模型来：提取图像的特征，以得到图像的特征图；以及基于特征图，对道路上的车辆进行检测，并输出车辆检测结果；其中，卷积神经网络模型涉及卷积操作，且卷积操作包括：采用m行n列大小的卷积核来执行卷积运算，且在每次卷积运算时，计算m行n列中各个位置的值，确定各个位置的值中的异常值，以及将异常值过滤掉之后，将余下的值相加以作为该次卷积运算的结果。本发明专利技术实施例，能够提高图像识别的准确性。像识别的准确性。像识别的准确性。

【技术实现步骤摘要】
图像的处理方法、装置、设备和介质


[0001]本专利技术涉及图像处理技术，尤其涉及一种图像的处理方法、装置、设备和存储介质。

技术介绍

[0002]在人工智能中，利用卷积神经网络来进行图像的处理，从而提取图像的特征，以实现图像的识别等功能，已变得越来越普遍。其中，卷积神经网络的本质是利用卷积核在图像上移动并进行乘加运算，从而实现图像特征的提取。但是，本申请的专利技术人发现，在一些场景中，采用卷积神经网络来提取图像的特征时，所提取到的特征存在与图像真实的特征相差较大的问题，从而影响了图像识别的准确性，因此现有技术存在改进的必要。

技术实现思路

[0003]有鉴于此，本申请提供了一种图像的处理方法、装置、设备和存储介质，能够提高图像识别的准确性。
[0004]本专利技术实施例的一种图像处理方法，用于检测道路上的车辆，包括：利用摄像装置实时采集道路的图像，且所述采集的图像被输入至检测单元；所述检测单元基于卷积神经网络模型：提取所述图像的特征，以得到所述图像的特征图；以及基于所述特征图，对所述道路上的车辆进行检测，并输出车辆检测结果；其中，所述卷积神经网络模型涉及卷积操作，该卷积操作包括：采用m行n列大小的卷积核来执行卷积运算，且在每次卷积运算时，计算m行n列中各个位置的值，确定所述各个位置的值中的异常值，以及将所述异常值过滤掉之后，将余下的值相加以作为该次卷积运算的结果。
[0005]其中，所述方法还包括：采用含有噪点的道路图像数据和没有噪点的道路图像数据，对卷积神经网络模型进行训练；以及将训练好的所述卷积神经网络模型预先部署至所述检测单元中。
[0006]其中，所述卷积神经网络依次包括：网络主干、网络脖颈和检测头，分别用于特征提取、特征融合和提取车辆信息以作为所述车辆检测结果，且在所述网络主干、网络脖颈和检测头中均涉及所述卷积操作。
[0007]其中，所述车辆信息包括：车辆的类别、车辆的位置和车辆的大小中的至少一项。
[0008]其中，所述异常值包括：最大值和最小值。
[0009]本专利技术实施例的一种图像处理方法，包括：获取待处理的图像；将所述图像输入卷积神经网络模型，以对所述图像进行识别；其中，所述卷积神经网络模型涉及卷积操作，且所述卷积操作包括：采用预定大小的卷积核来执行卷积运算，且在执行卷积运算时，计算所述卷积核中各个位置的值，确定所述各个位置的值中的异常值，以及将所述异常值过滤掉之后，将余下的值相加以作为该次卷积运算的结果。
[0010]其中，所述异常值包括：最大值和最小值。
[0011]本专利技术实施例的一种图像处理装置，用于检测道路上的车辆，包括：获取模块，用
于获取道路的图像；检测模块，用于基于卷积神经网络模型：提取所述图像的特征，以得到所述图像的特征图；以及基于所述特征图，对所述道路上的车辆进行识别，并输出车辆检测结果；其中，所述卷积神经网络模型中涉及卷积操作，且所述卷积操作包括：采用m行n列大小的卷积核来执行卷积运算，且在每次卷积运算时，计算m行n列中各个位置的值，确定所述各个位置的值中的异常值，以及将所述异常值过滤掉之后，将余下的值相加以作为该次卷积运算的结果。
[0012]本专利技术实施例的一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器被配置为执行所述可执行指令以实施根据本专利技术实施例的方法。
[0013]本专利技术实施例的一种计算机可读存储介质，其上存储有计算机程序，该计算机程序包括可执行指令，当该可执行指令被处理器执行时，实施根据本专利技术实施例的方法。
[0014]本专利技术实施例的有益效果：
[0015]本专利技术实施例，在利用卷积神经网络模型来识别图像时，对于卷积神经网络模型中涉及的卷积运算进行改进，即在执行卷积运算时，增加过滤异常值的操作，从而能够有效地防止图像中异常点的影响，提高卷积神经网络模型的拟合能力(即神经网络输出的准确度)，进而提高图像识别的准确度。
附图说明
[0016]本专利技术的其他细节及优点将通过下文提供的详细描述而变得显而易见。应理解的是，下列附图仅仅是示意性的，因而不能视为对本专利技术的限制，下文将参照附图来进行详细描述，其中：
[0017]图1是本专利技术的图像处理方法的实施例的流程示意图；
[0018]图2是本专利技术的图像处理系统的实施例的结构示意图；
[0019]图3是本专利技术的卷积神经网络模型的实施例的结构示意图；
[0020]图4是本专利技术的图像处理装置的实施例的结构示意图；
[0021]图5是本专利技术的电子设备的实施例的结构示意图。
具体实施方式
[0022]为了使本专利技术所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅以解释本专利技术，并不用于限定本专利技术。
[0023]在本专利技术的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。而且，术语“第一”、“第二”等适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术语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。
[0024]利用卷积神经网络模型来进行图像识别时，普遍涉及的操作是卷积操作，所谓卷积操作主要是指利用卷积核在图像上移动，并与图像像素进行乘加操作以进行特征的提
取。其中，卷积核是一定大小的由权重值组成的矩阵。假设卷积核的大小为m行n列，用w
ij
表示卷积核中第i行第j列的权重值，p
ij
表示图像中相对应位置的像素值。则卷积运算可以表示为：其中y即特征值。在提取图像特征时，将卷积核在图像上移动，对图像中每一个m*n的块做卷积运算就能得到该图像的特征图。
[0025]但是，从上述公式可以知道，特征值的大小是由各个权重值和像素值的乘积相加得到。如果其中一个乘积的结果过大或过小，就会导致y值被该结果主导，其他结果的影响会大大减弱。比如，假设卷积核的大小为2行2列，在一次卷积运算时，计算得到的四个位置的值分别为
‑
1000、0.5、0.8和1，因此，最后的y值将会由
‑
1000这个值主导，而在实际中，
‑
1000对应的像素点极有可能是噪点，由此确定的特征值并不能够真实反应图像的情况。
[0026]因此，为了消除这类异常点(即噪点)的影响，本申请对卷积运算进行了改进，在卷积运算的加法之前做了去掉异常值的操作，该异常值可以为最大值和/或最小值。以去除最大值和最小值为例，本申请的卷积运算的公式为：
[0027][0028]其中，max_ind是求最大值的函数，min_ind是求最小值的函数。ind
max
是最本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理方法，用于检测道路上的车辆，其特征在于，包括：利用摄像装置实时采集道路的图像，且所述采集的图像被输入至检测单元；所述检测单元基于卷积神经网络模型：提取所述图像的特征，以得到所述图像的特征图；以及基于所述特征图，对所述道路上的车辆进行检测，并输出车辆检测结果；其中，所述卷积神经网络模型涉及卷积操作，且所述卷积操作包括：采用m行n列大小的卷积核来执行卷积运算，且在每次卷积运算时，计算m行n列中各个位置的值，确定所述各个位置的值中的异常值，以及将所述异常值过滤掉之后，将余下的值相加以作为该次卷积运算的结果。2.如权利要求1所述的图像处理方法，其特征在于，所述方法还包括：采用含有噪点的道路图像数据和没有噪点的道路图像数据，对所述卷积神经网络模型进行训练；以及将训练好的所述卷积神经网络模型预先部署至所述检测单元中。3.如权利要求2所述的图像处理方法，其特征在于，所述卷积神经网络依次包括：网络主干、网络脖颈和检测头，分别用于特征提取、特征融合和提取车辆信息以作为所述车辆检测结果，且在所述网络主干、网络脖颈和检测头中均涉及所述卷积操作。4.如权利要求3所述的图像处理方法，其特征在于，所述车辆信息包括：车辆的类别、车辆的位置和车辆的大小中的至少一项。5.如权利要求1所述的图像处理方法，其特征在于，所述异常值包括：最大值和最小值。6.一种图像处理方法，其特征在于，包括：获取待处理的图像；将所述图像输入...

【专利技术属性】
技术研发人员：黄德璐，曹书浩，
申请(专利权)人：大陆软件系统开发中心重庆有限公司，
类型：发明
国别省市：