【技术实现步骤摘要】
本申请涉及自动驾驶，具体而言，涉及一种摄像头性能检测方法、装置、电子设备及存储介质。
技术介绍
1、目前，自动驾驶车辆主要通过传感器(如激光雷达、摄像头、毫米波雷达、高精地图等)来感知路面、周围车辆以及建筑物等各种影响汽车驾驶安全的因素。而视觉感知是其中最为核心的一部分。具体的，车辆依靠摄像头拍摄的画面，传输到系统进行分析，从而计算出周围的车辆、道路等信息。
2、但在现实交通场景中，摄像头成像效果极易受环境影响。比如，在雨天、过亮、过暗等场景中，摄像头成像效果会被影响，进而造成视觉感知的检测性能下降，影响智能驾驶车辆的安全行驶。
3、已知的方法中，主要依赖研究员和图像工程师进行手工设计图像处理函数或规则来检测摄像头成像质量，比如：通过对图片求二阶导数，获取边缘后，然后对边缘求方差，获取方差数值，通过方差的数值判断图片是否模糊。然而，上述方法过于依赖工程师经验，且泛化性较低，即无法处理从未遇见的场景。因此，为了提高摄像头成像质量检测的泛化性，亟需一种摄像头成像质量检测方法。
技术实现思路
1、本申请提供了一种摄像头性能检测方法、装置、电子设备及存储介质，以提高摄像头成像质量检测的泛化性。具体的技术方案如下。
2、第一方面，本申请实施例提供一种摄像头性能检测方法，所述方法包括：
3、获取所述摄像头采集的待检测图像；
4、基于预先训练得到的二分类模型对所述待检测图像进行处理，确定所述待检测图像是否为异常图像；所述二分类模型是根据
5、当所述待检测图像为异常图像时，基于预先训练得到的多分类模型对所述异常图像进行处理，确定所述异常图像的异常类别，所述异常类别包括：图像挂水、图像过暗、图像过亮、图像污渍或图像起雾，所述多分类模型是根据已标注异常类别的第二样本图像训练得到的。
6、可选的，所述二分类模型的训练过程包括：
7、构建初始二分类模型；
8、获取第一样本图像，以及各所述第一样本图像的第一标注结果，所述第一标注结果包括正常或异常；
9、基于所述初始二分类模型对各已标注的第一样本图像进行处理，得到各所述第一样本图像对应的类别检测结果，并根据所述类别检测结果和对应的第一标注结果确定所述初始二分类模型的正确率是否大于第一预设阈值；
10、在所述初始二分类模型的正确率不大于所述第一预设阈值时，对所述初始二分类模型的参数进行调整，并返回执行所述基于所述初始二分类模型对各已标注的第一样本图像进行处理的步骤；
11、在所述初始二分类模型的正确率大于所述第一预设阈值时，将当前的初始二分类模型作为所述二分类模型。
12、可选的，所述多分类模型的训练过程包括：
13、构建初始多分类模型；
14、获取第二样本图像，以及各所述第二样本图像的第二标注结果，所述第二标注结果包括各第二样本图像的异常类别；
15、基于所述初始多分类模型对各已标注的第二样本图像进行处理，得到各所述第二样本图像对应的异常检测结果，并根据所述异常检测结果和对应的第二标注结果确定所述初始多分类模型的正确率是否大于第二预设阈值；
16、在所述初始多分类模型的正确率不大于所述第二预设阈值时，根据预设归一化指数函数对所述初始多分类模型的参数进行调整，并返回执行所述基于所述初始多分类模型对各已标注的第二样本图像进行处理的步骤；
17、在所述初始多分类模型的正确率大于所述第二预设阈值时，将当前的初始多分类模型作为所述多分类模型。
18、可选的，基于预先训练得到的二分类模型对所述待检测图像进行处理之前，所述方法还包括：
19、对所述待检测图像进行预处理，所述预处理包括以下至少其一：标准化处理、归一化处理、以及log变换。
20、可选的，当所述预处理包括log变换时，所述对所述待检测图像进行预处理包括：
21、利用以下公式对所述待检测图像进行log变换：
22、s＝c*logv+1(1+v*r)r∈[0,1]
23、s表示log变换后的像素值，c表示预设范围参数，v表示预设参数，r表示所述待检测图像像素点的原始值。
24、可选的，所述方法还包括：
25、当确定所述待检测图像的异常类型为图像挂水时，触发所述摄像头的去雾装置；
26、当确定所述待检测图像的异常类型为其他异常时，发送预警信息。
27、第二方面，本申请提供一种摄像头性能检测装置，所述装置包括：
28、待检测图像获取模块，用于获取所述摄像头采集的待检测图像；
29、图像分类模块，用于基于预先训练得到的二分类模型对所述待检测图像进行处理，确定所述待检测图像是否为异常图像；所述二分类模型是根据已标注正常或异常的第一样本图像训练得到的；
30、类别检测模块，用于当所述待检测图像为异常图像时，基于预先训练得到的多分类模型对所述异常图像进行处理，确定所述异常图像的异常类别，所述异常类别包括：图像挂水、图像过暗、图像过亮、图像污渍或图像起雾，所述多分类模型是根据已标注异常类别的第二样本图像训练得到的。
31、可选的，所述装置还包括：二分类模型训练模块，用于训练所述二分类模型，具体用于：
32、构建初始二分类模型；
33、获取第一样本图像，以及各所述第一样本图像的第一标注结果，所述第一标注结果包括正常或异常；
34、基于所述初始二分类模型对各已标注的第一样本图像进行处理，得到各所述第一样本图像对应的类别检测结果，并根据所述类别检测结果和对应的第一标注结果确定所述初始二分类模型的正确率是否大于第一预设阈值；
35、在所述初始二分类模型的正确率不大于所述第一预设阈值时，对所述初始二分类模型的参数进行调整，并返回执行所述基于所述初始二分类模型对各已标注的第一样本图像进行处理的步骤；
36、在所述初始二分类模型的正确率大于所述第一预设阈值时，将当前的初始二分类模型作为所述二分类模型。
37、可选的，所述装置还包括：多分类模型训练模块，用于训练所述多分类模型，具体用于：
38、构建初始多分类模型；
39、获取第二样本图像，以及各所述第二样本图像的第二标注结果，所述第二标注结果包括各第二样本图像的异常类别；
40、基于所述初始多分类模型对各已标注的第二样本图像进行处理，得到各所述第二样本图像对应的异常检测结果，并根据所述异常检测结果和对应的第二标注结果确定所述初始多分类模型的正确率是否大于第二预设阈值；
41、在所述初始多分类模型的正确率不大于所述第二预设阈值时，根据预设归一化指数函数对所述初始多分类模型的参数进行调整，并返回执行所述基于所述初始多分类模型对各已标注的第二样本图像进行处理的步骤；
42、在所本文档来自技高网...
【技术保护点】
1.一种摄像头性能检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述二分类模型的训练过程包括：
3.根据权利要求1所述的方法，其特征在于，所述多分类模型的训练过程包括：
4.根据权利要求1-3任一项所述的方法，其特征在于，基于预先训练得到的二分类模型对所述待检测图像进行处理之前，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，当所述预处理包括log变换时，所述对所述待检测图像进行预处理包括：
6.根据权利要求1-3任一项所述的方法，其特征在于，所述方法还包括：
7.一种摄像头性能检测装置，其特征在于，所述装置包括：
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：二分类模型训练模块，用于训练所述二分类模型，具体用于：
9.根据权利要求7所述的装置，其特征在于，所述装置还包括：多分类模型训练模块，用于训练所述多分类模型，具体用于：
10.根据权利要求7-9任一项所述的装置，其特征在于，所述装置还包括：
11.
12.根据权利要求7-9任一项所述的装置，其特征在于，所述装置还包括：
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-6中任一项所述的摄像头性能检测方法。
14.一种电子设备，其特征在于，所述电子设备包括：
15.一种车辆，其特征在于，所述车辆包括如权利要求14所述的电子设备。
...【技术特征摘要】
1.一种摄像头性能检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述二分类模型的训练过程包括：
3.根据权利要求1所述的方法，其特征在于，所述多分类模型的训练过程包括：
4.根据权利要求1-3任一项所述的方法，其特征在于，基于预先训练得到的二分类模型对所述待检测图像进行处理之前，所述方法还包括：
5.根据权利要求4所述的方法，其特征在于，当所述预处理包括log变换时，所述对所述待检测图像进行预处理包括：
6.根据权利要求1-3任一项所述的方法，其特征在于，所述方法还包括：
7.一种摄像头性能检测装置，其特征在于，所述装置包括：
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：二分类模型训练模块，用于训练所...
【专利技术属性】
技术研发人员：陈彦君，李牧昀，刘运泽，陈铭，刘宇冲，李琦，李豪雨，刘伟，吕阳，
申请(专利权)人：魔门塔苏州科技有限公司，
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。