【技术实现步骤摘要】
本申请涉及图像处理，尤其涉及图像处理方法、装置、电子设备及存储介质、移动工具。
技术介绍
1、随着科技的发展，自动驾驶技术的应用越来越广泛，在自动驾驶技术中，数据的采集占据着重要的位置。而当前市场上，用于数据采集的数据源种类繁多，每一厂家的硬件和软件均不一样，最终造成数据的质量参差不齐。以图像采集为例，不同厂家的摄像头采集的图像在成像质量、成像风格上均有很大差异。而自动驾驶系统是一个复杂的系统，一般需要搭配不同的数据源，随着技术进步的迭代，如何适配这些不同数据源采集的数据同样成为自动驾驶技术需要解决的关键问题。
2、相关技术中，一般通过算法精调方法解决上述问题，具体针对新数据源开发的算法模块，为了适配新的数据源所采集的数据，需要对算法模块本身进行调整。也就是说，每次更新数据源，均需要修改算法模块的逻辑和关键参数以适应新数据，显然，这种方法不能适配针对旧数据源开发的算法模块，从而降低了算法模块的开发调试效率。
技术实现思路
1、为克服相关技术中存在的问题，本申请提供图像处理方法、装置、电子设备及存储介质、移动工具，以提高算法模块的开发调试效率。
2、本申请第一方面提供图像处理方法，包括：
3、控制新的数据源和旧的数据源针对相同场景进行图像采集；
4、基于所述新的数据源采集的第一图像数据和所述旧的数据源采集的第二图像数据，将所述第二图像数据转换为所述新的数据源的视角下的第三图像数据；
5、在对学习模型进行训练过程中，将所述第一
6、将所述第四图像数据和所述第三图像数据作为损失函数的输入，控制所述损失函数进行损失计算，生成针对所述学习模型的调整系数；
7、控制所述学习模型基于所述调整系数进行自身系数的调整；
8、在确定所述学习模型训练完成后，利用所述学习模型对所述新的数据源采集的图像数据进行图像识别处理。
9、可选地，所述控制新的数据源和旧的数据源针对相同场景进行图像采集，包括：
10、控制所述新的数据源和所述旧的数据源针对相同场景同时进行图像采集，并为采集的每一图像数据赋予时间戳标签。
11、可选地，所述基于所述新的数据源采集的第一图像数据和所述旧的数据源采集的第二图像数据，将所述第二图像数据转换为所述新的数据源的视角下的第三图像数据，包括：
12、确定具有相同时间戳标签的所述新的数据源采集的第一图像数据和所述旧的数据源采集的第二图像数据；
13、确定所述第一图像数据和所述第二图像数据中具有关联关系的至少一对关键点；其中，所述一对关键点中一个关键点来自所述第一图像数据，另一关键点来自所述第二图像数据；
14、获取所述至少一对关键点中每一关键点在各自图像数据中的图像坐标；
15、基于所述至少一对关键点的图像坐标确定透视变换矩阵；
16、基于所述透视变换矩阵将所述第二图像数据转换为所述新的数据源的视角下的第三图像数据。
17、可选地，所述确定所述第一图像数据和所述第二图像数据中具有关联关系的至少一对关键点，包括：
18、获取用户针对同一对象的同一位置在所述第一图像数据和所述第二图像数据中标注的至少一对关键点。
19、可选地，所述确定所述第一图像数据和所述第二图像数据中具有关联关系的至少一对关键点，包括：
20、通过特征点检测算法确定所述第一图像数据中至少一个关键点和所述第二图像数据中的至少一个关键点；
21、基于匹配算法从所述关键点中确定满足关联条件的至少一对关键点；
22、其中，满足关联条件的至少一对关键点对应于针对同一对象的同一位置。
23、可选地，所述将所述第四图像数据和所述第三图像数据作为损失函数的输入，控制所述损失函数进行损失计算，生成针对所述学习模型的调整系数，包括：
24、将具有相同时间戳标签的第四图像数据和第三图像数据同时作为损失函数的输入，控制所述损失函数基于所述第四图像数据和所述第三图像数据的误差计算针对所述学习模型的调整系数。
25、可选地，所述控制新的数据源和旧的数据源针对相同场景同时进行图像采集，包括：
26、控制安装在同一刚性机械件上的新的数据源和旧的数据源，在车辆行驶过程中针对相同场景同时进行图像采集；其中，所述刚性机械件安装在所述车辆的指定位置处。
27、本申请第二方面提供了图像处理装置，包括：
28、第一控制单元，用于控制新的数据源和旧的数据源针对相同场景进行图像采集；
29、第一转换单元，用于基于所述新的数据源采集的第一图像数据和所述旧的数据源采集的第二图像数据，将所述第二图像数据转换为所述新的数据源的视角下的第三图像数据；
30、第一获取单元，用于在对学习模型进行训练过程中，将所述第一图像数据作为所述学习模型的输入，获取所述学习模型输出的第四图像数据；
31、第一生成单元，用于将所述第四图像数据和所述第三图像数据作为损失函数的输入，控制所述损失函数进行损失计算，生成针对所述学习模型的调整系数；
32、第一调整单元，用于控制所述学习模型基于所述调整系数进行自身系数的调整；
33、第一处理单元，用于在确定所述学习模型训练完成后，利用所述学习模型对所述新的数据源采集的图像数据进行图像识别处理。
34、本申请第三方面提供一种电子设备，包括：
35、处理器；以及
36、存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。
37、本申请第四方面提供一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上所述的方法。
38、本申请第五方面提供了一种移动工具，包括多个数据源和如上所述的电子设备，数据源与电子设备通信连接。
39、本申请提供的技术方案中，是将旧的数据源采集的第二图像数据转换为新的数据源的视角下的第三图像数据，从而将新的数据源采集的第一图像数据作为学习模型的输入，并利用第三图像数据对学习模型进行监督，使得学习模型能够在不改变新的数据源视角的情况下学习旧的数据源的成像方式。那么，在利用训练好的学习模型对新的数据源的图像数据进行识别处理后，能够在不改变新的数据源的图像数据的视角下，将新的数据源的图像数据转换为成像方式与旧的数据源一致的图像数据，从而使得新的数据源采集的图像数据能够使用基于旧的数据源开发的算法模块，提高了算法模块的开发调试效率。
40、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
本文档来自技高网...【技术保护点】
1.图像处理方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述控制新的数据源和旧的数据源针对相同场景进行图像采集，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述新的数据源采集的第一图像数据和所述旧的数据源采集的第二图像数据，将所述第二图像数据转换为所述新的数据源的视角下的第三图像数据，包括：
4.根据权利要求3所述的方法，其特征在于，所述确定所述第一图像数据和所述第二图像数据中具有关联关系的至少一对关键点，包括：
5.根据权利要求3所述的方法，其特征在于，所述确定所述第一图像数据和所述第二图像数据中具有关联关系的至少一对关键点，包括：
6.根据权利要求2所述的方法，其特征在于，所述将所述第四图像数据和所述第三图像数据作为损失函数的输入，控制所述损失函数进行损失计算，生成针对所述学习模型的调整系数，包括：
7.根据权利要求2所述的方法，其特征在于，所述控制新的数据源和旧的数据源针对相同场景同时进行图像采集，包括：
8.图像处理装置，其特征在于，包括：
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。