低照度车辆图像检测模型的训练方法、装置、设备及介质与流程

本发明涉及图像处理，具体涉及一种低照度车辆图像检测模型的训练方法、装置、设备及介质。

背景技术：

1、随着计算机视觉技术的不断发展，通过监控抓拍各道路站点的车辆图像，并对车辆进行一系列的检测识别技术已受到广泛应用。但是在低照度的环境下，例如夜间或者照明情况不良的区域，因为抓拍的图片中背景颜色较暗，车辆的轮廓难以分辨，导致常规的深度学习模型检测的精度大大降低，现有的检测方法很难准确识别到车辆的位置。同时，由于摄像头视野角度问题，目标容易被其他物体遮挡，造成不同目标边界轮廓的不确定性，无法实现对车辆的精确检测。因此，存在待改进之处。

技术实现思路

1、鉴于以上现有技术的缺点，本发明提供一种低照度车辆图像检测模型的训练方法、装置、设备及介质，以解决上述技术问题。

2、本发明提供的一种车道线识别模型的训练方法，包括：

3、获取预设环境下车辆的图像数据集；

4、对所述图像数据集进行预处理，以生成训练数据集；

5、构建初始车辆图像检测模型，并配置所述初始车辆图像检测模型的优化器和损失函数；

6、将所述训练数据集作为所述初始车辆图像检测模型的输入变量，对所述初始车辆图像检测模型进行训练，生成目标车辆图像检测模型。

7、在本发明的一个实施例中，所述获取预设环境下车辆的图像数据集的步骤包括：

8、获取预设环境下的车辆图像，所述环境为夜间或照明情况不良的环境；

9、对所述车辆图像进行标签标注处理，生成所述图像数据集，所述图像数据集包括多个图像数据；

10、将所述图像数据集按照预设比例分为训练图像集、验证图像集以及测试图像集。

11、在本发明的一个实施例中，所述将所述训练数据集作为所述初始车辆图像检测模型的输入变量，对所述初始车辆图像检测模型进行训练，生成目标车辆图像检测模型的步骤包括：

12、设定模型训练策略，并将所述训练数据集输入至所述初始车辆图像检测模型；

13、通过所述初始车辆图像检测模型的编码器对训练数据集中的车辆图像进行特征提取处理，以生成多尺度特征图像；

14、将所述多尺度特征图像进行细化处理，以生成多尺度细化特征，所述多尺度细化特征表征车辆的位置信息；

15、将所述多尺度细化特征进行融合分类处理，以生成车辆分割图。

16、在本发明的一个实施例中，所述将所述多尺度特征图像进行细化处理，以生成多尺度细化特征，所述多尺度细化特征表征车辆的位置信息的步骤包括：

17、通过所述初始车辆图像检测模型的解码器，将所述多尺度特征图像进行融合处理，以生成车辆的边界信息；

18、将所述多尺度特征图和所述边界信息进行融合处理，以生成所述多尺度细化特征。

19、在本发明的一个实施例中，所述将所述多尺度细化特征进行融合分类处理，以生成车辆分割图的步骤包括：

20、通过上下文注意力网络，按照预设顺序逐层融合多尺度细化特征，以生成融合特征图；

21、通过卷积层对所述融合特征图的每一个像素点进行分类处理，以生成所述车辆分割图。

22、在本发明的一个实施例中，所述配置所述初始车辆图像检测模型的优化器和损失函数的步骤包括：

23、设置所述初始车辆图像检测模型的优化器为自适应矩估计算法优化器；

24、根据二值交叉熵损失函数、交并比损失函数以及边界损失函数设置所述初始车辆图像检测模型的损失函数。

25、在本发明的一个实施例中，所述初始车辆图像检测模型的损失函数满足以下公式：

26、

27、其中，表示所述二值交叉熵损失函数，表示所述交并比损失函数，表示所述边界损失函数，表示边界损失的比例。

28、本发明还提供一种低照度车辆图像检测模型的训练系统，包括：

29、图像获取模块，用以获取预设环境下车辆的图像数据集；

30、数据处理模块，用以对所述图像数据集进行预处理，以生成训练数据集；

31、模型构建模块，用以构建初始车辆图像检测模型，并配置所述初始车辆图像检测模型的优化器和损失函数；

32、模型训练模块，用以将所述训练数据集作为所述初始车辆图像检测模型的输入变量，对所述初始车辆图像检测模型进行训练，生成目标车辆图像检测模型。

33、本发明还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上述任一项所述低照度车辆图像检测模型的训练方法的步骤。

34、本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述任一项所述低照度车辆图像检测模型的训练方法的步骤。

35、综上所述，本发明的一种低照度车辆图像检测模型的训练方法、装置、设备及介质，具有以下有益效果：本发明提高了低照度环境下车辆检测的精度，解决了常规车辆检测算法应用于特定场景图像中检测效果差的问题。另外，本发明还利用多摄像设备的位置关系实现测试时增强操作，进行更精确的预测，达到更高的检测精度。

36、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，并不能限制本发明。

技术特征：

1.一种低照度车辆图像检测模型的训练方法，其特征在于，包括：

2.根据权利要求1所述的低照度车辆图像检测模型的训练方法，其特征在于，所述获取预设环境下车辆的图像数据集的步骤包括：

3.根据权利要求1所述的低照度车辆图像检测模型的训练方法，其特征在于，所述将所述训练数据集作为所述初始车辆图像检测模型的输入变量，对所述初始车辆图像检测模型进行训练，生成目标车辆图像检测模型的步骤包括：

4.根据权利要求3所述的低照度车辆图像检测模型的训练方法，其特征在于，所述将所述多尺度特征图像进行细化处理，以生成多尺度细化特征，所述多尺度细化特征表征车辆的位置信息的步骤包括：

5.根据权利要求3所述的低照度车辆图像检测模型的训练方法，其特征在于，所述将所述多尺度细化特征进行融合分类处理，以生成车辆分割图的步骤包括：

6.根据权利要求1所述的低照度车辆图像检测模型的训练方法，其特征在于，所述配置所述初始车辆图像检测模型的优化器和损失函数的步骤包括：

7.根据权利要求6所述的低照度车辆图像检测模型的训练方法，其特征在于，所述初始车辆图像检测模型的损失函数满足以下公式：

8.一种低照度车辆图像检测模型的训练系统，其特征在于，包括：

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述低照度车辆图像检测模型的训练方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述低照度车辆图像检测模型的训练方法的步骤。

技术总结本发明提供一种低照度车辆图像检测模型的训练方法、装置、设备及介质，所述训练方法包括：获取预设环境下车辆的图像数据集；对所述图像数据集进行预处理，以生成训练数据集；构建初始车辆图像检测模型，并配置所述初始车辆图像检测模型的优化器和损失函数；将所述训练数据集作为所述初始车辆图像检测模型的输入变量，对所述初始车辆图像检测模型进行训练，生成目标车辆图像检测模型。本发明提高了低照度环境下车辆检测的精度，解决了常规车辆检测算法应用于特定场景图像中检测效果差的问题。技术研发人员：王雪雁,胡昌隆,周平,胡美玲,陈瑞宁,李美熙受保护的技术使用者：合肥市正茂科技有限公司技术研发日：技术公布日：2024/7/29