【技術實現步驟摘要】
本申請屬于計算機視覺，具體涉及一種攝像頭臟污檢測方法、系統及存儲介質。
技術介紹
1、隨著攝像頭在各種應用中的廣泛使用，使得圖像質量成為關鍵因素。在許多自動駕駛或者是輔助駕駛的功能中，都需要依賴攝像頭捕捉的圖像作為輸入，然后再對這些圖像進行分析處理。攝像頭臟污會嚴重影響感知系統的感知性能，會使得所捕捉到的圖像會和汽車周圍的實際情況有落差，不可靠的圖像資訊可能導致自動駕駛或輔助駕駛功能做出錯誤判斷，進而衍生安全性問題。因此對攝像頭進行有效地臟污檢測尤為重要。攝像頭臟污檢測需要檢測攝像頭是否有臟污并將檢測結果發送給需要使用攝像頭數據的感知模塊以判斷是否繼續進行其感知功能。常見的臟污檢測是對被檢測攝像頭的圖像進行分類，將之分類為含有臟污的圖片或是清晰的圖片。但這種分類是對整張圖片進行全局的判斷，當需要檢測的物體在圖像中并不明顯，避讓面積占比小的情況下，這種分類就會出現誤判。并且這類分類算法沒有結果平滑功能導致分類輸出結果不穩定。
技術實現思路
1、為解決上述技術問題，本申請提出一種臟污檢測準確性高、預測結果輸出穩定的攝像頭臟污檢測方法、系統及存儲介質。
2、具體的，本申請提出一種攝像頭臟污檢測方法，包括：
3、獲取圖像數據，將所述圖像數據輸入至臟污檢測模型。通過所述臟污檢測模型從所述圖像數據中獲取特征圖像，基于所述特征圖像識別臟污所在目標方框，輸出所述目標方框的位置和置信度分數。根據所述目標方框的位置和置信度分數計算獲得臟污遮擋的預測概率；以及根據所述預測概率獲取
4、上述技術方案中，通過所述臟污檢測模型從所述特征圖像中識別出臟污所在目標方框并輸出目標方框的位置和置信度分數，有效地提高了攝像頭臟污檢測的準確性。通過對目標方框的位置和置信度分數進行計算獲得預測概率，并根據預測概率獲得最終攝像頭的臟污遮擋檢測結果，有效地提高了攝像頭臟污遮擋檢測結果的穩定性和可靠性。
5、作為一種實施方式，所述臟污檢測模型至少為卷積神經網絡，所述獲取特征圖像包括：
6、根據所述卷積神經網絡從所述圖像數據中獲取多種特征信息。將所述多種特征信息進行融合，獲得所述特征圖像。其中，所述特征信息至少包括圖像特征和語義特征。通過卷積神經網絡從所述圖像數據中獲取多種特征信息使得對復雜圖像進行了更深入的分析。通過將多種特征信息進行融合，綜合考慮了圖像的多種特征信息，有效地提高了對臟污遮擋檢測的準確性，增強了對臟污的識別能力。
7、進一步的，所述基于所述特征圖像識別臟污所在目標方框包括：
8、將所述特征圖像劃分為預設數量的網格，根據劃分網格后的特征圖像識別所述臟污所在目標方框，獲取所述目標方框的位置和置信度分數；其中，所述獲取置信度分數，包括：根據所述卷積神經網絡獲取所述目標方框的概率值，根據預設函數對所述概率值進行計算，以獲取所述置信度分數。
9、其中，通過將所述特征圖像劃分為預設數量的網格，能夠對圖像進行更加細致的分析。使得能夠在局部區域內更精準地定位臟污的位置，從而提高檢測的準確性。通過對所述概率值進行計算，提高了目標方框識別的可靠性。
10、進一步的，所述獲得臟污遮擋的預測概率，包括：
11、根據預設的置信度閾值對所述目標方框進行篩選。通過目標運動模型對篩選后的目標方框進行實時跟蹤。根據所述置信度分數和實時跟蹤到的目標方框計算遮擋影響程度。根據所述遮擋影響程度獲取所述臟污遮擋的預測概率。
12、其中，通過對目標方框進行篩選，確保了預測結果的準確性，通過對篩選后的目標方框進行實時跟蹤，從而能夠及時地捕捉臟污狀態的變化。
13、進一步的，所述通過目標運動模型對篩選后的目標方框進行實時跟蹤，包括：
14、實時記錄當前所述目標方框的第一位置和區域。
15、通過所述目標運動模型預測下一幀目標方框的第二位置。
16、根據所述第一位置、第二位置以及所述區域計算當前目標方框與下一幀的目標方框的重疊區域占比。
17、判斷所述重疊區域占比是否大于預設閾值，若是，則判定所述目標方框跟蹤成功并保留所述下一幀的目標方框；否則，判定所述目標方框跟蹤失敗，剔除所述下一幀的目標方框并根據所述目標運動模型重新預測下一幀目標方框的位置直至跟蹤成功。
18、其中，通過計算當前目標方框與下一幀的目標方框的重疊區域占比，能夠有效地判斷下一幀的目標方框是否在視野內，從而提高了目標方框跟蹤的準確性。通過剔除跟蹤失敗的目標方框重新進行預測能夠自適應地調整跟蹤策略，提高了攝像頭臟污檢測的魯棒性。以及通過實時的對目標方框的跟蹤，提高了攝像頭臟污檢測的實時性。
19、進一步的，所述計算遮擋影響程度，包括：
20、獲取當前所述目標方框的區域所占整體圖像的面積比值。計算所述置信度分數與所述面積比值的乘積，以將所述乘積作為遮擋影響程度。
21、進一步的，所述根據所述遮擋影響程度獲取臟污遮擋的預測概率，包括：
22、計算當前幀所有目標方框的遮擋影響程度的平均值，將所述平均值作為所述臟污遮擋的預測概率。其中，通過計算所有目標方框的遮擋影響程度的平均值，能夠對整個攝像頭的遮擋情況進行全面評估，降低了因單一目標臟污遮擋導致的誤判，提高了攝像頭臟污遮擋檢測的準確性和穩定性。
23、進一步的，所述根據所述預測概率獲取攝像頭臟污檢測結果，包括：
24、根據當前幀的預測概率與上一幀的預測概率獲取預測概率變化值。當所述預測概率變化值小于預設變化閾值，并且當前幀的預測概率大于預設概率閾值時，判定當前攝像頭被臟污遮擋。其中，通過獲取預測概率變化值并對預測概率變化值進行判斷確保了臟污檢測結果的穩定性。
25、基于同一專利技術構思，本申請還提出一種攝像頭臟污檢測方法的系統，所述系統包括：
26、數據獲取模塊，用于獲取圖像數據，將所述圖像數據輸入至臟污檢測模型。
27、檢測模塊，用于通過所述臟污檢測模型從所述圖像數據中獲取特征圖像，基于所述特征圖像識別臟污所在目標方框，輸出所述目標方框的位置和置信度分數。
28、計算模塊，用于根據所述目標方框的位置和置信度分數計算獲得臟污遮擋的預測概率。
29、以及，判斷模塊，用于根據所述預測概率獲取攝像頭臟污檢測結果。
30、基于同一專利技術構思，本申請還提出一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機可執行指令，計算機可執行指令可被域控制器讀取并執行所述攝像頭臟污檢測方法。
31、與現有技術相比，本申請至少存在以下有益效果：
32、本申請通過臟污檢測模型對獲取的圖像數據進行特征圖像的提取，并基于所述特征圖像識別臟污所在目標方框的位置和置信度分數，有效地提高了攝像頭臟污檢測的精確性。通過對臟污遮擋的預測概率的計算以及根據預測概率獲取攝像頭臟污檢測結果，使得攝像頭臟污檢測結果更加可靠，有效地提高了攝像頭臟污檢本文檔來自技高網...
【技術保護點】
1.一種攝像頭臟污檢測方法，其特征在于，包括：
2.根據權利要求1所述的攝像頭臟污檢測方法，其特征在于，所述臟污檢測模型至少為卷積神經網絡，所述獲取特征圖像包括：
3.根據權利要求2所述的攝像頭臟污檢測方法，其特征在于，所述基于所述特征圖像識別臟污所在目標方框包括：
4.根據權利要求1所述的攝像頭臟污檢測方法，其特征在于，所述獲得臟污遮擋的預測概率，包括：
5.根據權利要求4所述的攝像頭臟污檢測方法，其特征在于，所述通過目標運動模型對篩選后的目標方框進行實時跟蹤，包括：
6.根據權利要求5所述的攝像頭臟污檢測方法，其特征在于，所述計算遮擋影響程度，包括：
7.根據權利要求4所述的攝像頭臟污檢測方法，其特征在于，所述根據所述遮擋影響程度獲取臟污遮擋的預測概率，包括：
8.根據權利要求1所述的攝像頭臟污檢測方法，其特征在于，所述根據所述預測概率獲取攝像頭臟污檢測結果，包括：
9.一種基于權利要求1-8任一所述的攝像頭臟污檢測方法的系統，其特征在于，所述系統包括：
10.一種計算
...【技術特征摘要】
1.一種攝像頭臟污檢測方法，其特征在于，包括：
2.根據權利要求1所述的攝像頭臟污檢測方法，其特征在于，所述臟污檢測模型至少為卷積神經網絡，所述獲取特征圖像包括：
3.根據權利要求2所述的攝像頭臟污檢測方法，其特征在于，所述基于所述特征圖像識別臟污所在目標方框包括：
4.根據權利要求1所述的攝像頭臟污檢測方法，其特征在于，所述獲得臟污遮擋的預測概率，包括：
5.根據權利要求4所述的攝像頭臟污檢測方法，其特征在于，所述通過目標運動模型對篩選后的目標方框進行實時跟蹤，包括：
6.根據權利要求5所述的攝像頭臟污檢測方法...
【專利技術屬性】
技術研發人員：陳炫翰，劉妮妮，李玉鑫，趙晟皓，于夢瀅，姚松杉，黃梓航，伍小軍，
申請(專利權)人：惠州市德賽西威汽車電子股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。