一种确定监控图像中斑马线的方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了一种确定监控图像中斑马线的方法、装置、设备及介质，用以解决现有技术中移动物体对斑马线可能发生遮挡，使监控场景中斑马线的完整度得不到保证的问题。鉴于移动物体对斑马线的遮挡是随时间的推移而变化的，由于本发明专利技术实施例可以基于至少两个监控图像的第一概率向量，确定该至少两个监控图像对应的融合图像的第二概率向量，其中第二概率向量包括融合图像中每个像素点为斑马线像素点的第二概率值，针对融合图像中的每个像素点，若该像素点的第二概率值不小于预设的概率阈值，则将该像素点确定为斑马线像素点，从而可以减小移动物体对监控场景中斑马线的完整度的影响，在一定程度上保证可以获取到完整度相对较高的斑马线图像。

【技术实现步骤摘要】
一种确定监控图像中斑马线的方法、装置、设备及介质
本专利技术涉及图像处理
，尤其涉及一种确定监控图像中斑马线的方法、装置、设备及介质。
技术介绍
通常情况下，行人和车辆均应当按照交通信号灯的指示规范有序通行。然而，在实际生活中，行人和车辆闯红灯的现象屡见不鲜，这不仅会妨碍其他行人和车辆的正常行驶，导致路口通行效率低下，更加可能造成交通事故，是一种对自身和他人的安全不负责任的行为。为了减少交通事故、规范交通秩序、提升城市形象，建立智慧交通系统是未来交通系统的发展方向。其中监控图像中斑马线的完整度越高，越有利于智慧交通系统中对闯红灯行为的准确判别。然而在实际监控场景中，斑马线经常会被一些移动物体所遮挡，图1为本专利技术实施例提供的一种斑马线被遮挡的示意图，图2为本专利技术实施例提供的另一种斑马线被遮挡的示意图，如图1和图2所示，例如在绿灯时，行人和车辆过马路时会对斑马线造成遮挡；在红灯时，斑马线又可能会被闯红灯的行人和车辆遮挡，移动物体对斑马线的遮挡可能会使监控图像中斑马线的完整度得不到保证，因此亟需一种可以减小移动物体对斑马线的完整度的影响，保证可以获取到完整度相对较高的斑马线图像的技术方案。
技术实现思路
本专利技术提供了一种确定监控图像中斑马线的方法、装置、设备及介质，用以解决现有技术中移动物体对斑马线可能发生遮挡，使监控场景中斑马线的完整度得不到保证的问题。第一方面，本专利技术实施例提供了一种确定监控图像中斑马线的方法，所述方法包括：针对接收到的至少两个监控图像中的每个监控图像，将该监控图像输入预先训练完成的概率模型，确定该监控图像的第一概率向量，其中所述第一概率向量包括该监控图像中每个像素点为斑马线像素点的第一概率值；将至少两个监控图像的第一概率向量输入预先训练完成的融合模型，确定所述至少两个监控图像对应的融合图像的第二概率向量，其中所述第二概率向量包括融合图像中每个像素点为斑马线像素点的第二概率值；针对所述融合图像中的每个像素点，若该像素点的第二概率值不小于预设的概率阈值，则将该像素点确定为斑马线像素点。进一步地，所述将携带第一特征向量的至少两个监控图像输入预先训练完成的融合模型之前，所述方法还包括：针对接收到的至少两个监控图像中的每个监控图像，将该监控图像输入预先训练完成的目标检测模型，确定该监控图像的位置向量和第三概率向量，其中所述位置向量包括该监控图像中斑马线区域对应的第一位置、每个物体对应的第二位置，所述第三概率向量包括该监控图像中每个像素点为斑马线像素点和任一物体像素点的第三概率值；针对每个物体，若该物体的第二位置与所述斑马线区域的第一位置部分重叠，则将该物体和所述斑马线区域确定为关注目标；并根据预先保存的关注目标标识，确定该监控图像的关注标识向量，其中所述关注标识向量中该监控图像的所述关注目标的像素点对应有所述关注目标标识；将所述第三概率向量和所述关注标识向量输入预先训练完成的权重确定模型，确定所述关注目标的权重向量，其中所述权重向量包括所述关注目标的每个像素点对应的目标权重系数；针对关注目标对应的每个像素点，根据该像素点对应的目标权重系数与该像素点的第一概率值，对该像素点的第一概率值进行更新。进一步地，若该物体的第二位置与所述斑马线区域的第一位置部分重叠，所述将该物体和所述斑马线区域确定为关注目标之前，所述方法还包括：基于至少两个监控图像，确定该物体的速度，判断所述速度是否大于预设的速度阈值，若是，则进行后续将该物体和所述斑马线区域确定为关注目标的步骤。进一步地，训练所述概率模型的过程包括：获取样本集中任一样本图像，所述样本图像对应有第一样本概率向量，其中所述第一样本概率向量包括所述样本图像中每个像素点为斑马线像素点的第一样本概率值；通过原始概率模型，确定所述样本图像的第一识别概率向量，其中所述第一识别概率向量包括所述样本图像中每个像素点为斑马线像素点的第一识别概率值；根据所述第一样本概率向量和所述第一识别概率向量，对原始概率模型进行训练，得到训练完成的概率模型。进一步地，训练所述融合模型的过程包括：获取样本集中至少两个样本图像的第一概率向量，所述至少两个样本图像的第一概率向量对应有样本融合图像的第二样本概率向量，其中所述第二样本概率向量包括所述样本融合图像中每个像素点为斑马线像素点的第二样本概率值；通过原始融合模型，确定所述至少两个样本图像对应的识别融合图像的第二识别概率向量，其中所述第二识别概率向量包括所述识别融合图像中每个像素点为斑马线像素点的第二识别概率值；根据所述第二样本概率向量和所述第二识别概率向量，对原始融合模型进行训练，得到训练完成的融合模型。进一步地，训练所述目标检测模型的过程包括：获取样本集中任一包含有候选关注目标的样本图像，所述样本图像对应有样本类型标签、所述样本类型标签对应的候选关注目标在所述样本图像中的样本位置信息、以及第三样本概率向量；其中所述样本类型标签用于标识所述样本图像中包含的候选关注目标的类型，所述第三样本概率向量包括所述样本图像中每个像素点为任一候选关注目标像素点的第三样本概率值；通过原始目标检测模型，确定所述样本图像中包含的候选关注目标的识别类型标签、对应的识别位置信息以及第三识别概率向量，其中所述第三识别概率向量包括所述样本图像中每个像素点为任一候选关注目标像素点的第三识别概率值；根据所述样本类型标签和所述识别类型标签、所述样本位置信息和所述识别位置信息、以及所述第三样本概率向量和所述第三识别概率向量，对原始目标检测模型进行训练，得到训练完成的目标检测模型。进一步地，训练所述权重确定模型的过程包括：获取样本集中任一样本图像的第三概率向量和关注标识向量，所述样本图像的第三概率向量和关注标识向量对应有样本权重向量，其中所述样本权重向量包括样本图像中关注目标的每个像素点对应的样本权重系数；通过原始权重确定模型，确定所述样本图像的第三概率向量和关注标识向量对应的识别权重向量，其中所述识别权重向量包括样本图像中关注目标的每个像素点对应的识别权重系数；根据所述样本权重向量和所述识别权重向量，对原始权重确定模型进行训练，得到训练完成的权重确定模型。第二方面，本专利技术实施例还提供了一种确定监控图像中斑马线的装置，所述装置包括：第一确定模块，用于针对接收到的至少两个监控图像中的每个监控图像，将该监控图像输入预先训练完成的概率模型，确定该监控图像的第一概率向量，其中所述第一概率向量包括该监控图像中每个像素点为斑马线像素点的第一概率值；融合模块，用于将至少两个监控图像的第一概率向量输入预先训练完成的融合模型，确定所述至少两个监控图像对应的融合图像的第二概率向量，其中所述第二概率向量包括融合图像中每个像素点为斑马线像素点的第二概率值；第二确定模块，用于针对所述融合图像中的每个像素点，若该像素点的第二概率值不小于预设的概率阈值，则将该像素点确定为斑马线像素点。...

【技术保护点】
1.一种确定监控图像中斑马线的方法，其特征在于，所述方法包括：/n针对接收到的至少两个监控图像中的每个监控图像，将该监控图像输入预先训练完成的概率模型，确定该监控图像的第一概率向量，其中所述第一概率向量包括该监控图像中每个像素点为斑马线像素点的第一概率值；/n将至少两个监控图像的第一概率向量输入预先训练完成的融合模型，确定所述至少两个监控图像对应的融合图像的第二概率向量，其中所述第二概率向量包括融合图像中每个像素点为斑马线像素点的第二概率值；/n针对所述融合图像中的每个像素点，若该像素点的第二概率值不小于预设的概率阈值，则将该像素点确定为斑马线像素点。/n

【技术特征摘要】
1.一种确定监控图像中斑马线的方法，其特征在于，所述方法包括：
针对接收到的至少两个监控图像中的每个监控图像，将该监控图像输入预先训练完成的概率模型，确定该监控图像的第一概率向量，其中所述第一概率向量包括该监控图像中每个像素点为斑马线像素点的第一概率值；
将至少两个监控图像的第一概率向量输入预先训练完成的融合模型，确定所述至少两个监控图像对应的融合图像的第二概率向量，其中所述第二概率向量包括融合图像中每个像素点为斑马线像素点的第二概率值；
针对所述融合图像中的每个像素点，若该像素点的第二概率值不小于预设的概率阈值，则将该像素点确定为斑马线像素点。


2.根据权利要求1所述的方法，其特征在于，所述将携带第一特征向量的至少两个监控图像输入预先训练完成的融合模型之前，所述方法还包括：
针对接收到的至少两个监控图像中的每个监控图像，将该监控图像输入预先训练完成的目标检测模型，确定该监控图像的第三概率向量和位置向量，其中所述位置向量包括该监控图像中斑马线区域对应的第一位置、每个物体对应的第二位置，所述第三概率向量包括该监控图像中每个像素点为斑马线像素点和任一物体像素点的第三概率值；
针对每个物体，若该物体的第二位置与所述斑马线区域的第一位置部分重叠，则将该物体和所述斑马线区域确定为关注目标；并根据预先保存的关注目标标识，确定该监控图像的关注标识向量，其中所述关注标识向量中该监控图像的所述关注目标的像素点对应有所述关注目标标识；将所述第三概率向量和所述关注标识向量输入预先训练完成的权重确定模型，确定所述关注目标的权重向量，其中所述权重向量包括所述关注目标的每个像素点对应的目标权重系数；针对关注目标对应的每个像素点，根据该像素点对应的目标权重系数与该像素点的第一概率值，对该像素点的第一概率值进行更新。


3.根据权利要求2所述的方法，其特征在于，若该物体的第二位置与所述斑马线区域的第一位置部分重叠，所述将该物体和所述斑马线区域确定为关注目标之前，所述方法还包括：
基于至少两个监控图像，确定该物体的速度，判断所述速度是否大于预设的速度阈值，若是，则进行后续将该物体和所述斑马线区域确定为关注目标的步骤。


4.根据权利要求1所述的方法，其特征在于，训练所述概率模型的过程包括：
获取样本集中任一样本图像，所述样本图像对应有第一样本概率向量，其中所述第一样本概率向量包括所述样本图像中每个像素点为斑马线像素点的第一样本概率值；
通过原始概率模型，确定所述样本图像的第一识别概率向量，其中所述第一识别概率向量包括所述样本图像中每个像素点为斑马线像素点的第一识别概率值；
根据所述第一样本概率向量和所述第一识别概率向量，对原始概率模型进行训练，得到训练完成的概率模型。


5.根据权利要求1所述的方法，其特征在于，训练所述融合模型的过程包括：
获取样本集中至少两个样本图像的第一概率向量，所述至少两个样本图像的第一概率向量对应有样本融合图像的第二样本概率向量，其中所述第二样本概率向量包括所述样本融合图像中每个像素点为斑马线像素点的第二样本概率值；
通过原始融合模型，确定所述至少两个样本图像对应的识别融合图像的第二识别概率向量，其中所述第二识别概率向量包括所述识别融合图像中每个像素点为斑马线像素点的第二识别概率值；
根据所述第二样本概率向量和所述第二识别概率向量，对原始融合模型进行训练，得到训练完成的融合模型。


6.根据权利要求2所述的方法，其特征在于，训练所述目标检测模型的过程包括：
获取样本集中任一包含有候选关注目标的样本图像，所述样本图像对应有样本类型标签、所述样本类型标签对应的候选关注目标在所述样本图像中的样本位置信息、以及第三样本概率向量；其中所述样本类型标签用于标识所述样本图像中包含的候选关注目标的类型，所述第三...

【专利技术属性】
技术研发人员：王耀农，王志庆，王亚运，林骏，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：浙江;33