【技术实现步骤摘要】
本申请涉及图像处理，尤其涉及一种摄像头脏污检测模型的训练方法及摄像头脏污检测方法。
技术介绍
1、自动驾驶技术的快速发展对车辆的各种传感器，特别是摄像头，提出了更高的性能要求。摄像头作为自动驾驶系统中的重要组成部分，负责捕捉道路和周围环境的信息，对于车辆决策和导航具有至关重要的作用。然而，在实际使用中，摄像头很容易受到外部环境因素的影响，如灰尘、泥浆、水滴等脏污物的附着。这些脏污物不仅可能影响摄像头的画质，更可能导致摄像头捕捉到的信息失真，进而影响自动驾驶系统的判断和决策，甚至可能引发安全隐患。因此，为了保障自动驾驶系统的稳定性和安全性，就需要有一种能够实时检测摄像头脏污的技术用于提醒驾驶员。
2、现有技术中，通常是基于边缘检测算法或者模糊度评估算法来检测摄像头脏污，但采用这边方式依赖于判定阈值的选取，由于实际应用场景受光线变化、背景干扰等因素影响，使得选取的判定阈值无法适用不同的驾驶环境、不同的光照强度等场景，导致摄像头脏污检测结果的准确性较低。因此，如何提高摄像头脏污检测结果的准确性，成为亟待解决的技术问题。
技术实现思路
1、本申请提供了一种摄像头脏污检测模型的训练方法及摄像头脏污检测方法，以解决现有的摄像头脏污检测方式存在检测结果准确性较低的问题。
2、第一方面，本申请实施例提供了一种摄像头脏污检测模型的训练方法，所述方法包括：
3、获取n个样本图像，其中，所述n个样本图像中的每个样本图像携带有图像属性标签，所述图像属性标签用于标识样本图
4、对所述n个样本图像进行特征提取，得到所述n个样本图像对应的n*m个第一特征描述子，其中，所述n*m个第一特征描述子用于描述所述n个样本图像中n*m个特征点对应的特征信息，m表示各样本图像中所包含的特征点的个数，m为大于1的整数；
5、对所述n*m个第一特征描述子进行聚类，得到k个聚类中心，其中，k为大于1的整数；
6、利用所述k个聚类中心对所述n*m个第一特征描述子进行统计分析，确定所述n个样本图像对应的n个第一特征向量，其中，所述n个第一特征向量与所述n个样本图像一一对应，所述n个第一特征向量用于表征所述n个样本图像中各样本图像的图像语义信息；
7、将所述n个样本图像对应的n个图像属性标签和所述n个第一特征向量输入至待训练分类模型进行训练，得到摄像头脏污检测模型。
8、可选地，所述对所述n个样本图像进行特征提取，得到所述n个样本图像对应的n*m个第一特征描述子，包括：
9、利用预设滤波算法对所述n个样本图像进行去噪处理，得到去噪处理后的n个样本图像；
10、利用预设特征提取算法对所述去噪处理后的n个样本图像进行特征提取，得到所述n*m个第一特征描述子，其中，所述n*m个第一特征描述子中的各第一特征描述子具有相同的维度。
11、可选地，所述对所述n*m个第一特征描述子进行聚类，得到k个聚类中心，包括：
12、s1、从所述n*m个第一特征描述子中随机选取k个第一特征描述子，并将选取出的k个第一特征描述子确定为k个初始聚类中心；
13、s2、计算所述n*m个第一特征描述子中各第一特征描述子分别与所述k个初始聚类中心之间的欧氏距离，并将各第一特征描述子划分至各自的欧氏距离最小的聚类簇中，得到k个聚类簇；
14、s3、计算所述k个聚类簇中各聚类簇内所有第一特征描述子的平均值，得到k个中间聚类中心，并将所述k个中间聚类中心作为新的k个初始聚类中心；
15、s4、重复执行步骤s2和步骤s3，直到满足预设条件后停止聚类，得到k个聚类中心，其中，所述预设条件为所述n*m个第一特征描述子中各第一特征描述子与所述k个聚类中心之间的最小欧氏距离均低于第一预设阈值。
16、可选地，所述利用所述k个聚类中心对所述n*m个第一特征描述子进行统计分析，确定所述n个样本图像对应的n个第一特征向量，包括：
17、获取第一初始向量，其中，所述第一初始向量包括k个元素，所述k个元素与所述k个聚类中心一一对应，所述k个元素中每个元素的初始值均为零；
18、计算所述n个样本图像中第i个样本图像内的各第一特征描述子与所述k个聚类中心之间的欧氏距离，并将所述第i个样本图像内的各第一特征描述子分别统计至各自的欧氏距离最小的聚类中心所对应的元素中，得到第一中间向量，i为小于或等于n的正整数；
19、根据所述第一中间向量，确定所述第i个样本图像对应的第一特征向量。
20、第二方面，本申请实施例还提供了一种摄像头脏污检测方法，所述方法包括：
21、获取待检测图像；
22、对所述待检测图像进行特征提取，得到所述待检测图像对应的m个第二特征描述子，其中，所述m个第二特征描述子用于描述所述待检测图像中m个特征点对应的特征信息，m为大于1的整数；
23、利用预先获取的k个聚类中心对所述m个第二特征描述子进行统计分析，确定所述待检测图像对应的第二特征向量，其中，所述k个聚类中心是预先利用n个样本图像对应的n*m个第一特征描述子进行聚类后得到，所述第二特征向量用于表征所述待检测图像的图像语义信息，k和n均为大于1的整数；
24、将所述第二特征向量输入至预先训练的摄像头脏污检测模型中进行检测，得到所述待检测图像的检测结果，其中，所述待检测图像的检测结果用于表征所述待检测图像为脏污图像的概率；
25、在所述待检测图像为脏污图像的概率大于第二预设阈值的情况下，确定摄像头存在脏污。
26、可选地，所述对所述待检测图像进行特征提取，得到所述待检测图像对应的m个第二特征描述子，包括：
27、利用预设滤波算法对所述待检测图像进行去噪处理，得到去噪处理后的待检测图像；
28、利用预设特征提取算法对所述去噪处理后的待检测图像进行特征提取，得到所述m个第二特征描述子，其中，所述m个第二特征描述子中的各第二特征描述子具有相同的维度。
29、可选地，所述利用预先获取的k个聚类中心对所述m个第二特征描述子进行统计分析，确定所述待检测图像对应的第二特征向量，包括：
30、获取第二初始向量，其中，所述第二初始向量包括k个元素，所述k个元素与所述k个聚类中心一一对应，所述k个元素中的每个元素的初始值为零；
31、计算所述m个第二特征描述子中各第二特征描述子与所述k个聚类中心之间的欧氏距离，并将所述m个第二特征描述子中各第二特征描述子分别统计至各自的欧氏距离最小的聚类中心所对应的元素中，得到第二中间向量；
32、根据所述第二中间向量，确定所述待检测图像对应的第二特征向量。
33、可选地，在所述将所述第二特征向量输入至预先训练的摄像头脏污检测模型中进行检测，得到所本文档来自技高网...
【技术保护点】
1.一种摄像头脏污检测模型的训练方法，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，所述对所述N个样本图像进行特征提取，得到所述N个样本图像对应的N*M个第一特征描述子，包括：
3.根据权利要求1所述的方法，其特征在于，所述对所述N*M个第一特征描述子进行聚类，得到K个聚类中心，包括：
4.根据权利要求1所述的方法，其特征在于，所述利用所述K个聚类中心对所述N*M个第一特征描述子进行统计分析，确定所述N个样本图像对应的N个第一特征向量，包括：
5.一种摄像头脏污检测方法，其特征在于，所述方法包括：
6.根据权利要求5所述的方法，其特征在于，所述对所述待检测图像进行特征提取，得到所述待检测图像对应的M个第二特征描述子，包括：
7.根据权利要求5所述的方法，其特征在于，所述利用预先获取的K个聚类中心对所述M个第二特征描述子进行统计分析，确定所述待检测图像对应的第二特征向量，包括：
8.根据权利要求5所述的方法，其特征在于，在所述将所述第二特征向量输入至预先训练的摄像头脏污检测模
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
10.一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，所述计算机程序被处理器执行时实现权利要求1-4任一项所述的摄像头脏污检测模型的训练方法，或者实现权利要求5-8任一项所述的摄像头脏污检测方法。
...【技术特征摘要】
1.一种摄像头脏污检测模型的训练方法，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，所述对所述n个样本图像进行特征提取，得到所述n个样本图像对应的n*m个第一特征描述子，包括：
3.根据权利要求1所述的方法，其特征在于，所述对所述n*m个第一特征描述子进行聚类，得到k个聚类中心，包括：
4.根据权利要求1所述的方法，其特征在于，所述利用所述k个聚类中心对所述n*m个第一特征描述子进行统计分析，确定所述n个样本图像对应的n个第一特征向量，包括：
5.一种摄像头脏污检测方法，其特征在于，所述方法包括：
6.根据权利要求5所述的方法，其特征在于，所述对所述待检测图像进行特征提取，得到所述待检测图像对应的m个第二特征描述子，包括...
【专利技术属性】
技术研发人员：曹雪峰，李杨，苏星溢，
申请(专利权)人：重庆赛力斯凤凰智创科技有限公司，
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。