[发明专利]基于人工智能的车信图像处理方法、装置及电子设备

权利要求书

1.一种基于人工智能的车信图像处理方法，其特征在于，所述方法包括：

基于多个车信类型的车信图像样本，生成对应所述多个车信类型的车信公共模板，并获取所述车信公共模板的标定点集合；

其中，所述标定点集合包括与每个所述车信类型对应的多个标定点；

对包括目标车信的车信图像进行特征提取处理，得到所述车信图像的特征图；

对所述特征图进行标定点掩码回归处理，得到所述车信图像中对应每个所述标定点的预测掩码；

通过M个回归网络对所述车信图像进行前置回归处理，得到所述车信图像的前置回归处理结果，其中，M为大于或者等于1的整数；

通过后置坐标回归网络对所述前置回归处理结果进行后置坐标回归处理，得到针对每个所述标定点的预测坐标；

基于所述预测掩码，从所述标定点集合中确定对应所述目标车信的车信类型的多个目标标定点，并基于每个所述目标标定点的预测坐标，确定所述车信图像中目标车信的位置。

2.根据权利要求1所述的方法，其特征在于，所述基于多个车信类型的车信图像样本，生成对应所述多个车信类型的车信公共模板，包括：

提取每个所述车信图像样本的车信；

对多个所述车信进行尺寸调整处理，得到具有相同尺寸的车信；

对多个具有相同尺寸的车信进行合并处理，得到对应所述多个车信类型的车信公共模板。

3.根据权利要求1所述的方法，其特征在于，所述对包括目标车信的车信图像进行特征提取处理，得到所述车信图像的特征图，包括：

提取所述车信图像的卷积特征，并对所述车信图像的卷积特征进行最大池化处理，得到所述车信图像的池化特征；

对所述车信图像的池化特征进行多次残差迭代处理，得到所述车信图像的残差迭代处理结果，并将所述残差迭代处理结果作为所述车信图像的特征图。

4.根据权利要求1所述的方法，其特征在于，所述标定点掩码回归处理是通过掩码回归网络执行的，所述掩码回归网络包括第一池化层、第一全连接层以及第一特征提取层，所述对所述特征图进行标定点掩码回归处理，得到所述车信图像中对应每个所述标定点的预测掩码，包括：

通过所述第一特征提取层对所述车信图像的特征图进行多次掩码特征提取处理，得到所述特征图的掩码回归特征；

通过所述第一池化层对所述特征图的掩码回归特征进行平局池化处理，得到所述特征图的平均掩码池化特征；

通过所述第一全连接层对所述特征图的平均掩码池化特征进行第一全连接处理，得到针对每个所述标定点的预测掩码。

5.根据权利要求1所述的方法，其特征在于，所述通过M个回归网络对所述车信图像进行前置回归处理，得到所述车信图像的前置回归处理结果，包括：

当M取值为1时，通过所述回归网络，对所述特征图进行前置回归处理，得到所述车信图像的前置回归处理结果；

当M取值大于1时，通过所述M个回归网络中的第m回归网络，对所述第m回归网络的输入进行回归处理，并将所述第m回归网络输出的第m回归处理结果传输到第m+1回归网络以继续进行回归处理，得到对应所述第m+1回归处理结果；其中，m为取值从1开始递增的整数变量，m的取值范围为 ，当m取值为1时，所述第m回归网络的输入为所述特征图，当m取值为 时，所述第m回归网络的输入为第m-1回归网络输出的第m-1回归处理结果，当m取值为M-1时，所述第m+1回归网络的输出是所述前置回归处理结果。

6.根据权利要求5所述的方法，其特征在于，所述第m回归网络包括第m坐标回归网络和第m热图堆叠网络，所述通过所述M个回归网络中的第m回归网络，对所述第m回归网络的输入进行回归处理，包括：

通过所述m坐标回归网络对所述第m回归网络的输入进行第m坐标回归处理，得到针对每个所述标定点的第m预测坐标；

基于每个所述标定点的预测掩码，从所述多个标定点中选择出多个有效标定点；

基于所述多个有效标定点，确定对应所述车信图像的第m热图；

对所述特征图进行上采样处理，并将所述特征图的上采样处理结果与所述第m热图进行堆叠处理，得到所述第m回归处理结果。