[发明专利]图像模糊程度评价模型的构建方法

权利要求书

1.一种图像模糊程度评价模型的构建方法，其特征在于，所述图像模糊程度评价模型的构建方法包括：

利用检测网络为原始图像添加检测框；

根据所述检测框从所述原始图像中裁剪出目标图像；

将所述目标图像处理为预设的尺寸的标准图像；

根据拉普拉斯算子为所述标准图像添加模糊程度标签得到样本图像；

将所述样本图像喂入初始学习网络得到目标学习网络；以及

将所述目标学习网络和拉普拉斯算法模块进行组合得到图像模糊程度评价模型，所述拉普拉斯算法模块包括一个由拉普拉斯算子定义的3*3的卷积核。

2.如权利要求1所述的图像模糊程度评价模型的构建方法，其特征在于，根据拉普拉斯算子为所述标准图像添加模糊程度标签得到样本图像，具体包括：

利用拉普拉斯算子边缘检测算法计算所述标准图像的二阶导数；

根据所述二阶导数得到方差；

根据拟合规则将所述方差转化为0~1之间的所述模糊程度标签；以及

将所述模糊程度标签添加至所述标准图像得到所述样本图像。

3.如权利要求2所述的图像模糊程度评价模型的构建方法，其特征在于，在根据拟合规则将所述方差转化为0~1之间的所述模糊程度标签之前，还包括：

获取所述方差的分布范围；

根据所述分布范围的分布区间得到约束范围；

根据所述约束范围与0~1之间的数值的对应关系得到转化公式；以及

将所述约束范围和所述转化公式组合为所述拟合规则。

4.如权利要求3所述的图像模糊程度评价模型的构建方法，其特征在于，将所述约束范围和所述转化公式组合为所述拟合规则，其中，所述约束范围具体为：

V是所述标准图像的方差，VN是处于所述约束范围内标准图像的方差；

其中，所述转化公式具体为：

VNN是模糊程度标签，VNN值域范围在0~1之间。

5.如权利要求1所述的图像模糊程度评价模型的构建方法，其特征在于，在将所述样本图像喂入初始学习网络得到目标学习网络之前，还包括：

根据所述模糊程度标签对所述样本图像进行排序；

获取工作人员对相邻两张所述样本图像之间的模糊程度的评价结果；以及

若所述评价结果和相邻两张所述样本图像之间排序不匹配，剔除不匹配的样本图像。

6.如权利要求1所述的图像模糊程度评价模型的构建方法，其特征在于，所述检测网络为YOLOv5。

7.一种图像模糊程度评价模型，其特征在于，所述图像模糊程度评价模型包括：

目标图像获取模块：利用检测网络为原始图像添加检测框；根据所述检测框从所述原始图像中裁剪出目标图像；将所述目标图像处理为预设的尺寸的标准图像；

模糊程度标签生成模块：根据拉普拉斯算子为所述标准图像添加模糊程度标签得到样本图像；

深度学习神经网络训练模块：将所述样本图像喂入初始学习网络得到目标学习网络；将所述目标学习网络和拉普拉斯算法模块进行组合得到图像模糊程度评价模型，所述拉普拉斯算法模块包括一个由拉普拉斯算子定义的3*3的卷积核。

8.一种图像模糊程度的评价方法，其特征在于，所述图像模糊程度的评价方法包括：

利用检测网络为待检测图像添加检测框；

根据所述检测框从所述待检测图像中裁剪出目标图像；

将所述目标图像处理为预设的尺寸的标准图像；

将所述标准图像输入根据如权利要求1~6中任意一项图像模糊程度评价模型的构建方法得到的目标模型得到所述待检测图像的模糊程度。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有能够被处理器加载并执行的如权利要求1~6任意一项所述的图像模糊程度评价模型的构建方法的程序指令。

10.一种智能驾驶设备，所述智能驾驶设备包括车身以及设置于所述车身的计算机设备，其特征在于，所述计算机设备包括：

存储器，用于存储程序指令；以及

处理器，用于执行所述程序指令以使所述计算机设备实现如权利要求1~6任意一项所述的图像模糊程度评价模型的构建方法。