[发明专利]图像模糊程度评价模型的构建方法

说明书

本发明提供了一种图像模糊程度评价模型的构建方法，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；根据检测框从原始图像中裁剪出目标图像；将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标准图像添加模糊程度标签得到样本图像；将样本图像喂入初始学习网络得到目标学习网络；将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。本发明还提供了一种图像模糊程度评价模型、图像模糊程度的评价方法、计算机可读存储介质以及智能驾驶设备。通过上述方法获得图像模糊程度评价模型，利用该模型对车载辅助驾驶系统中获取的图像的模糊程度进行判断，获得准确的图像中目标的模糊程度。

技术领域

本发明涉及自动驾驶领域，尤其涉及一种图像模糊程度评价模型的构建方法、图像模糊程度评价模型、图像模糊程度的评价方法、计算机可读存储介质以及智能驾驶设备。

背景技术

在车载辅助驾驶系统中，我们需要对前方道路上的车辆、行人等各种目标的位置以及运动状态进行准确的判断。按照常规的流程，我们首先需要通过检测网络对道路上的目标进行检测，然后对检测后的目标精细化的属性分析，具体包括目标的位置信息、目标的状态信息、目标的特有属性等等。虽然神经网络对目标类别、位置等信息的判断已经有一个较高的精确度，但是雨雪天气、强逆光或者运动模糊等因素会对目标的成像造成一定的影响，从而导致目标在图像中成像质量不高。在这种情形下，目标本身的轮廓以及纹理必然会变得模糊，从而会影响后面神经网络对目标进行精细化的属性分析。当图像中目标因为上述因素导致模糊时，我们需要对成像的模糊程度进行一个相对精确的判断。依据模糊程度可以对后续的目标属性分析提供一个置信度。当图像清晰时，我们认为当前目标的状态是可信的，当图像模糊时，我们认为当前目标的状态是不可信的。

图像在获取、传输、处理过程中都有很多因素可能造成图像模糊，比如在获取图像时，不正确的聚焦会产生离焦模糊，目标和相机的相对运动会造成运动模糊，图像压缩后的高频丢失造成的模糊，相机镜头污渍或光线强弱造成的模糊等等。图像模糊降低了图像的清晰度，严重影响图像质量，导致图像分析、处理的困难甚至失败，因此必须要使用有效的模糊评价方法来控制模糊图像的使用，从而提高系统整体性能。如何准确方便的获取图像中目标的模糊程度，成为车载辅助驾驶系统中不可或缺的一环。通过对图像中目标状态进行判断，我们可以获取该目标属性分析的可信度，从而减少整个辅助驾驶系统的决策误差，进一步优化用户的驾驶体验以及提升驾驶安全。

因此，如何准确方便的获取图像中目标的模糊程度的模型是亟需解决的问题。

发明内容

本发明提供一种图像模糊程度评价模型的构建方法、图像模糊程度评价模型、图像模糊程度的评价方法、计算机可读存储介质以及智能驾驶设备，利用通过本方案得到的模型对车载辅助驾驶系统获取的图像的模糊程度进行判断，获得准确的图像中目标的模糊程度。

第一方面，本发明实施例提供一种图像模糊程度评价模型的构建方法，该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；

根据检测框从原始图像中裁剪出目标图像；

将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标准图像添加模糊程度标签得到样本图像；

将样本图像喂入初始学习网络得到目标学习网络；

将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，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。

第二方面，本发明实施例提供一种图像模糊程度评价模型，该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；根据检测框从原始图像中裁剪出目标图像；将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标准图像添加模糊程度标签得到样本图像；