[发明专利]一种360度全景环视设备拼接图像评价方法

说明书

本发明公开了一种360度全景环视设备拼接图像评价计算方法，包括以下步骤：S1:生成训练数据集和获取测试数据集；S2:构建并训练YOLOV3网络模型；S3:预检测360度全景环视设备的拼接图像；S4:基于训练的YOLOV3网络模型测试预检测后的图像；S5:对YOLOV3网络模型检测后的结果进行评分；该方法基于深度学习，生成训练数据集合和测试数据集，构建卷积神经网络；根据卷积神经网络计算全景拼接图像的拼接重影参数、拼接错位参数、损失图像参数以及拼接缝隙参数；生成测试报告，并存储数据；该方法代替人工检测360度全景环视设备拼接图像质量，判定待检360度全景环视设备成像系统质量好坏，为360度全景环视设备成像质量判断提供科学手段。

技术领域

本发明涉及拼接图像质量评价领域，尤其是一种360度全景环视设备拼接

图像评价方法。

技术背景

随着经济的发展，人们生活水平的提高，汽车的产量和销量逐年递增，与此同时，行车安全对人们生命财产安全的影响越来越大。由于驾驶员视觉盲区的存在，极易造成判断和操作失误，从而导致吞人卷车、汽车追尾等交通事故频发，驾驶员视野盲区成为获取汽车周围环境信息的最大障碍。汽车盲区是指驾驶员坐在驾驶座位上由于车体遮挡而看不到的那部分区域。为了解决这些问题，360度全景环视设备迅速萌芽并发展起来，在无人驾驶和汽车电子安全驾驶领域具有广阔的应用前景。360度全景环视设备是一种基于机器视觉的车辆辅助驾驶系统，是利用安装在车辆四周的广角摄像头，通过图像变换重构车辆以及周围场景的鸟瞰视角图像，驾驶员可以安全泊车、避开障碍物和消除视觉盲区，达到安全行车的目的。

目前，360度全景环视设备图像融合质量评估方法主要是采用主观评价，主观评价法一般通过非线性问卷实现，其依赖于主观验证的应用范围和方法，主观评价方法存在如下三方面的缺点：（1）受环境的影响较大；（2）无法做出精确定量分析；（3）评估过程繁琐；更重要的是，主观评价方法需要消耗大量的物力和人力，不利于实际应用。

鉴于以上技术问题，以下提出本发明及其实施例。

发明内容

在下文中将给出关于本发明公开内容的简要概述，以便提供关于本发明公开内容某些方面的基本理解。应当理解，此概述并不是关于本发明公开内容的穷举性概述。它并不是意图确定本发明公开内容的关键或重要部分，也不是意图限定本发明公开内容的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。

针对以上问题，本发明提供了一种360度全景环视设备拼接图像评价方法，该方法代替人工检测360度全景环视设备的拼接图像质量，判定待检360度全景环视设备成像系统质量好坏，本发明为360度全景环视设备成像质量判断提供了科学手段。

一种360度全景环视设备拼接图像评价方法，主要包括以下步骤：S1：生成训练数据集和获取测试数据集；S2：构建并训练YOLOV3网络模型；S3：预检测360度全景环视设备的拼接图像；S4：基于训练的YOLOV3网络模型测试预检测后的图像； S5：对YOLOV3网络模型检测后的结果进行评分。

进一步地，其中，所述步骤S1包括S101、S102、S103、S104；

S101：获取360度全景环视设备的拼接图像；

S102：生成图像数据集；通过获取的360度全景环视设备拼接图像，对图像

进行标注，找出全景拼接图像中拼接重影、拼接损失、拼接错位以及拼接缝隙的位置，并标注每个位置的类别；

S103：将图像数据集按a：b划分为训练集和验证集，其中a的取值范围为7～9，b的取值范围为1～3；

S104：获取测试数据集。

进一步地，其中，所述步骤S2包括S201、S202；

S201：构建YOLOV3网络模型；以步骤S1生成的训练数据集中的图像为输入，生成一个YOLOV3网络模型，该网络模型主要由输入层、主干特征提取层以及特征融合输出层组成；