本技術(shù)涉及圖像識別，具體涉及一種危險源識別方法、裝置、電子設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、在汽車行業(yè)的快速發(fā)展中，智能駕駛和自動駕駛技術(shù)已成為未來交通系統(tǒng)的核心方向。隨著這些技術(shù)的不斷推進(jìn)，車輛安全性問題日益突出，尤其是在復(fù)雜的駕駛環(huán)境下，如何確保駕駛員和乘客的安全成為了關(guān)鍵研究課題。以往，普通的人工智能算法雖然能夠在一定程度上判斷危險源，但由于并沒有針對車身360圖像的特點進(jìn)行深入探究，算法不能很好地挖掘圖像中不同危險源的特征，導(dǎo)致模型的判斷能力相對不強，缺乏對該問題的針對性。

技術(shù)實現(xiàn)思路

1、為了解決上述技術(shù)問題或者至少部分地解決上述技術(shù)問題，本技術(shù)提供了一種危險源識別方法、裝置、電子設(shè)備及存儲介質(zhì)。

2、第一方面，本技術(shù)提供了一種危險源識別方法，所述方法包括：

3、獲取待識別危險源的待識別圖像數(shù)據(jù)；

4、對所述待識別圖像數(shù)據(jù)進(jìn)行預(yù)處理，得到待識別灰度圖像；

5、基于預(yù)先訓(xùn)練的分類判別模型對所述待識別灰度圖像進(jìn)行危險源識別，得到危險源數(shù)量以及每個危險源的危險度；其中，所述分類判別模型由深度自編碼器和分類器訓(xùn)練得到；所述深度自編碼器的編碼器為基于在通道上疊加的密集連接的卷積網(wǎng)絡(luò)架構(gòu)。

6、可選地，基于預(yù)先訓(xùn)練的分類判別模型對所述待識別灰度圖像進(jìn)行危險源識別，得到危險源數(shù)量以及每個危險源的危險度之前，所述方法還包括：獲取所述分類判別模型；

7、其中，所述分類判別模型的訓(xùn)練過程包括：

8、獲取訓(xùn)練樣本數(shù)據(jù)；其中，所述訓(xùn)練樣本數(shù)據(jù)包括第一訓(xùn)練樣本和第二訓(xùn)練樣本；所述第一訓(xùn)練樣本中為多個不含危險源的非危險車身全景圖像，所述第二訓(xùn)練樣本中包括多個目標(biāo)訓(xùn)練樣本對，所述目標(biāo)訓(xùn)練樣本對包括一個危險車身全景圖像和一個非危險車身全景圖像；

9、獲取初始深度自編碼器和初始分類器；其中，初始深度自編碼器的編碼器基于密集卷積網(wǎng)絡(luò)的網(wǎng)絡(luò)卷積部分搭建；所述初始分類器基于密集卷積網(wǎng)絡(luò)的分類頭部分搭建；

10、基于所述第一訓(xùn)練樣本訓(xùn)練所述初始深度自編碼器，得到深度自編碼器；

11、基于所述第二訓(xùn)練樣本訓(xùn)練所述初始分類器，得到分類器；

12、將所述深度自編碼器的編碼器和所述分類器作為所述分類判別模型。

13、可選地，獲取訓(xùn)練樣本數(shù)據(jù)，包括：

14、獲取車身全景圖像；

15、對所述車身全景圖像進(jìn)行預(yù)處理，得到全景灰度圖像；其中，所述全景灰度圖像包括m個不含危險源的非危險車身全景圖像和n個含危險源的危險車身全景圖像；所述m大于所述n；

16、從m個非危險車身全景圖像中確定第一圖像集合和第二圖像集合；其中，所述第一圖像集合中包括分別與n個危險車身全景圖像相對應(yīng)的n個非危險車身全景圖像，所述第二圖像集合中包括m個非危險車身全景圖像中不屬于所述第一圖像集合的其他圖像；

17、將所述其他圖像作為所述第一訓(xùn)練樣本；

18、將所述第一圖像集合和n個危險車身全景圖像作為所述第二訓(xùn)練樣本。

19、可選地，基于所述第一訓(xùn)練樣本訓(xùn)練所述初始深度自編碼器，得到深度自編碼器，包括：

20、獲取重建誤差函數(shù)；

21、分別對所述第一訓(xùn)練樣本中的每個樣本數(shù)據(jù)執(zhí)行以下訓(xùn)練過程：

22、將樣本數(shù)據(jù)輸入到所述初始深度自編碼器的編碼器，得到對所述樣本數(shù)據(jù)進(jìn)行降維的隱向量；

23、將所述隱向量輸入到所述初始深度自編碼器的解碼器，得到對所述隱向量進(jìn)行升維的還原數(shù)據(jù)；

24、基于所述重建誤差函數(shù)計算所述樣本數(shù)據(jù)與所述還原數(shù)據(jù)之間的重建誤差；

25、優(yōu)化所述初始深度自編碼器的參數(shù)后，從所述第一訓(xùn)練樣本中獲取下一個樣本數(shù)據(jù)，重復(fù)執(zhí)行所述訓(xùn)練過程，直至所述重建誤差趨于穩(wěn)定時，將所述初始深度自編碼器作為最終的所述深度自編碼器。

26、可選地，基于所述第二訓(xùn)練樣本訓(xùn)練所述初始分類器，得到分類器，包括：

27、分別對所述第二訓(xùn)練樣本中的每組樣本圖像執(zhí)行以下訓(xùn)練過程：

28、分別對一組樣本圖像中的每個樣本圖像進(jìn)行以下處理，將所述樣本圖像輸入至所述深度自編碼器進(jìn)行編碼，依次采用x個網(wǎng)絡(luò)層級，對所述樣本圖像進(jìn)行特征提取，獲得x個網(wǎng)絡(luò)層級的特征，并對所述x個網(wǎng)絡(luò)層級的特征進(jìn)行整合，得到所述樣本圖像中危險源的特征；其中，在x個網(wǎng)絡(luò)層級中的每個目標(biāo)網(wǎng)絡(luò)層級進(jìn)行特征提取時，在所述目標(biāo)網(wǎng)絡(luò)層級的輸入中疊加所述目標(biāo)網(wǎng)絡(luò)層級之前所有網(wǎng)絡(luò)層級的輸出；

29、將所述樣本圖像中危險源的特征輸入到所述初始分類器中對所述危險源進(jìn)行分類和判斷所述危險源的危險度；

30、根據(jù)危險源分類結(jié)果和危險度判斷結(jié)果，以及所述一組樣本圖像的危險源類別標(biāo)識和危險概率，計算損失函數(shù)，根據(jù)所述損失函數(shù)優(yōu)化所述初始分類器的參數(shù)后，從所述第二訓(xùn)練樣本中獲取下一組樣本圖像，重復(fù)執(zhí)行所述訓(xùn)練過程，直至所述損失函數(shù)趨于穩(wěn)定時，將所述初始分類器作為最終的所述分類器。

31、可選地，獲取初始深度自編碼器和初始分類器，包括：

32、獲取第一深度自編碼器和第一分類器；

33、將所述第一深度自編碼器的解碼器和所述第一分類器進(jìn)行權(quán)重初始化；

34、基于可視化數(shù)據(jù)庫訓(xùn)練參數(shù)對所述第一深度自編碼器的編碼器進(jìn)行初始化；

35、將初始化后的所述編碼器和所述解碼器作為所述初始深度自編碼器；

36、將所述初始化后的所述第一分類器作為所述初始分類器。

37、可選地，對所述車身全景圖像進(jìn)行預(yù)處理，得到全景灰度圖像，包括：

38、獲取預(yù)設(shè)的三色通道對應(yīng)的權(quán)重值，以及每個像素點的顏色值；

39、基于所述權(quán)重值和所述顏色值對所述車身全景圖像中每個像素點進(jìn)行加權(quán)平均計算，得到所述全景灰度圖像。

40、第二方面，本技術(shù)提供了一種危險源識別裝置，所述裝置包括：

41、獲取模塊，用于獲取待識別危險源的待識別圖像數(shù)據(jù)；

42、預(yù)處理模塊，用于對所述待識別圖像數(shù)據(jù)進(jìn)行預(yù)處理，得到待識別灰度圖像；

43、識別模塊，用于基于預(yù)先訓(xùn)練的分類判別模型對所述待識別灰度圖像進(jìn)行危險源識別，得到危險源數(shù)量以及每個危險源的危險度；其中，所述分類判別模型由深度自編碼器和分類器訓(xùn)練得到；所述深度自編碼器的編碼器部分為基于在通道上疊加的密集連接的卷積網(wǎng)絡(luò)架構(gòu)。

44、第三方面，本技術(shù)提供了一種電子設(shè)備，包括處理器、通信接口、存儲器和通信總線，其中，處理器，通信接口，存儲器通過通信總線完成相互間的通信；

45、存儲器，用于存放計算機(jī)程序；

46、處理器，用于執(zhí)行存儲器上所存放的程序時，實現(xiàn)第一方面任一項實施例所述的危險源識別方法的步驟。

47、第四方面，本技術(shù)提供了一種計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)如第一方面任一項實施例所述的危險源識別方法的步驟。

48、本技術(shù)的有益效果：

49、本技術(shù)實施例提供的該方法，獲取待識別危險源的待識別圖像數(shù)據(jù)；對所述待識別圖像數(shù)據(jù)進(jìn)行預(yù)處理，得到待識別灰度圖像；基于預(yù)先訓(xùn)練的分類判別模型對所述待識別灰度圖像進(jìn)行危險源識別，得到危險源數(shù)量以及每個危險源的危險度；其中，所述分類判別模型由深度自編碼器和分類器訓(xùn)練得到；所述深度自編碼器的編碼器為基于在通道上疊加的密集連接的卷積網(wǎng)絡(luò)架構(gòu)。該方法，訓(xùn)練分類判別模型的深度自編碼器的編碼器為基于在通道上疊加的密集連接的卷積網(wǎng)絡(luò)架構(gòu)，因此，分類判別模型可以對圖像中的危險源的數(shù)量及危險度等特征進(jìn)行判斷，提高了分類判別模型的識別能力，從而為自動駕駛技術(shù)的安全性提供了數(shù)據(jù)支持。