倾斜目标的处理方法、装置、存储介质与处理器与流程

1.本技术涉及图像处理领域，具体而言，涉及一种倾斜目标的处理方法、装置、存储介质与处理器。


背景技术：

2.在现在大量摄像头使用的情况下，人脸检测、行人检测等功能被广泛地应用在移动端的摄像头上。在部分场景中，如舰船目标检测，需要对倾斜目标进行检测。如果使用传统的水平矩形框表示方法，难以准确的获取倾斜目标的角度信息。


技术实现要素：

3.本技术的主要目的在于提供一种倾斜目标的处理方法、装置、存储介质与处理器，以解决现有技术中难以准确地获取倾斜目标的角度信息的问题。
4.为了实现上述目的，根据本技术的一个方面，提供了一种倾斜目标的处理方法，包括：获取标注后的多个原始图像，所述原始图像中包括倾斜目标；确定各所述标注后的原始图像对应的位置密度图和方向密度图，所述位置密度图在所述倾斜目标的中心点的取值，不同于在所述原始图像中除所述中心点以外的点的取值，所述方向密度图在方向标志点的取值不同于在所述原始图像中除所述方向标志点以外的点的取值，所述方向标志点为所述倾斜目标上的非所述中心点的点；构建人工智能模型，所述人工智能模型为使用多组训练数据通过机器学习训练得到的，所述多组训练数据中的每一组训练数据均包括：所述原始图像、所述原始图像对应的位置密度图和所述原始图像对应的方向密度图；将待预测的目标图像输入至所述人工智能模型中进行运算，输出所述目标图像对应的目标位置密度图和目标方向密度图；根据所述目标位置密度图和目标方向密度图，确定所述目标图像中的倾斜目标的倾斜角度。
5.可选地，根据所述目标位置密度图和目标方向密度图，确定所述目标图像中的倾斜目标的倾斜角度，包括：根据所述目标位置密度图确定所述目标图像中的倾斜目标的中心点的坐标；根据所述目标方向密度图确定所述目标图像中的倾斜目标的方向标志点的坐标；根据所述中心点的坐标和所述方向标志点的坐标确定所述目标图像中的倾斜目标的倾斜角度。
6.可选地，根据所述目标位置密度图确定所述目标图像中的倾斜目标的中心点的坐标，包括：获取所述目标位置密度图的局部区域的第一极大值对应的坐标；确定所述第一极大值是否大于第一阈值；在所述第一极大值大于所述第一阈值的情况下，确定所述第一极大值对应的坐标为所述倾斜目标的中心点的坐标。
7.可选地，根据所述目标方向密度图确定所述目标图像中的倾斜目标的方向标志点的坐标，包括：获取所述目标方向密度图的第二极大值对应的坐标；确定所述第二极大值是否大于第二阈值；确定所述第二极大值对应的坐标是否在所述倾斜目标的中心点的坐标的邻域范围内；在所述第二极大值大于所述第二阈值，且所述第二极大值对应的坐标在所述
邻域范围内的情况下，确定所述第二极大值对应的坐标为所述方向标志点的坐标。
8.可选地，所述训练数据还包括所述原始图像对应的尺寸密度图，所述方法还包括：从标注后的所述原始图像中，提取出所述原始图像中的倾斜目标的中心点坐标；从标注后的所述原始图像中，提取出所述原始图像中的倾斜目标的尺寸；从标注后的所述原始图像中，提取出所述原始图像中的倾斜目标的倾斜角度；根据倾斜目标的中心点坐标、所述倾斜目标的尺寸和所述倾斜目标的倾斜角度，生成所述原始图像对应的尺寸密度图；将待预测的目标图像输入至所述人工智能模型中进行运算，输出所述目标图像对应的目标尺寸密度图。
9.可选地，所述方法还包括：根据所述目标尺寸密度图，确定所述目标图像中的倾斜目标的长度信息和宽度信息。
10.可选地，所述目标尺寸密度图采用二维高斯函数进行表示，根据所述目标尺寸密度图，确定所述目标图像中的倾斜目标的长度信息和宽度信息，包括：获取所述目标尺寸密度图对应的所述二维高斯函数的第一维度的标准差和第二维度的标准差；根据所述第一维度的标准差确定所述长度信息；根据所述第二维度的标准差确定所述宽度信息。
11.根据本技术的另一个方面，提供了一种倾斜目标的处理装置，包括：获取单元，用于获取标注后的多个原始图像，所述原始图像中包括倾斜目标；第一确定单元，用于确定各所述标注后的原始图像对应的位置密度图和方向密度图，所述位置密度图在所述倾斜目标的中心点的取值，不同于在所述原始图像中除所述中心点以外的点的取值，所述方向密度图在方向标志点的取值不同于在所述原始图像中除所述方向标志点以外的点的取值，所述方向标志点为所述倾斜目标上的非所述中心点的点；构建单元，用于构建人工智能模型，所述人工智能模型为使用多组训练数据通过机器学习训练得到的，所述多组训练数据中的每一组训练数据均包括：所述原始图像、所述原始图像对应的位置密度图和所述原始图像对应的方向密度图；计算单元，用于将待预测的目标图像输入至所述人工智能模型中进行运算，输出所述目标图像对应的目标位置密度图和目标方向密度图；第二确定单元，用于根据所述目标位置密度图和目标方向密度图，确定所述目标图像中的倾斜目标的倾斜角度。
12.根据本技术的又一个方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的方法。
13.根据本技术的再一个方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任意一种所述的方法。
14.应用本技术的技术方案，采用原始图像、原始图像对应的位置密度图和上述原始图像对应的方向密度图最为训练集训练得到人工智能模型，然后将待预测的目标图像输入至上述人工智能模型中进行运算，输出上述目标图像对应的目标位置密度图和目标方向密度图，进而根据目标位置密度图和目标方向密度图，确定上述目标图像中的倾斜目标的倾斜角度。本方案中采用密度图进行模型训练的方式，规避了以上角点标注和倾角标注的缺陷，使得确定的目标图像中的倾斜目标的倾斜角度更为准确。
附图说明
15.构成本技术的一部分的说明书附图用来提供对本技术的进一步理解，本技术的示
意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
16.图1示出了根据本技术的实施例的倾斜目标的处理方法流程图；
17.图2示出了根据本技术的实施例的倾斜目标的处理装置示意图。
具体实施方式
18.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
19.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
20.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
21.应该理解的是，当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时，该元件可直接在该另一元件上，或者也可存在中间元件。而且，在说明书以及权利要求书中，当描述有元件“连接”至另一元件时，该元件可“直接连接”至该另一元件，或者通过第三元件“连接”至该另一元件。
22.正如背景技术中所介绍的，现有技术中难以准确地获取倾斜目标的角度信息，为解决如上难以准确地获取倾斜目标的角度信息的问题，本技术的实施例提供了一种倾斜目标的处理方法、装置、存储介质与处理器。
23.根据本技术的实施例，提供了一种倾斜目标的处理方法。
24.图1是根据本技术实施例的倾斜目标的处理方法的流程图。如图1所示，该方法包括以下步骤：
25.步骤s101，获取标注后的多个原始图像，上述原始图像中包括倾斜目标；
26.步骤s102，确定各上述标注后的原始图像对应的位置密度图和方向密度图，上述位置密度图在上述倾斜目标的中心点的取值，不同于在上述原始图像中除上述中心点以外的点的取值，上述方向密度图在方向标志点的取值不同于在上述原始图像中除上述方向标志点以外的点的取值，上述方向标志点为上述倾斜目标上的非上述中心点的点；
27.步骤s103，构建人工智能模型，上述人工智能模型为使用多组训练数据通过机器学习训练得到的，上述多组训练数据中的每一组训练数据均包括：上述原始图像、上述原始图像对应的位置密度图和上述原始图像对应的方向密度图；
28.步骤s104，将待预测的目标图像输入至上述人工智能模型中进行运算，输出上述目标图像对应的目标位置密度图和目标方向密度图；
29.步骤s105，根据上述目标位置密度图和目标方向密度图，确定上述目标图像中的
倾斜目标的倾斜角度。
30.具体地，位置密度图在上述倾斜目标的中心点的取值，不同于在上述原始图像中除上述中心点以外的点的取值，也就是说位置密度图中隐含了倾斜目标的中心点的信息；
31.具体地，方向密度图在方向标志点的取值不同于在上述原始图像中除上述方向标志点以外的点的取值，上述方向标志点为上述倾斜目标上的非上述中心点的点，也就是说方向密度图中隐含了方向标志点的信息，方向标志点是用于表征倾斜目标的倾斜角度的点。例如，倾斜目标的中心点取为船只的中心点，方向标志点取为船头上的一点，两点的连线可以代表船只的倾斜的角度。
32.具体地，作为训练集的多个原始图像，均是经过标注的图像。
33.具体地，倾斜目标包括倾斜的船只等倾斜的物体。一个原始图像中包括至少一个倾斜目标。
34.具体地，上述人工智能模型可以为神经网络模型。
35.现有技术中，常见的倾斜目标框的标注方式一般是在正框的基础上加一个旋转角度，但是这种标注方式一般会有多种不同的数值表示，这就导致了相似范围框实际的数值结果差异可能会比较大，这样会不利于模型的训练。利用角点等标注方法存在标注冗余性的问题，在预测时预测的标注框可能不符合先验知识。在使用倾角等标注方法时，在目标偏差较小时，相似标注框的标注实际的数值结果差异较大，不利于模型训练。本方案中采用密度图进行模型训练的方式，规避了以上角点标注和倾角标注的缺陷。
36.上述方案中，采用原始图像、原始图像对应的位置密度图和上述原始图像对应的方向密度图最为训练集训练得到人工智能模型，然后将待预测的目标图像输入至上述人工智能模型中进行运算，输出上述目标图像对应的目标位置密度图和目标方向密度图，进而根据目标位置密度图和目标方向密度图，确定上述目标图像中的倾斜目标的倾斜角度。本方案中采用密度图进行模型训练的方式，规避了以上角点标注和倾角标注的缺陷，使得确定的目标图像中的倾斜目标的倾斜角度更为准确。
37.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
38.本技术的一种可选的实施例中，位置密度图可以表示为：
[0039][0040]
其中，代表以x
p
为中心，标准差为σ
p
的高斯函数在位置x的取值，这里σ
p
使用定值σ，x
p
的取值则是倾斜目标的中心点坐标，rl表示为所有的倾斜目标的集合，例如，一个原始图像中有三个倾斜目标。当然，本技术的位置密度图并不限定于公式1的形式。
[0041]
本技术的一种可选的实施例中，方向密度图可以表示为：
[0042][0043]
其中，代表以x
p
为中心，标准差为σ
p
的高斯函数在位置x的取值，这里σ
p
使用定值σ，x
p
的取值则是方向标志点的坐标，rl为所有方向标志点的集合，即可以选择很
多个点作为方向标志点。当然，本技术的方向密度图并不限定于公式2的形式。
[0044]
本技术的一种实施例中，根据上述目标位置密度图和目标方向密度图，确定上述目标图像中的倾斜目标的倾斜角度，包括：根据上述目标位置密度图确定上述目标图像中的倾斜目标的中心点的坐标；根据上述目标方向密度图确定上述目标图像中的倾斜目标的方向标志点的坐标；根据上述中心点的坐标和上述方向标志点的坐标确定上述目标图像中的倾斜目标的倾斜角度。
[0045]
具体地，根据上述中心点的坐标和上述方向标志点的坐标确定上述目标图像中的倾斜目标的倾斜角度，包括：获取中心点与方向标志点的连线的倾角，将连线的倾角确定为倾斜目标的倾斜角度。若中心点的坐标和方向标志点的坐标均为二维坐标，根据两个二维坐标也可以确定倾斜目标的倾斜角度。
[0046]
本技术的一种具体的实施例中，根据上述目标位置密度图确定上述目标图像中的倾斜目标的中心点的坐标，包括：获取上述目标位置密度图的局部区域的第一极大值对应的坐标；确定上述第一极大值是否大于第一阈值；在上述第一极大值大于上述第一阈值的情况下，确定上述第一极大值对应的坐标为上述倾斜目标的中心点的坐标。即目标位置密度图在中心点处的取值是最大的，由于一个待预测的目标图像可能有多个倾斜目标，例如一副图中有三条船，所以将目标位置密度图分为不同的区域进行处理，将局部区域的第一极大值对应的坐标提取出来，且在满足第一极大值大于设置的第一阈值的情况下，确定第一极大值对应的坐标为上述倾斜目标的中心点的坐标。以实现对倾斜目标的中心点的精确确定。
[0047]
本技术的一种具体的实施例中，根据上述目标方向密度图确定上述目标图像中的倾斜目标的方向标志点的坐标，包括：获取上述目标方向密度图的第二极大值对应的坐标；确定上述第二极大值是否大于第二阈值；确定上述第二极大值对应的坐标是否在上述倾斜目标的中心点的坐标的邻域范围内；在上述第二极大值大于上述第二阈值，且上述第二极大值对应的坐标在上述邻域范围内的情况下，确定上述第二极大值对应的坐标为上述方向标志点的坐标。即目标方向密度图在方向标志点的取值是最大的，所以提取出目标方向密度图的第二极大值对应的坐标，且在满足第二极大值大于上述第二阈值的情况下，确定上述第二极大值对应的坐标为上述方向标志点的坐标。以实现对倾斜目标的方向标志点的精确确定。
[0048]
本技术的一种实施例中，上述训练数据还包括上述原始图像对应的尺寸密度图，上述方法还包括：从标注后的上述原始图像中，提取出上述原始图像中的倾斜目标的中心点坐标；从标注后的上述原始图像中，提取出上述原始图像中的倾斜目标的尺寸；从标注后的上述原始图像中，提取出上述原始图像中的倾斜目标的倾斜角度；根据倾斜目标的中心点坐标、上述倾斜目标的尺寸和上述倾斜目标的倾斜角度，生成上述原始图像对应的尺寸密度图；将待预测的目标图像输入至上述人工智能模型中进行运算，输出上述目标图像对应的目标尺寸密度图。
[0049]
本技术的一种实施例中，上述方法还包括：根据上述目标尺寸密度图，确定上述目标图像中的倾斜目标的长度信息和宽度信息。
[0050]
本技术的一种实施例中，上述目标尺寸密度图采用二维高斯函数进行表示，根据上述目标尺寸密度图，确定上述目标图像中的倾斜目标的长度信息和宽度信息，包括：获取
上述目标尺寸密度图对应的上述二维高斯函数的第一维度的标准差和第二维度的标准差；根据上述第一维度的标准差确定上述长度信息；根据上述第二维度的标准差确定上述宽度信息。
[0051]
具体地，第一维度的标准差与长度信息存在比例关系，第二维度的标准差与宽度信息存在比例关系。
[0052]
本技术的一种可选的实施例中，尺寸密度图可以表示为：
[0053][0054][0055]
x'＝x
×
cos(θ)+y
×
sin(θ)公式5
[0056]
y'＝-x
×
sin(θ)+y
×
cos(θ)公式6
[0057]
其中，σ
x'
，σ
y'
和目标p的长宽成正比，比例为r，θ为目标p的倾角，z
xp
,z
yp
为目标p的中心坐标的二维表达。
[0058]
一种更为具体的实施例中，最小化如下公式：
[0059][0060]
其中，
[0061][0062]
x
′
＝x*cos(θc)+y*sin(θc)
[0063]y′
＝-x*sin(θc)+y*cos(θc)
[0064]
xc，yc为之前根据位置密度图获取到的中心坐标值，θc为根据方向密度图获取到的倾角值，就可以确定σ
x
′
，σy′
，然后通过比例系数r可以获得目标的长宽信息。其中，loc_densitymap(x，y)表示神经网络模型输出的结果。
[0065]
本技术实施例还提供了一种倾斜目标的处理装置，需要说明的是，本技术实施例的倾斜目标的处理装置可以用于执行本技术实施例所提供的用于倾斜目标的处理方法。以下对本技术实施例提供的倾斜目标的处理装置进行介绍。
[0066]
图2是根据本技术实施例的倾斜目标的处理装置的示意图。如图2所示，该装置包括：
[0067]
获取单元10，用于获取标注后的多个原始图像，上述原始图像中包括倾斜目标；
[0068]
第一确定单元20，用于确定各上述标注后的原始图像对应的位置密度图和方向密度图，上述位置密度图在上述倾斜目标的中心点的取值，不同于在上述原始图像中除上述中心点以外的点的取值，上述方向密度图在方向标志点的取值不同于在上述原始图像中除上述方向标志点以外的点的取值，上述方向标志点为上述倾斜目标上的非上述中心点的点；
[0069]
构建单元30，用于构建人工智能模型，上述人工智能模型为使用多组训练数据通过机器学习训练得到的，上述多组训练数据中的每一组训练数据均包括：上述原始图像、上
述原始图像对应的位置密度图和上述原始图像对应的方向密度图；
[0070]
计算单元40，用于将待预测的目标图像输入至上述人工智能模型中进行运算，输出上述目标图像对应的目标位置密度图和目标方向密度图；
[0071]
第二确定单元50，用于根据上述目标位置密度图和目标方向密度图，确定上述目标图像中的倾斜目标的倾斜角度。
[0072]
上述方案中，采用原始图像、原始图像对应的位置密度图和上述原始图像对应的方向密度图最为训练集训练得到人工智能模型，计算单元将待预测的目标图像输入至上述人工智能模型中进行运算，输出上述目标图像对应的目标位置密度图和目标方向密度图，第二确定单元根据目标位置密度图和目标方向密度图，确定上述目标图像中的倾斜目标的倾斜角度。本方案中采用密度图进行模型训练的方式，规避了以上角点标注和倾角标注的缺陷，使得确定的目标图像中的倾斜目标的倾斜角度更为准确。
[0073]
本技术的一种实施例中，第二确定单元包括第一确定模块、第二确定模块和第三确定模块，第一确定模块用于根据上述目标位置密度图确定上述目标图像中的倾斜目标的中心点的坐标；第二确定模块用于根据上述目标方向密度图确定上述目标图像中的倾斜目标的方向标志点的坐标；第三确定模块用于根据上述中心点的坐标和上述方向标志点的坐标确定上述目标图像中的倾斜目标的倾斜角度。
[0074]
本技术的一种具体的实施例中，第一确定模块包括第一获取子模块、第一确定子模块和第二确定子模块，第一获取子模块用于获取上述目标位置密度图的局部区域的第一极大值对应的坐标；第一确定子模块用于确定上述第一极大值是否大于第一阈值；第二确定子模块用于在上述第一极大值大于上述第一阈值的情况下，确定上述第一极大值对应的坐标为上述倾斜目标的中心点的坐标。
[0075]
本技术的一种具体的实施例中，第二确定模块包括第二获取子模块、第三确定子模块、第四确定子模块和第五确定子模块，第二获取子模块用于获取上述目标方向密度图的第二极大值对应的坐标；第三确定子模块用于确定上述第二极大值是否大于第二阈值；第四确定子模块用于确定上述第二极大值对应的坐标是否在上述倾斜目标的中心点的坐标的邻域范围内；第五确定子模块用于在上述第二极大值大于上述第二阈值，且上述第二极大值对应的坐标在上述邻域范围内的情况下，确定上述第二极大值对应的坐标为上述方向标志点的坐标。
[0076]
本技术的一种实施例中，上述训练数据还包括上述原始图像对应的尺寸密度图，上述装置还包括第一提取单元、第二提取单元、第三提取单元、生成单元和运算单元，第一提取单元用于从标注后的上述原始图像中，提取出上述原始图像中的倾斜目标的中心点坐标；第二提取单元用于从标注后的上述原始图像中，提取出上述原始图像中的倾斜目标的尺寸；第三提取单元用于从标注后的上述原始图像中，提取出上述原始图像中的倾斜目标的倾斜角度；生成单元用于根据倾斜目标的中心点坐标、上述倾斜目标的尺寸和上述倾斜目标的倾斜角度，生成上述原始图像对应的尺寸密度图；运算单元用于将待预测的目标图像输入至上述人工智能模型中进行运算，输出上述目标图像对应的目标尺寸密度图。
[0077]
本技术的一种实施例中，上述装置还包括第三确定单元，第三确定单元用于根据上述目标尺寸密度图，确定上述目标图像中的倾斜目标的长度信息和宽度信息。
[0078]
本技术的一种实施例中，上述目标尺寸密度图采用二维高斯函数进行表示，第三
确定单元包括获取模块、第四确定模块和第五确定模块，获取模块用于获取上述目标尺寸密度图对应的上述二维高斯函数的第一维度的标准差和第二维度的标准差；第四确定模块用于根据上述第一维度的标准差确定上述长度信息；第五确定模块用于根据上述第二维度的标准差确定上述宽度信息。
[0079]
所述倾斜目标的处理装置包括处理器和存储器，上述获取单元、第一确定单元、构建单元、计算单元和第二确定单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
[0080]
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来获取倾斜目标的倾斜角度。
[0081]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
[0082]
本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行所述倾斜目标的处理方法。
[0083]
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述倾斜目标的处理方法。
[0084]
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：
[0085]
步骤s101，获取标注后的多个原始图像，上述原始图像中包括倾斜目标；
[0086]
步骤s102，确定各上述标注后的原始图像对应的位置密度图和方向密度图，上述位置密度图在上述倾斜目标的中心点的取值，不同于在上述原始图像中除上述中心点以外的点的取值，上述方向密度图在方向标志点的取值不同于在上述原始图像中除上述方向标志点以外的点的取值，上述方向标志点为上述倾斜目标上的非上述中心点的点；
[0087]
步骤s103，构建人工智能模型，上述人工智能模型为使用多组训练数据通过机器学习训练得到的，上述多组训练数据中的每一组训练数据均包括：上述原始图像、上述原始图像对应的位置密度图和上述原始图像对应的方向密度图；
[0088]
步骤s104，将待预测的目标图像输入至上述人工智能模型中进行运算，输出上述目标图像对应的目标位置密度图和目标方向密度图；
[0089]
步骤s105，根据上述目标位置密度图和目标方向密度图，确定上述目标图像中的倾斜目标的倾斜角度。
[0090]
本文中的设备可以是服务器、pc、pad、手机等。
[0091]
本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：
[0092]
步骤s101，获取标注后的多个原始图像，上述原始图像中包括倾斜目标；
[0093]
步骤s102，确定各上述标注后的原始图像对应的位置密度图和方向密度图，上述位置密度图在上述倾斜目标的中心点的取值，不同于在上述原始图像中除上述中心点以外的点的取值，上述方向密度图在方向标志点的取值不同于在上述原始图像中除上述方向标志点以外的点的取值，上述方向标志点为上述倾斜目标上的非上述中心点的点；
[0094]
步骤s103，构建人工智能模型，上述人工智能模型为使用多组训练数据通过机器学习训练得到的，上述多组训练数据中的每一组训练数据均包括：上述原始图像、上述原始图像对应的位置密度图和上述原始图像对应的方向密度图；
[0095]
步骤s104，将待预测的目标图像输入至上述人工智能模型中进行运算，输出上述目标图像对应的目标位置密度图和目标方向密度图；
[0096]
步骤s105，根据上述目标位置密度图和目标方向密度图，确定上述目标图像中的倾斜目标的倾斜角度。
[0097]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0098]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0099]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0100]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0101]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0102]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
[0103]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0104]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0105]
从以上的描述中，可以看出，本技术上述的实施例实现了如下技术效果：
[0106]
1)、本技术的倾斜目标的处理方法，采用原始图像、原始图像对应的位置密度图和上述原始图像对应的方向密度图最为训练集训练得到人工智能模型，然后将待预测的目标图像输入至上述人工智能模型中进行运算，输出上述目标图像对应的目标位置密度图和目标方向密度图，进而根据目标位置密度图和目标方向密度图，确定上述目标图像中的倾斜目标的倾斜角度。本方案中采用密度图进行模型训练的方式，规避了以上角点标注和倾角标注的缺陷，使得确定的目标图像中的倾斜目标的倾斜角度更为准确。
[0107]
2)、本技术的倾斜目标的处理装置，采用原始图像、原始图像对应的位置密度图和上述原始图像对应的方向密度图最为训练集训练得到人工智能模型，计算单元将待预测的目标图像输入至上述人工智能模型中进行运算，输出上述目标图像对应的目标位置密度图和目标方向密度图，第二确定单元根据目标位置密度图和目标方向密度图，确定上述目标图像中的倾斜目标的倾斜角度。本方案中采用密度图进行模型训练的方式，规避了以上角点标注和倾角标注的缺陷，使得确定的目标图像中的倾斜目标的倾斜角度更为准确。
[0108]
以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。