车窗的位置确定方法、装置和车辆与流程

1.本发明涉及车辆领域，具体而言，涉及一种车窗的位置确定方法、装置和车辆。


背景技术：

2.目前，可以通过定位车窗区域获取驾驶员的位置和座舱内的信息，从而分析驾驶员的驾驶行为，因此，准确定位车窗位置具有重要意义。
3.在相关技术中，通常使用定位算法确定车窗位置，但定位算法繁琐耗时、精度较低且难以适应复杂场景，仍存在对车辆的车窗进行定位的准确性低的技术问题。
4.针对对车辆的车窗进行定位的准确性低的技术问题，目前尚未提出有效的解决方案。


技术实现要素：

5.本发明实施例提供了一种车窗的位置确定方法、装置和车辆，以至少解决对车辆的车窗进行定位的准确性低的技术问题。
6.根据本发明实施例的一个方面，提供了一种车窗的位置确定方法，包括：获取待检测图像，其中，待检测图像用于表征车辆的车窗；对待检测图像进行高斯映射，得到热力图；基于热力图确定待检测图像中的车窗上的目标关键点；基于目标关键点，确定车窗的位置。
7.可选地，对待检测图像进行高斯映射，得到热力图，包括：对待检测图像进行识别，得到待检测图像中的关键点，其中，关键点包括：待检测图像的四个角点和四个角点之间的中心点；基于多个关键点，对待检测图像进行高斯映射，得到多个热力图。
8.可选地，基于关键点，对待检测图像进行高斯映射，得到热力图，包括：获取对待检测图像中的关键点进行标记得到的标记图像，得到多个标记图像，其中，标记图像中只标记一个关键点，标记图像的数量和关键点的数量相同；分别对多个标记图像进行高斯映射，得到多个热力图。
9.可选地，该方法包括：分别确定每个热力图中的峰值；将峰值确定为每个热力图中关键点的置信度，其中，置信度用于表征关键点与车窗的匹配程度。
10.可选地，该方法包括：将置信度大于置信度阈值的关键点，确定为目标关键点。
11.可选地，基于目标关键点，确定车窗的位置，包括：获取目标关键点的亚像素坐标；基于亚像素点坐标，确定车窗的位置。
12.可选地，该方法包括：基于四个角点和四个角点之间的中心点之间预设的拓扑关系，对亚像素点坐标进行修正。
13.根据本发明实施例的另一方面，还提供了一种车窗的位置确定装置，包括：获取单元，用于获取待检测图像，其中，待检测图像用于表征车辆的车窗；处理单元，用于对待检测图像进行高斯映射，得到热力图；第一确定单元，用于基于热力图确定待检测图像中的车窗上的目标关键点；第二确定单元，用于基于目标关键点，确定车窗的位置。
14.根据本发明实施例的另一方面，还提供了一种车辆。该车辆用于执行本发明实施
例的车窗的位置确定方法。
15.根据本发明实施例的另一方面，还提供了一种处理器。该处理器用于运行程序，其中，程序运行时执行本发明实施例的车窗的位置确定方法。
16.根据本发明实施例的另一方面，还提供了一种计算机可读存储介质。该计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行本发明实施例的车窗的位置确定方法。
17.在本发明实施例中，获取待检测图像，其中，待检测图像用于表征车辆的车窗；对待检测图像进行高斯映射，得到热力图；基于热力图确定待检测图像中的车窗上的目标关键点；基于目标关键点，确定车窗的位置。也就是说，本发明实施例通过对获取到的车窗区域图像进行高斯映射，得到高斯热力图，基于高斯热力图确定车窗区域图像的目标关键点，根据目标关键点确定车窗所在位置，进而实现了提高对车辆的车窗进行定位的准确性的技术效果，解决了对车辆的车窗进行定位的准确性低的技术问题。
附图说明
18.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：图1是根据本发明实施例的一种车窗的位置确定方法的流程图；图2是根据本发明实施例的另一种车窗的位置确定方法的流程图；图3是根据本发明实施例的一种车窗的位置确定装置的示意图。
具体实施方式
19.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明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发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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，都应当属于本发明保护的范围。
20.需要说明的是，本发明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，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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.实施例1根据本发明实施例，提供了一种车窗的位置确定方法的实施例，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。
22.图1是根据本发明实施例的一种车窗的位置确定方法的流程图，如图1所示，该方
法包括如下步骤。
23.步骤s102，获取待检测图像，其中，待检测图像用于表征车辆的车窗。
24.在本发明上述步骤s102提供的技术方案中，可以通过对电子卡口的高清视频图像序列进行检测获取待检测图像，其中，待检测图像可以用于表征车辆的车窗，可以为车窗区域图像，比如，可以为在车辆行驶过程中拍摄得到的车窗区域图像；也可以为车辆在过曝或过夜等难样本场景下的车窗区域图像等。
25.可选地，可以通过电子卡口获得至少一时刻的图像，得到图像序列，可以对图像序列进行车牌检测和车头检测，根据车牌和车头之间的位置先验关系，确定车窗区域所在的大致位置，根据估算的大致位置，对图像序列进行裁剪，可以为车头区域除去车牌所在的整体区域，从而获得待检测图像（车窗区域图像），其中，车牌检测算法和车头检测算法可以为目标检测算法。
26.举例而言，可以通过获取由交通道路的摄像机拍摄的某一时刻的图像，得到图像序列，可以通过半自动化的标注工具对图像序列中待检测图像的关键点位置进行标注。
27.步骤s104，对待检测图像进行高斯映射，得到热力图。
28.在本发明上述步骤s104提供的技术方案中，获取待检测图像之后，可以对待检测图像进行高斯映射，得到热力图，其中，热力图可以为高斯热力图。
29.可选地，可以将待检测图像的尺寸大小调整为固定大小，比如，可以为256*256，基于调整尺寸大小后的待检测图像中点的坐标，根据下述公式对调整尺寸大小后的待检测图像进行高斯映射：其中，生成热力图（64*64）的坐标值可以通过（x,y）进行表示，（x,y）取值范围可以分别为x（0，64），y（0，64）生成高斯核的尺度缩放因子可以通过进行表示，可以为1.3，需要说明的是，此处仅为举例说明，不对尺度缩放因子的尺寸和（x,y）取值范围做具体限制。
30.步骤s106，基于热力图确定待检测图像中的车窗上的目标关键点。
31.在本发明上述步骤s106提供的技术方案中，得到热力图之后，可以基于热力图确定待检测图像中车窗上的目标关键点，其中，目标关键点可以为待检测图像的四个角点和四个边的中心点，可以用于对车窗位置进行定位。
32.举例而言，可以将热力图中热力值最大的点确定为待检测图像中车窗上的目标关键点，其中，可以通过热力值最大点的亚像素坐标确定目标关键点。
33.步骤s108，基于目标关键点，确定车窗的位置。
34.在本发明上述步骤s108提供的技术方案中，确定目标关键点之后，可以基于车窗上的目标关键点，确定车窗的位置。
35.可选地，可以基于目标关键点的位置，确定车窗的位置。
36.本技术上述步骤s102至步骤s108，通过对获取的待检测图像进行高斯映射，得到高斯热力图，其中，待检测图像用于表征车辆的车窗，基于热力图确定待检测图像中的车窗上的目标关键点，并基于关键点确定车窗的位置。也就是说，本发明通过对获取到的车窗区
域图像进行高斯映射，得到高斯热力图，基于高斯热力图确定车窗区域图像的目标关键点，根据目标关键点确定车窗所在位置，进而实现了提高对车辆的车窗进行定位的准确性的技术效果，解决了对车辆的车窗进行定位的准确性低的技术问题。
37.下面对该实施例的上述方法进行进一步介绍。
38.作为一种可选的实施例方式，步骤s104，对待检测图像进行高斯映射，得到热力图，包括：对待检测图像进行识别，得到待检测图像中的关键点，其中，关键点包括：待检测图像的四个角点和四个角点之间的中心点；基于多个关键点，对待检测图像进行高斯映射，得到多个热力图。
39.在本发明实施例中，可以对待检测图像进行识别，可以得到待检测图像中的关键点，基于多个关键点，对待检测图像进行高斯映射，从而得到多个热力图，其中，关键点可以包括待检测图像的四个角点和四个角点之间的中心点。
40.可选地，对待检测图像进行识别得到关键点之前，可以通过采集各种场景的卡口数据，获取多个场景的待检测图像和对应的待检测图像中的关键点的真值，从而构建待检测图像关键点的训练数据集，基于关键点训练数据集在搭建网络中对训练数据集进行训练之后，通过输入待检测图像得到待检测图像中的关键点，其中，多个场景可以包括正常光照下的拍摄场景、夜晚光照下的拍摄场景、雨天光照下的拍摄场景、挡风玻璃反光下的场景等，此处场景描述仅为举例说明，任何符合实际项目场景要求的场景类型都可以构建待检测图像关键点的训练数据集。
41.可选地，可以通过使用半自动化的标注工具对车窗的八个关键点进行标注获取车窗关键点的真值，八个关键点中四个关键点可以为车窗的四个角点，其它四个关键点可以为车窗四个边的中心点，车窗四个边的中心点可以通过四个角点与四个边中心点的位置约束关系进行获取，可以通过人工微调四个边中心点的位置使中心点贴合车窗和车身边缘。
42.可选地，由于不同车型的车窗区域的尺寸大小与对应的八个角点的比例关系不一致，在获取待检测图像的过程中，为了增强模型的鲁棒性，可以采集不同车型的待检测图像进行训练，从而达到提高对待检测图像进行识别得到关键点的准确率的目的，其中，不同车型可以包括乘用车、普通客车、大型货车、货车等，此处车型仅为举例说明，任何符合实际项目车辆的待检测图像数据都可以进行采集。
43.可选地，构建训练数据集之后，可以对标记的训练数据集进行预处理，达到提高数据集训练效果的目的。
44.举例而言，可以将三原色（red green blue，简称为rgb）图像转变为三通道的灰度图像；可以根据车窗四个角点的位置，获取车窗中心点的位置，以车窗宽高最大值的1.5倍进行扩展，对车窗区域的图像进行缩放裁剪；可以以四个角点和车窗中心点为旋转参考点，以角度[-10,10]为旋转角度，对车窗区域的图像进行旋转裁剪；可以通过加椒盐噪声、高斯模糊化处理、高曝光场景、黑暗低曝光场景等处理对图像进行噪声处理；可以对进行噪声处理之后的车窗区域图像进行归一化处理，比如，可以为将像素值减去128，再除以256，从而完成对标记的训练数据集的预处理。
[0045]
可选地，对标注的训练数据集进行预处理之后，可以搭建轻量化模型和涉及损失函数，对关键点定位模型进行训练。
[0046]
再举例而言，可以基于轻量级网络（mobilenet）结构搭建轻量化模型，编码网络可
以包括卷积网络（depth-wise）和卷积网络（point-wise）结构，解码网络可以包括最近邻插值的反卷积结构，在不影响关键点定位精度的情况下，对模型的通道数进行修剪，从而适配平台的算力要求，减少模型运行的耗时。
[0047]
可选地，在模型训练过程中，可以基于关键点热力图回归模型训练损失函数，使模型在训练过程中达到提高对热力图中关键点所在的位置的关注的目的，损失函数可以通过下述公式进行表示：其中，预测值可以通过y进行表示，真实值可以通过进行表示，指数因子可以通过进行表示，阈值可以通过进行表示，缩放因子可以通过进行表示，误差增益因子可以通过进行表示，均方差增益因子可以通过a表示，常量可以通过c进行表示，指数因子可以为1.8，误差增益因子可以为15.3，阈值可以为0.6，缩放因子可以为1.2，均方差增益因子可以为，常量可以为，需要说明的是，此处仅为举例说明，不对指数因子、误差增益因子、阈值、缩放因子等的尺寸做具体限制。
[0048]
可选地，在对损失函数的训练中，对于背景像素而言，随着训练损失值的降低，背景数值逐渐减为0；对于前景像素而言，随着训练损失值的降低，误差逐渐减小，从而达到减少其他像素影响、加快模型收敛的目的，因此关键点所在的位置可以为热力图中的最高亮点，也可以为前景像素。
[0049]
在本发明实施例中，可以基于采集到的多个场景与不同车型的待检测图像和对应的待检测图像中关键点的真值数据集进行训练，通过输入待检测图像对待检测图像中的关键点进行识别，从而基于多个关键点对待检测图像进行高斯映射，得到多个热力图。
[0050]
作为一种可选的实施例方式，基于关键点，对待检测图像进行高斯映射，得到热力图，包括：获取对待检测图像中的关键点进行标记得到的标记图像，得到多个标记图像，其中，标记图像中只标记一个关键点，标记图像的数量和关键点的数量相同；分别对多个标记图像进行高斯映射，得到多个热力图。
[0051]
在本发明实施例中，基于关键点，可以通过使用半自动化的标注工具对待检测图像的关键点进行标记，获取标记之后的标记图像，得到多个标记图像，可以分别对多个标记图像进行高斯映射，得到多个热力图。
[0052]
可选地，可以通过真值对关键点进行标注，比如，可以用1表示标记位置为关键点，标记图像中可以只标记一个关键点，标记图像的数量可以和关键点的数量相同，比如，可以为八个关键点对应八张标记图像，八张标记图像对应八张热力图。
[0053]
作为一种可选的实施例方式，分别确定每个热力图中的峰值；将峰值确定为每个热力图中关键点的置信度，其中，置信度用于表征关键点与车窗的匹配程度。
[0054]
在本发明实施例中，得到多个热力图之后，可以分别确定每个热力图中的峰值，可以将峰值确定为每个热力图中的关键点的置信度，其中，峰值可以为热力图中的最大值，可
以通过argmax进行表示；置信度可以用于表征关键点与车窗的匹配程度。
[0055]
可选地，可以通过以下公式确定热力图中的峰值：其中，热力图中每个点对应的值可以通过feature进行表示。
[0056]
可选地，可以确定热力图中的峰值，可以将峰值对应的点确定为关键点，并将峰值确定为关键点的置信度，其中，置信度越高，关键点与车窗的匹配程度越高；置信度越低，关键点与车窗的匹配程度越低。
[0057]
作为一种可选的实施例方式，将置信度大于置信度阈值的关键点，确定为目标关键点。
[0058]
在本发明实施例中，可以将置信度大于置信度阈值的关键点，确定为目标关键点，其中，置信度阈值可以用于确定待检测图像中的目标关键点，可以为人工预设值，此处不作具体限制。
[0059]
可选地，可以判断关键点的置信度是否大于置信度阈值，如果关键点的置信度大于置信度阈值，则确定关键点为目标关键点；如果关键点的置信度不大于置信度阈值，则不将关键点作为目标关键点。
[0060]
作为一种可选的实施例方式，步骤s108，基于目标关键点，确定车窗的位置，包括：获取目标关键点的亚像素坐标；基于亚像素点坐标，确定车窗的位置。
[0061]
在本发明实施例中，确定目标关键点之后，可以获取目标关键点的亚像素坐标，基于亚像素点坐标，确定车窗的位置。
[0062]
可选地，可以基于目标关键点，确定目标关键点的亚像素坐标，其中，亚像素坐标可以通过下述公式进行表示：可选地，可以根据目标关键点的坐标对应关系确定车窗的位置，当车窗八个目标关键点的置信度均满足置信度阈值时，可以直接确定车窗的位置，其中，车窗四个角点中某一角点的置信度可以通过车窗边中心的角点进行确定。
[0063]
在本发明实施例中，通过引入热力图，获得目标关键点的亚像素坐标，基于亚像素坐标，确定车窗位置，从而提高了对车辆的车窗进行定位的准确性。
[0064]
作为一种可选的实施例方式，基于四个角点和四个角点之间的中心点之间预设的拓扑关系，对亚像素点坐标进行修正。
[0065]
在本发明实施例中，可以基于关键点中四个角点和四个角点之间的中心点之间预设的拓扑关系，对亚像素点坐标进行修正，其中，拓扑关系可以包括上下横边的关键点之间的纵坐标是否在设定的水平变化阈值范围内、左右竖边的关键点之间的横坐标是否在设定的垂直变化阈值范围内、上下横边和左右竖边的长度是否在设定的比值阈值范围内、上下横边的夹角是否在设定的夹角阈值范围内。
[0066]
举例而言，可以判断上下横边的关键点之间的纵坐标是否在设定的水平变化阈值范围内，如果不在水平变化阈值范围内，可以对亚像素点坐标进行修正使其上下横边的关
键点之间的纵坐标在设定的水平变化阈值范围内；可以判断左右竖边的关键点之间的横坐标是否在设定的垂直变化阈值范围内，如果不在垂直变化阈值范围内，可以对亚像素点坐标进行修正使其左右竖边的关键点之间的横坐标在设定的垂直变化阈值范围内；可以判断上下横边和左右竖边的长度是否在设定的比值阈值范围内，如果不在设定的比值阈值范围内，可以对亚像素点坐标进行修正使其上下横边和左右竖边的长度在设定的比值阈值范围内；可以判断上下横边的夹角是否在设定的夹角阈值范围内，如果不在设定的夹角阈值范围内，可以对亚像素点坐标进行修正使其上下横边的夹角在设定的夹角阈值范围内。
[0067]
在本发明实施例中，可以根据关键点对应的拓扑关系，对四个角点位置的亚像素点进行修正，从而提高对四个角点检测的正确率。
[0068]
该实施例通过对获取到的车窗区域图像进行高斯映射，得到高斯热力图，基于高斯热力图确定车窗区域图像的目标关键点，根据目标关键点确定车窗所在位置，进而实现了提高对车辆的车窗进行定位的准确性的技术效果，解决了对车辆的车窗进行定位的准确性低的技术问题。
[0069]
实施例2下面结合优选的实施方式对本发明实施例的技术方案进行举例说明。
[0070]
在智能交通系统中，可以通过定位车窗区域来获取驾驶员的位置和座舱内的信息，从而分析驾驶员的驾驶行为，同时也为车辆的搜索提供了重要依据。
[0071]
在一种相关技术中，提出了一种基于图像纹理和梯度分析定位车窗区域的传统方法，该方法可以基于色差均值或梯度快速定位车窗，但该方法需要手动设置的参数较多，规则性较强，仍存在对场景适应性较低的技术问题。
[0072]
在另一种相关技术中，提出了一种基于点回归模型的机器学习方法，该方法通过训练定位模型对车窗四个角点的位置进行定位，但该方法仍存在定位准确性低的技术问题。
[0073]
在另一种相关技术中，提出了一种基于粗定位到精定位的多阶段模型的机器学习方法，该方法采用两阶段的定位模型，先通过一个大模型对四个点进行粗定位，再通过四个小模型对四个点进行精定位，但该方法仍存在比较繁琐复杂的技术问题。
[0074]
为解决上述问题，本发明实施例提出了一种车窗的位置确定方法，在低算力轻量化模型的基础上，通过高斯热力图回归对车窗关键点位置进行定位，利用卷积网络的特征精确回归高斯热力图中的信息，通过最大值的位置及其邻域位置计算亚像素点的位置，从而完成对高斯热力图的后处理，最终通过八个关键点及其冗余度对车窗进行定位。
[0075]
下面对本发明实施例进行进一步的介绍。
[0076]
图2是根据本发明实施例的另一种车窗的位置确定方法的流程图，如图2所示，该方法包括以下步骤。
[0077]
步骤s201，获取车窗大致区域位置。
[0078]
在本发明实施例中，可以通过电子卡口获得至少一时刻的图像，得到图像序列，可以对图像序列进行车牌检测和车头检测，根据车牌和车头之间的位置先验关系，确定车窗区域所在的大致位置，根据估算的大致位置，对图像序列进行裁剪，可以为车头区域除去车牌所在的整体区域，从而获得待检测图像（车窗区域图像），其中，车牌检测算法和车头检测算法可以为目标检测算法。
[0079]
举例而言，可以通过获取由交通道路的摄像机拍摄的某一时刻的图像，得到图像序列，可以通过半自动化的标注工具对图像序列中待检测图像的关键点位置进行标注。
[0080]
步骤s202，构建关键点数据集。
[0081]
在本发明实施例中，可以通过采集各种场景的卡口数据，获取多个场景的待检测图像和对应的待检测图像中的关键点的真值，从而构建待检测图像关键点的训练数据集，基于关键点训练数据集在搭建网络中对训练数据集进行训练之后，通过输入待检测图像得到待检测图像中的关键点，其中，多个场景可以包括正常光照下的拍摄场景、夜晚光照下的拍摄场景、雨天光照下的拍摄场景、挡风玻璃反光下的场景等，此处场景描述仅为举例说明，任何符合实际项目场景要求的场景类型都可以构建待检测图像关键点的训练数据集。
[0082]
可选地，可以通过使用半自动化的标注工具对车窗的八个关键点进行标注获取车窗关键点的真值，八个关键点中四个关键点可以为车窗的四个角点，其它四个关键点可以为车窗四个边的中心点，车窗四个边的中心点可以通过四个角点与四个边中心点的位置约束关系进行获取，可以通过人工微调四个边中心点的位置使中心点贴合车窗和车身边缘。
[0083]
可选地，由于不同车型的车窗区域的尺寸大小与对应的八个角点的比例关系不一致，在获取待检测图像的过程中，为了增强模型的鲁棒性，可以采集不同车型的待检测图像进行训练，从而达到提高对待检测图像进行识别得到关键点的准确率的目的，其中，不同车型可以包括乘用车、普通客车、大型货车、货车等，此处车型仅为举例说明，任何符合实际项目车辆的待检测图像数据都可以进行采集。
[0084]
可选地，构建训练数据集之后，可以对标记的训练数据集进行预处理，达到提高数据集训练效果的目的。
[0085]
举例而言，可以将三原色（red green blue，简称为rgb）图像转变为三通道的灰度图像；可以根据车窗四个角点的位置，获取车窗中心点的位置，以车窗宽高最大值的1.5倍进行扩展，对车窗区域的图像进行缩放裁剪；可以以四个角点和车窗中心点为旋转参考点，以角度[-10,10]为旋转角度，对车窗区域的图像进行旋转裁剪；可以通过加椒盐噪声、高斯模糊化处理、高曝光场景、黑暗低曝光场景等处理对图像进行噪声处理；可以对进行噪声处理之后的车窗区域图像进行归一化处理，比如，可以为将像素值减去128，再除以256，从而完成对标注的训练数据集的预处理。
[0086]
步骤s203，搭建模型并训练。
[0087]
在本发明实施例中，对标注的训练数据集进行预处理之后，可以搭建轻量化模型和涉及损失函数，对关键点定位模型进行训练。
[0088]
可选地，可以基于轻量级网络（mobilenet）结构搭建轻量化模型，编码网络可以包括卷积网络（depth-wise）和卷积网络（point-wise）结构，解码网络可以包括最近邻插值的反卷积结构，在不影响关键点定位精度的情况下，对模型的通道数进行修剪，从而适配平台的算力要求，减少模型运行的耗时。
[0089]
可选地，在模型训练过程中，可以基于关键点热力图回归模型训练损失函数，使模型在训练过程中达到提高对热力图中关键点所在的位置的关注的目的，损失函数可以通过下述公式进行表示：
其中，预测值可以通过y进行表示，真实值可以通过进行表示，指数因子可以通过进行表示，阈值可以通过进行表示，缩放因子可以通过进行表示，误差增益因子可以通过进行表示，均方差增益因子可以通过a表示，常量可以通过c进行表示，指数因子可以为1.8，误差增益因子可以为15.3，阈值可以为0.6，缩放因子可以为1.2，均方差增益因子可以为，常量可以为，需要说明的是，此处仅为举例说明，不对指数因子、误差增益因子、阈值、缩放因子等的尺寸做具体限制。
[0090]
可选地，在对损失函数的训练中，对于背景像素而言，随着训练损失值的降低，背景数值逐渐减为0；对于前景像素而言，随着训练损失值的降低，误差逐渐减小，从而达到减少其他像素影响、加快模型收敛的目的，因此关键点所在的位置可以为热力图中的最高亮点，也可以为前景像素。
[0091]
步骤s204，获取热力图。
[0092]
在本发明实施例中，可以调整待检测图像的尺寸，并输入至车窗关键点定位模型中，从而获取待检测图像八个关键点的热力图。
[0093]
可选地，可以将待检测图像的尺寸大小调整为固定大小，比如，可以为256*256，基于调整尺寸大小后的待检测图像中点的坐标，根据下述公式对调整尺寸大小后的待检测图像进行高斯映射：其中，生成热力图（64*64）的坐标值可以通过（x,y）进行表示，（x,y）取值范围可以分别为x（0，64），y（0，64）生成高斯核的尺度缩放因子可以通过进行表示，可以为1.3，需要说明的是，此处仅为举例说明，不对尺度缩放因子的尺寸和（x,y）取值范围做具体限制。
[0094]
步骤s205，确定车窗区域位置。
[0095]
在本发明实施例中，得到多个热力图之后，可以分别确定每个热力图中的峰值，可以将峰值确定为每个热力图中的关键点的置信度，其中，峰值可以为热力图中的最大值，可以通过argmax进行表示；置信度可以用于表征关键点与车窗的匹配程度。
[0096]
可选地，可以通过以下公式确定热力图中的峰值：其中，热力图中每个点对应的值可以通过feature进行表示。
[0097]
可选地，可以确定热力图中的峰值，可以将峰值对应的点确定为关键点，并将峰值确定为关键点的置信度，其中，置信度越高，关键点与车窗的匹配程度越高；置信度越低，关键点与车窗的匹配程度越低。
[0098]
可选地，可以将置信度大于置信度阈值的关键点，确定为目标关键点，其中，置信度阈值可以为确定待检测图像中目标关键点的重要依据。
[0099]
举例而言，如果关键点置信度大于置信度阈值，则确定关键点为目标关键点；如果关键点置信度不大于置信度阈值，则不将关键点作为目标关键点。
[0100]
可选地，可以基于目标关键点，确定目标关键点的亚像素坐标，其中，亚像素坐标可以通过下述公式进行表示：可选地，可以根据目标关键点的坐标对应关系确定车窗的位置，当车窗八个目标关键点的置信度均满足置信度阈值时，可以直接确定车窗的位置，其中，车窗四个角点中某一角点的置信度可以通过车窗边中心的角点进行确定。
[0101]
可选地，可以根据关键点对应的拓扑关系，对四个角点位置的亚像素点进行修正，从而提高对四个角点检测的正确率。
[0102]
举例而言，关键点的位置关系需要满足对应的拓扑关系，拓扑关系可以包括上下横边的关键点之间的纵坐标是否在设定的水平变化阈值范围内、左右竖边的关键点之间的横坐标是否在设定的垂直变化阈值范围内、上下横边和左右竖边的长度是否在设定的比值阈值范围内、上下横边的夹角是否在设定的夹角阈值范围内。
[0103]
举例而言，可以判断上下横边的关键点之间的纵坐标是否在设定的水平变化阈值范围内，如果不在水平变化阈值范围内，可以对亚像素点坐标进行修正使其上下横边的关键点之间的纵坐标在设定的水平变化阈值范围内；可以判断左右竖边的关键点之间的横坐标是否在设定的垂直变化阈值范围内，如果不在垂直变化阈值范围内，可以对亚像素点坐标进行修正使其左右竖边的关键点之间的横坐标在设定的垂直变化阈值范围内；可以判断上下横边和左右竖边的长度是否在设定的比值阈值范围内，如果不在设定的比值阈值范围内，可以对亚像素点坐标进行修正使其上下横边和左右竖边的长度在设定的比值阈值范围内；可以判断上下横边的夹角是否在设定的夹角阈值范围内，如果不在设定的夹角阈值范围内，可以对亚像素点坐标进行修正使其上下横边的夹角在设定的夹角阈值范围内。
[0104]
该实施例通过对获取到的车窗区域图像进行高斯映射，得到高斯热力图，基于高斯热力图确定车窗区域图像的目标关键点，根据目标关键点确定车窗所在位置，进而实现了提高对车辆的车窗进行定位的准确性的技术效果，解决了对车辆的车窗进行定位的准确性低的技术问题。
[0105]
实施例3根据本发明实施例，还提供了一种车窗的位置确定装置。需要说明的是，该车窗的位置确定装置可以用于执行实施例1中的车窗的位置确定方法。
[0106]
图3是根据本发明实施例的一种车窗的位置确定装置的示意图。如图3所示，该车窗的位置确定装置300可以包括：获取单元301、第一处理单元302、第二处理单元303和第三处理单元304。
[0107]
获取单元301，用于获取待检测图像，其中，待检测图像用于表征车辆的车窗；
处理单元302，用于对待检测图像进行高斯映射，得到热力图；第一确定单元303，用于基于热力图确定待检测图像中的车窗上的目标关键点；第二确定单元304，用于基于目标关键点，确定车窗的位置。
[0108]
可选地，处理单元302包括：第一处理模块，用于对待检测图像进行识别，得到待检测图像中的关键点，其中，关键点包括：待检测图像的四个角点和四个角点之间的中心点；基于多个关键点，对待检测图像进行高斯映射，得到多个热力图。
[0109]
可选地，第一处理模块包括：第一处理子模块，用于获取对待检测图像中的关键点进行标记得到的标记图像，得到多个标记图像，其中，标记图像中只标记一个关键点，标记图像的数量和关键点的数量相同；分别对多个标记图像进行高斯映射，得到多个热力图。
[0110]
可选地，第一处理模块包括：第一确定子模块，用于分别确定每个热力图中的峰值；将峰值确定为每个热力图中关键点的置信度，其中，置信度用于表征关键点与车窗的匹配程度。
[0111]
可选地，第一处理模块包括：第二确定子模块，用于将置信度大于置信度阈值的关键点，确定为目标关键点。
[0112]
可选地，第一处理模块包括：第三确定子模块，用于获取目标关键点的亚像素坐标；基于亚像素点坐标，确定车窗的位置。
[0113]
可选地，第二处理模块包括：修正子模块，用于基于四个角点和四个角点之间的中心点之间预设的拓扑关系，对亚像素点坐标进行修正。
[0114]
在本发明实施例中，通过获取单元，获取待检测图像，其中，待检测图像用于表征车辆的车窗；通过处理单元，对待检测图像进行高斯映射，得到热力图；通过第一确定单元，基于热力图确定待检测图像中的车窗上的目标关键点；通过第二确定单元，基于目标关键点，确定车窗的位置。也就是说，本发明通过对获取到的车窗区域图像进行高斯映射，得到高斯热力图，基于高斯热力图确定车窗区域图像的目标关键点，根据目标关键点确定车窗所在位置，从而实现了提高对车辆的车窗进行定位的准确性的技术效果，解决了对车辆的车窗进行定位的准确性低的技术问题。
[0115]
实施例4根据本发明实施例，还提供了一种车辆，该车辆用于执行实施例1中的车窗的位置确定方法。
[0116]
实施例5根据本发明实施例，还提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行实施例1中的车窗的位置确定方法。
[0117]
实施例6根据本发明实施例，还提供了一种计算机可读存储介质，该存储介质包括存储的程序，其中，程序执行实施例1中的车窗的位置确定方法。
[0118]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0119]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0120]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为
一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0121]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0122]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0123]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器（rom，read-only memory）、随机存取存储器（ram，random access memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0124]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。