一种图像数据处理方法及装置与流程

1.本技术涉及自动驾驶技术领域，特别涉及一种图像数据处理方法及装置。


背景技术：

2.相关技术通常采用人工筛选的方式对图像进行处理，将采集的图像或视频通过人工筛选的方式进行判别，但由于存在照明条件差、行人车辆等障碍物造成的遮挡、车道边界模糊缺失等恶劣因素影响，采集到的图像或视频利用人工筛选具有一定的挑战性，且筛选结果存在较大的误差。
3.可见，相关技术对图像进行处理的处理成本较高，处理效率和处理精度较低。


技术实现要素：

4.本技术为克服上述现有技术存在的缺陷而提供一种能够提高图像标注效率和处理精度、降低分类成本的图像数据处理方法及装置。
5.为解决上述技术问题，本技术提供以下技术方案：
6.根据本技术实施例的第一方面，提供一种图像数据处理方法，所述方法包括:
7.获取图像集；
8.对所述图像集进行分类，得到所述图像集对应的多类子图像集；
9.从每类所述子图像集中，分别确定每类所述子图像集对应的目标图像；
10.将所述目标图像分别输入深度残差网络，进行逐层特征遍历提取和跨层特征遍历提取，得到每类所述子图像集对应的目标图像的逐层特征提取结果和跨层特征提取结果；
11.将所述逐层特征提取结果和所述跨层特征提取结果进行融合，得到每类所述子图像集对应的目标图像的第一融合特征；
12.对所述第一融合特征分别进行采样处理，得到每类所述子图像集对应的目标图像的采样融合特征；
13.基于所述采样融合特征，确定每类所述子图像集对应的目标图像的分类结果。
14.在一个示例性的实施方式中，所述跨层特征遍历提取包括奇数层特征遍历提取和偶数层特征遍历提取；
15.所述将所述目标图像分别输入深度残差网络，进行逐层特征遍历提取和跨层特征遍历提取，得到每类所述子图像集对应的目标图像的逐层特征提取结果和跨层特征提取结果，包括：
16.将所述目标图像分别输入深度残差网络，进行逐层特征遍历提取、奇数层特征遍历提取和偶数层特征遍历提取，得到每类所述子图像集对应的目标图像的逐层特征提取结果、奇数层特征提取结果和偶数层特征提取结果。
17.在一个示例性的实施方式中，所述将所述逐层特征提取结果和所述跨层特征提取结果进行融合，得到每类所述子图像集对应的目标图像的第一融合特征，包括：
18.将所述逐层特征提取结果分别与所述奇数层特征提取结果和所述偶数层特征提
取结果进行融合，得到奇数层融合特征和偶数层融合特征；
19.将所述奇数层融合特征和所述偶数层融合特征，作为每类所述子图像集对应的目标图像的第一融合特征。
20.在一个示例性的实施方式中，所述对所述第一融合特征分别进行采样处理，得到每类所述子图像集对应的目标图像的采样融合特征，包括：
21.对所述奇数层融合特征分别进行上采样处理和下采样处理，得到奇数层上采样特征和奇数层下采样特征；
22.对所述偶数层融合特征分别进行上采样处理和下采样处理，得到偶数层上采样特征和偶数层下采样特征；
23.将所述奇数层上采样特征、所述奇数层下采样特征、所述偶数层上采样特征和所述偶数层下采样特征，作为每类所述子图像集对应的目标图像的采样融合特征。
24.在一个示例性的实施方式中，所述基于所述采样融合特征，确定每类所述子图像集对应的目标图像的分类结果，包括：
25.将所述奇数层上采样特征、所述奇数层下采样特征、所述偶数层上采样特征和所述偶数层下采样特征进行融合，得到每类所述子图像集对应的目标图像的第二融合特征；
26.基于所述第二融合特征确定所述目标图像的分类结果。
27.在一个示例性的实施方式中，所述方法还包括：
28.获取样本图像，所述样本图像标注有样本特征；
29.将所述样本图像输入预设深度残差网络进行逐层特征遍历提取和跨层特征遍历提取，得到预设逐层特征提取结果和预设跨层特征提取结果；
30.将所述预设逐层特征提取结果和所述预设跨层特征提取结果进行融合，得到第一预设融合特征；
31.对所述第一预设融合特征进行采样处理，得到采样预设融合特征；
32.将所述采样预设融合特征进行融合，得到第二预设融合特征；
33.根据所述第二预设融合特征和所述样本特征之间的损失信息，对所述预设深度残差网络进行训练，得到所述深度残差网络。
34.在一个示例性的实施方式中，所述对所述图像集进行分类，得到所述图像集对应的多类子图像集，包括：
35.基于k均值聚类算法对所述图像集进行分类，得到所述图像集对应的多类子图像集。
36.在一个示例性的实施方式中，所述基于k均值聚类算法对所述图像集进行分类，得到所述图像集对应的多类子图像集，包括：
37.从所述图像集中获取预设数量个图像，将预设数量个图像作为预设数量个当前聚类中心；所述预设数量根据所述图像集包含的场景复杂度设置；
38.计算所述图像集中的各个图像分别与预设数量个所述当前聚类中心之间的距离；
39.根据各个图像分别与预设数量个所述当前聚类中心之间的距离，从预设数量个所述当前聚类中心中获取与各个图像对应的目标聚类中心，所述目标聚类中心与各个图像之间的距离小于预设距离阈值；
40.将各个图像分配至各个图像对应的目标聚类中心，得到预设数量个当前候选图像
集；
41.计算每个所述当前候选图像集的聚类中心，将计算得到的候选聚类中心重新作为预设数量个当前聚类中心；
42.重复所述计算所述图像集中的各个图像分别与预设数量个所述当前聚类中心之间的距离，至所述将计算得到的候选聚类中心重新作为预设数量个当前聚类中心的步骤，直至所述当前候选图像集中的图像满足预设条件或重复次数满足预设次数阈值。
43.在一个示例性的实施方式中，所述获取图像集，包括：
44.获取交通视频数据；
45.对所述交通视频数据进行去重处理，得到去重后的图像数据；
46.从所述去重后的图像数据中获取所述图像集。
47.在一个示例性的实施方式中，所述从每类所述子图像集中，分别确定每类所述子图像集对应的目标图像，包括：
48.将每类所述子图像集中的任意一张图像，作为每类所述子图像集对应的目标图像。
49.根据本技术实施例的第二方面，提供一种图像数据处理装置，所述装置包括：
50.图像集获取模块，用于获取图像集；
51.图像分类模块，用于对所述图像集进行分类，得到所述图像集对应的多类子图像集；
52.目标图像确定模块，用于从每类所述子图像集中，分别确定每类所述子图像集对应的目标图像；
53.图像特征提取模块，用于将所述目标图像分别输入深度残差网络，进行逐层特征遍历提取和跨层特征遍历提取，得到每类所述子图像集对应的目标图像的逐层特征提取结果和跨层特征提取结果；
54.第一特征融合模块，用于将所述逐层特征提取结果和所述跨层特征提取结果进行融合，得到每类所述子图像集对应的目标图像的第一融合特征；
55.融合特征采样模块，用于对所述第一融合特征分别进行采样处理，得到每类所述子图像集对应的目标图像的采样融合特征；
56.分类结果确定模块，用于基于所述采样融合特征，确定每类所述子图像集对应的目标图像的分类结果。
57.在一个示例性的实施方式中，所述装置还包括：
58.视频数据获取模块，用于获取交通视频数据；
59.去重模块，用于对所述交通视频数据进行去重处理，得到去重后的图像数据。
60.采用上述技术方案，本技术具有如下有益效果：
61.本技术提供的一种图像数据处理方法及装置，将每类子图像集对应的目标图像分别输入深度残差网络，进行逐层特征遍历提取和跨层特征遍历提取，得到每类子图像集对应的目标图像的逐层特征提取结果和跨层特征提取结果，再将逐层特征提取结果和跨层特征提取结果进行融合，得到每类子图像集对应的目标图像的第一融合特征，对第一融合特征进行采样处理，得到每类子图像集对应的目标图像的采样融合特征，基于采样融合特征，能够确定每类子图像集对应的目标图像的分类结果，通过将图像集分成多个子图像集，并
从每类子图像集中确定每类子图像集对应的目标图像，能够针对图像集进行去重，通过设置深度残差网络，能够提高图像分类的效率和精度，降低图像分类成本。
附图说明
62.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
63.图1为本技术实施例提供的一种图像数据处理方法的流程示意图；
64.图2为本技术实施例提供的一种提取第二融合特征的过程示意图；
65.图3为本技术实施例提供的一种深度残差网络的训练流程图；
66.图4为本技术实施例提供的一种图像数据处理装置的结构框图。
具体实施方式
67.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作出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
68.此处所称的“一个实施例”或“实施例”是指可包含于本技术至少一个实现方式中的特定特征、结构或特性。在本技术实施例的描述中，需要理解的是，术语“上”、“下”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含的包括一个或者更多个该特征。而且，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能够以除了在这里图示或描述的那些以外的顺序实施。
69.请参阅图1，其所示为本技术实施例提供的一种图像数据处理方法的流程示意图,该图像数据处理方法包括：
70.步骤s101：获取图像集；
71.步骤s102：对所述图像集进行分类，得到所述图像集对应的多类子图像集；
72.步骤s103：从每类所述子图像集中，分别确定每类所述子图像集对应的目标图像；
73.步骤s104：将所述目标图像分别输入深度残差网络，进行逐层特征遍历提取和跨层特征遍历提取，得到每类所述子图像集对应的目标图像的逐层特征提取结果和跨层特征提取结果；
74.步骤s105：将所述逐层特征提取结果和所述跨层特征提取结果进行融合，得到每类所述子图像集对应的目标图像的第一融合特征；
75.步骤s106：对所述第一融合特征分别进行采样处理，得到每类所述子图像集对应
的目标图像的采样融合特征；
76.步骤s107：基于所述采样融合特征，确定每类所述子图像集对应的目标图像的分类结果。
77.在一个具体的实施例中，通过步骤s101获取图像集；通过步骤s102将图像集进行分类，得到多类子图像集；通过步骤s103，确定每类子图像集对应的目标图像，可选地，目标图像为对应的子图像集中随机选取的图像；通过步骤s102和步骤s103,可以对图像进行去重处理，有效提升图像数据集的质量；在步骤s104中，将目标图像分别输入深度残差网络，进行若干层特征遍历提取，其中，若干层特征遍历提取包括逐层特征遍历提取和跨层特征遍历提取，即目标图像分别进行逐层特征遍历提取和跨层特征遍历提取，得到每类子图像集对应的目标图像的逐层特征提取结果和跨层特征提取结果，由于步骤s104采用深度残差网络进行逐层特征遍历提取和跨层特征遍历提取，可以提取到更多的图像特征，提高分类精度，并且该深度残差网络特征提取过程简单，能够提高图像分类的效率和精度，降低图像分类成本，避免了传统的深度学习算法下仅进行逐层特征遍历提取时，造成图像特征在逐层提取的过程中部分特征消失，进而产生分类误差，降低分类准确率；通过步骤s105将逐层特征提取结果和跨层特征提取结果进行融合，得到每类所述子图像集对应的目标图像的第一融合特征，相较于传统深度算法下，仅进行逐层特征遍历提取可能会导致部分特征消失，可以保留更多的图像特征，因而得到的第一融合特征也相较传统深度算法下的更精确；通过步骤s106对第一融合特征分别进行采样处理，得到每类子图像集对应的目标图像的采样融合特征，有利于降低误差；在步骤s107中，基于采样融合特征，确定每类子图像集对应的目标图像的分类结果，由于采样融合特征是第一融合特征降低误差后的结果，进而通过采样融合特征确定的分类结果则更为准确。
78.本实施例是利用深度残差网络通过逐层特征遍历提取和跨层特征遍历提取进行图像的特征提取，可以在提取的过程中保留更多的原始细节特征，提高分类精度，并且该深度残差网络特征提取过程简单，能够提高图像分类的效率和精度，降低图像分类成本，避免了传统的深度学习算法下仅进行逐层特征遍历提取时，造成图像特征在逐层提取的过程中部分特征消失，进而产生分类误差，降低分类准确率。
79.请参阅图2，其所示为本技术实施例提供的一种提取第二融合特征的过程示意图，本技术实施例中所述跨层特征遍历提取包括奇数层特征遍历提取和偶数层特征遍历提取；
80.在一个可选的实施例中，在上述步骤s104中，上述将所述目标图像分别输入深度残差网络，进行逐层特征遍历提取和跨层特征遍历提取，得到每类所述子图像集对应的目标图像的逐层特征提取结果和跨层特征提取结果，可以包括：
81.将所述目标图像分别输入深度残差网络，进行逐层特征遍历提取、奇数层特征遍历提取和偶数层特征遍历提取，得到每类所述子图像集对应的目标图像的逐层特征提取结果、奇数层特征提取结果和偶数层特征提取结果。
82.例如，将目标图像分别输入深度残差网络，依次进行第一层特征、第二层特征
……
的逐层特征遍历提取，并将逐层特征遍历提取得到的若干结果进行融合，得到每类所述子图像集对应的目标图像的逐层特征提取结果，依次进行第一层特征、第三层特征
……
的奇数层特征遍历提取，并将奇数层特征遍历提取得到的若干结果进行融合，得到每类所述子图像集对应的目标图像的奇数层特征提取结果，以及依次进行第二层特征、第四层特
征
……
的偶数层特征遍历提取，并将偶数层特征遍历提取得到的若干结果进行融合，得到每类所述子图像集对应的目标图像的偶数层特征提取结果；通过将跨层特征遍历提取设定为奇数层特征遍历提取和偶数层特征遍历提取，可以保证每层特征都能被提取两次，进一步提高分类精度。
83.在一个可选的实施例中，在上述步骤s105中，上述将所述逐层特征提取结果和所述跨层特征提取结果进行融合，得到每类所述子图像集对应的目标图像的第一融合特征，可以包括：
84.将所述逐层特征提取结果分别与所述奇数层特征提取结果和所述偶数层特征提取结果进行融合，得到奇数层融合特征和偶数层融合特征；
85.将所述奇数层融合特征和所述偶数层融合特征，作为每类所述子图像集对应的目标图像的第一融合特征。
86.例如，将逐层特征提取结果与奇数层特征提取结果进行融合，得到奇数层融合特征，将逐层特征提取结果与偶数层特征提取结果进行融合，得到偶数层融合特征；将逐层特征提取结果分别与奇数层特征提取结果和偶数层特征提取结果进行融合，使得逐层特征提取结果和跨层特征提取结果能够充分融合，进一步提高分类精度。
87.在一个可选的实施例中，在上述步骤s106中，上述对所述第一融合特征分别进行采样处理，得到每类所述子图像集对应的目标图像的采样融合特征，可以包括：
88.对所述奇数层融合特征分别进行上采样处理和下采样处理，得到奇数层上采样特征和奇数层下采样特征；
89.对所述偶数层融合特征分别进行上采样处理和下采样处理，得到偶数层上采样特征和偶数层下采样特征；
90.将所述奇数层上采样特征、所述奇数层下采样特征、所述偶数层上采样特征和所述偶数层下采样特征，作为每类所述子图像集对应的目标图像的采样融合特征。
91.例如，对奇数层融合特征进行上采样，得到奇数层上采样特征，对奇数层融合特征进行下采样，得到奇数层下采样特征，对偶数层融合特征进行上采样，得到偶数层上采样特征，对偶数层融合特征进行下采样，得到偶数层下采样特征。
92.在一个可选的实施例中，上述步骤s107中，上述基于所述采样融合特征，确定每类所述子图像集对应的目标图像的分类结果，可以包括：
93.将所述奇数层上采样特征、所述奇数层下采样特征、所述偶数层上采样特征和所述偶数层下采样特征进行融合，得到每类所述子图像集对应的目标图像的第二融合特征；
94.基于所述第二融合特征确定所述目标图像的分类结果。
95.例如，分别对奇数层融合特征和偶数层融合特征进行上采样处理和下采样处理，得到奇数层上采样特征、奇数层下采样特征、偶数层上采样特征和偶数层下采样特征，再将奇数层上采样特征、奇数层下采样特征、偶数层上采样特征和偶数层下采样特征进行融合，得到每类子图像集对应的目标图像的第二融合特征，通过采样处理后的第一融合特征融合得到的第二融合特征，相较于第一融合特征直接融合得到的第二融合特征，有利于减少误差。
96.请参阅图3，其所示为本技术实施例提供的一种深度残差网络的训练流程图，该深度残差网络的训练包括：
97.步骤s201：获取样本图像，所述样本图像标注有样本特征；
98.步骤s202：将所述样本图像输入预设深度残差网络进行逐层特征遍历提取和跨层特征遍历提取，得到预设逐层特征提取结果和预设跨层特征提取结果；
99.步骤s203：将所述预设逐层特征提取结果和所述预设跨层特征提取结果进行融合，得到第一预设融合特征；
100.步骤s204：对所述第一预设融合特征进行采样处理，得到采样预设融合特征；
101.步骤s205：将所述采样预设融合特征进行融合，得到第二预设融合特征；
102.步骤s206：确定第二预设融合特征和样本特征之间的损失信息；
103.步骤s207：判断损失信息是否达到预设条件，若是，则执行步骤s208，若否，则重复步骤s201～s207；
104.步骤s208：得到所述深度残差网络。
105.在一个具体的实施例中，通过步骤s201获取样本图像，样本图像标注有样本特征；通过步骤s202将所述样本图像输入预设深度残差网络进行若干层特征遍历提取，其中，若干层特征遍历提取包括逐层特征遍历提取和跨层特征遍历提取，可选地，跨层特征遍历提取包括奇数层特征遍历提取和偶数层特征遍历提取，即样本图像分别进行逐层特征遍历提取、奇数层特征遍历提取和偶数层特征遍历提取，得到预设逐层特征提取结果和预设跨层特征提取结果，其中，预设跨层特征提取结果包括预设奇数层特征提取结果和预设偶数层特征提取结果；在步骤s203中，将预设逐层特征提取结果和预设跨层特征提取结果进行融合，可选地，预设跨层特征提取结果包括预设奇数层特征提取结果和预设偶数层特征提取结果，即将预设逐层特征提取结果、预设奇数层特征提取结果和预设偶数层特征提取结果进行融合，得到预设奇数层融合特征和预设偶数层融合特征，将预设奇数层融合特征和预设偶数层融合特征作为第一预设融合特征；在步骤s204中，对第一预设融合特征进行采样处理，可选地，采样处理包括上采样处理和下采样处理，得到采样预设融合特征，其中，采样预设融合特征包括预设奇数层上采样特征、预设奇数层下采样特征、预设偶数层上采样特征和预设偶数层下采样特征；通过步骤s205将所述采样预设融合特征进行融合，即将预设奇数层上采样特征、预设奇数层下采样特征、预设偶数层上采样特征和预设偶数层下采样特征进行融合，得到第二预设融合特征；在步骤s206中，可通过计算第二预设融合特征和样本特征之间的相似度来确定损失信息，其中，第二预设融合特征和样本特征之间的相似度可通过第二预设融合特征和样本特征之间的欧式距离来确定；通过步骤s207判断损失信息是否达到预设条件，若是，则执行步骤s208，若否，则重复步骤s201～s207，直至损失信息达到预设条件；通过步骤s208获取深度残差网络。
106.在一个可选的实施例中，上述步骤s102中，上述对所述图像集进行分类，得到所述图像集对应的多类子图像集，可以包括：
107.基于k均值聚类算法对所述图像集进行分类，得到所述图像集对应的多类子图像集。
108.通过k均值聚类算法对图像集进行分类，有利于提高分类的准确性。
109.在一个可选的实施例中，上述步骤s102中，上述基于k均值聚类算法对所述图像集进行分类，得到所述图像集对应的多类子图像集，可以包括：
110.从所述图像集中获取预设数量个图像，将预设数量个图像作为预设数量个当前聚
类中心；所述预设数量根据所述图像集包含的场景复杂度设置；
111.计算所述图像集中的各个图像分别与预设数量个所述当前聚类中心之间的距离；
112.根据各个图像分别与预设数量个所述当前聚类中心之间的距离，从预设数量个所述当前聚类中心中获取与各个图像对应的目标聚类中心，所述目标聚类中心与各个图像之间的距离小于预设距离阈值；
113.将各个图像分配至各个图像对应的目标聚类中心，得到预设数量个当前候选图像集；
114.计算每个所述当前候选图像集的聚类中心，将计算得到的候选聚类中心重新作为预设数量个当前聚类中心；
115.重复所述计算所述图像集中的各个图像分别与预设数量个所述当前聚类中心之间的距离，至所述将计算得到的候选聚类中心重新作为预设数量个当前聚类中心的步骤，直至所述当前候选图像集中的图像满足预设条件或重复次数满足预设次数阈值。
116.例如，图像集中有20个图像，从图像集中获取5个图像并设置为当前聚类中心，再计算图像集中其余15个图像分别与5个当前聚类中心之间的距离，当某个图像与某个当前聚类中心之间的距离小于预设距离阈值时，则该当前聚类中心为该图像的目标聚类中心，依照此规则将15个图像分别分配至5个当前聚类中心，并组成5个当前候选图像集，计算每个当前候选图像集的聚类中心，将计算得到的5个候选聚类中心作为新的当前聚类中心，再重复之前的步骤，直至当前候选图像集中的图像满足预设条件或重复次数满足预设次数阈值。
117.在一个可选的实施例中，上述步骤s101中，上述获取图像集，可以包括：
118.获取交通视频数据；
119.对所述交通视频数据进行去重处理，得到去重后的图像数据；
120.从所述去重后的图像数据中获取所述图像集。
121.例如，可以对交通视频数据进行切片抽帧，得到切片抽帧后的图像数据，针对切片抽帧后的图像数据进行去重处理，得到去重后的图像数据，再从去重后的图像数据中获取图像集。
122.在一个可选的实施例中，上述步骤s103中，上述从每类所述子图像集中，分别确定每类所述子图像集对应的目标图像，可以包括：
123.将每类所述子图像集中的任意一张图像，作为每类所述子图像集对应的目标图像。
124.例如，随机抽选一张图像，作为该子图像集的目标图像。
125.由本技术实施例的上述技术方案可见，本技术实施例利用深度残差网络通过逐层特征遍历提取和跨层特征遍历提取进行图像的特征提取，可以在提取的过程中保留更多的原始细节特征，提高分类精度，并且该深度残差网络特征提取过程简单，能够提高图像分类的效率和精度，降低图像分类成本，避免了传统的深度学习算法下仅进行逐层特征遍历提取时，造成图像特征在逐层提取的过程中部分特征消失，进而产生分类误差，降低分类准确率。
126.与上述实施例提供的图像数据处理方法相对应，本技术实施例还提供一种图像数据处理装置，由于本技术实施例提供的图像数据处理装置与上述实施例提供的图像数据处
理方法相对应，因此前述图像数据处理方法的实施方式也适用于本实施例提供的图像数据处理装置，在本实施例中不再详细描述。
127.请参阅图4，其所示为本技术实施例提出的一种图像数据处理装置的结构框图，该图像数据处理装置包括：
128.图像集获取模块，用于获取图像集；
129.图像分类模块，用于对所述图像集进行分类，得到所述图像集对应的多类子图像集；
130.目标图像确定模块，用于从每类所述子图像集中，分别确定每类所述子图像集对应的目标图像；
131.图像特征提取模块，用于将所述目标图像分别输入深度残差网络，进行逐层特征遍历提取和跨层特征遍历提取，得到每类所述子图像集对应的目标图像的逐层特征提取结果和跨层特征提取结果；
132.第一特征融合模块，用于将所述逐层特征提取结果和所述跨层特征提取结果进行融合，得到每类所述子图像集对应的目标图像的第一融合特征；
133.融合特征采样模块，用于对所述第一融合特征分别进行采样处理，得到每类所述子图像集对应的目标图像的采样融合特征；
134.分类结果确定模块，用于基于所述采样融合特征，确定每类所述子图像集对应的目标图像的分类结果。
135.在一个具体的实施例中，通过图像集获取模块获取图像集；通过图像分类模块将图像集进行分类，得到多类子图像集；通过目标图像确定模块，确定每类子图像集对应的目标图像，可选地，目标图像为对应的子图像集中随机选取的图像；通过图像分类模块和目标图像确定模块,可以对图像进行去重处理，有效提升图像数据集的质量；在图像特征提取模块中，将目标图像分别输入深度残差网络，进行若干层特征遍历提取，其中，若干层特征遍历提取包括逐层特征遍历提取和跨层特征遍历提取，即目标图像分别进行逐层特征遍历提取和跨层特征遍历提取，得到每类子图像集对应的目标图像的逐层特征提取结果和跨层特征提取结果，由于图像特征提取模块采用深度残差网络进行逐层特征遍历提取和跨层特征遍历提取，可以提取到更多的图像特征，提高分类精度，并且该深度残差网络特征提取过程简单，能够提高图像分类的效率和精度，降低图像分类成本，避免了传统的深度学习算法下仅进行逐层特征遍历提取时，造成图像特征在逐层提取的过程中部分特征消失，进而产生分类误差，降低分类准确率；通过第一特征融合模块将逐层特征提取结果和跨层特征提取结果进行融合，得到每类所述子图像集对应的目标图像的第一融合特征，相较于传统深度算法下，仅进行逐层特征遍历提取可能会导致部分特征消失，可以保留更多的图像特征，因而得到的第一融合特征也相较传统深度算法下的更精确；通过融合特征采样模块对第一融合特征分别进行采样处理，得到每类子图像集对应的目标图像的采样融合特征，有利于降低误差；在分类结果确定模块中，基于采样融合特征，确定每类子图像集对应的目标图像的分类结果，由于采样融合特征是第一融合特征降低误差后的结果，进而通过采样融合特征确定的分类结果则更为准确。
136.本实施例是利用深度残差网络通过逐层特征遍历提取和跨层特征遍历提取进行图像的特征提取，可以在提取的过程中保留更多的原始细节特征，提高分类精度，并且该深
度残差网络特征提取过程简单，能够提高图像分类的效率和精度，降低图像分类成本，避免了传统的深度学习算法下仅进行逐层特征遍历提取时，造成图像特征在逐层提取的过程中部分特征消失，进而产生分类误差，降低分类准确率。
137.具体的，本实施例还可以包括深度残差网络的训练模块，该模块具体包括：
138.样本图像获取模块，用于获取样本图像，所述样本图像标注有样本特征；
139.预设特征结果提取模块，用于将所述样本图像输入预设深度残差网络进行逐层特征遍历提取和跨层特征遍历提取，得到预设逐层特征提取结果和预设跨层特征提取结果；
140.第一预设特征融合模块，用于将所述预设逐层特征提取结果和所述预设跨层特征提取结果进行融合，得到第一预设融合特征；
141.采样处理模块，用于对所述第一预设融合特征进行采样处理，得到采样预设融合特征；
142.第二预设特征融合模块，用于将所述采样预设融合特征进行融合，得到第二预设融合特征；
143.损失信息确定模块，用于确定第二预设融合特征和样本特征之间的损失信息；
144.判断模块，用于判断损失信息是否达到预设条件；
145.深度残差网络获取模块，用于获取深度残差网络。
146.在一个具体的实施例中，通过样本图像获取模块获取样本图像，样本图像标注有样本特征；通过预设特征结果提取模块将所述样本图像输入预设深度残差网络进行若干层特征遍历提取，其中，若干层特征遍历提取包括逐层特征遍历提取和跨层特征遍历提取，可选地，跨层特征遍历提取包括奇数层特征遍历提取和偶数层特征遍历提取，即样本图像分别进行逐层特征遍历提取、奇数层特征遍历提取和偶数层特征遍历提取，得到预设逐层特征提取结果和预设跨层特征提取结果，其中，预设跨层特征提取结果包括预设奇数层特征提取结果和预设偶数层特征提取结果；在第一预设特征融合模块中，将预设逐层特征提取结果和预设跨层特征提取结果进行融合，可选地，预设跨层特征提取结果包括预设奇数层特征提取结果和预设偶数层特征提取结果，即将预设逐层特征提取结果、预设奇数层特征提取结果和预设偶数层特征提取结果进行融合，得到预设奇数层融合特征和预设偶数层融合特征，将预设奇数层融合特征和预设偶数层融合特征作为第一预设融合特征；在采样处理模块中，对第一预设融合特征进行采样处理，可选地，采样处理包括上采样处理和下采样处理，得到采样预设融合特征，其中，采样预设融合特征包括预设奇数层上采样特征、预设奇数层下采样特征、预设偶数层上采样特征和预设偶数层下采样特征；通过第二预设特征融合模块将所述采样预设融合特征进行融合，即将预设奇数层上采样特征、预设奇数层下采样特征、预设偶数层上采样特征和预设偶数层下采样特征进行融合，得到第二预设融合特征；在损失信息确定模块中，可通过计算第二预设融合特征和样本特征之间的相似度来确定损失信息，其中，第二预设融合特征和样本特征之间的相似度可通过第二预设融合特征和样本特征之间的欧式距离来确定；通过判断模块判断损失信息是否达到预设条件；直至损失信息达到预设条件，则通过深度残差网络获取模块获取深度残差网络。
147.具体的，本技术实施例还可以包括获取图像集的模块，该模块具体包括：
148.视频数据获取模块，用于获取交通视频数据；
149.去重模块，用于对所述交通视频数据进行去重处理，得到去重后的图像数据。
150.在一个具体的实施例中，先通过视频数据获取模块获取交通视频数据，再通过去重模块对交通视频数据进行切片抽帧，得到切片抽帧后的图像数据，针对切片抽帧后的图像数据进行去重处理，得到去重后的图像数据，再通过图像集获取模块从去重模块中获取图像集。
151.需要说明的是，上述实施例提供的装置，在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
152.本技术实施例的图像数据处理装置利用深度残差网络通过逐层特征遍历提取和跨层特征遍历提取进行图像的特征提取，可以在提取的过程中保留更多的原始细节特征，提高分类精度，并且该深度残差网络特征提取过程简单，能够提高图像分类的效率和精度，降低图像分类成本，避免了传统的深度学习算法下仅进行逐层特征遍历提取时，造成图像特征在逐层提取的过程中部分特征消失，进而产生分类误差，降低分类准确率。
153.需要说明的是：上述本技术实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多图像数据处理和并行处理也是可以的或者可能是有利的。
154.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
155.以上仅为本技术的较佳实施例，并不用以限制本技术，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。