本申请涉及计算机视觉，特别是涉及一种目标提取方法、装置、计算机设备、介质和程序产品。
背景技术：
1、随着智能驾驶领域的蓬勃发展，电子地图数据更新升级需求日益旺盛，如何利用路侧相机进行局部成图成为众源更新中一个不可或缺的技术手段。
2、在相关技术中，受限于路侧相机成像产生的透视效应，远端目标在图像画幅上占用像素范围小且远端目标形变较大，通过深度学习模型对路侧相机拍摄的图像进行目标分割提取时容易造成对远端目标的漏检和误检，最终影响电子地图的质量。
3、因此，如何更准确的提取远端目标，是一个亟需解决的技术问题。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够更准确的提取远端目标的目标提取方法、装置、计算机设备、介质和程序产品。
2、第一方面，本申请提供了一种目标提取方法，包括：
3、在生成地图更新指令时，获取待识别图像，所述待识别图像为路侧相机采集的图像；
4、对所述待识别图像进行去畸变处理，得到去畸变图像；
5、基于所述去畸变图像对应的区域点云数据对所述去畸变图像进行逆透视变换处理，得到所述去畸变图像的逆透视变换图像；
6、将所述逆透视变换图像输入训练好的目标分割模型，得到各个路面目标。
7、在其中一个实施例中，所述对所述待识别图像进行去畸变处理，得到去畸变图像，包括：
8、确定所述待识别图像的光学参数，所述光学参数包括主点、焦距以及畸变系数；
9、基于所述光学参数对所述待识别图像进行去畸变处理，得到去畸变图像。
10、在其中一个实施例中，所述基于所述去畸变图像对应的区域点云数据对所述去畸变图像进行逆透视变换处理，得到所述去畸变图像的逆透视变换图像，包括：
11、将所述去畸变图像与对应的区域点云数据进行融合，得到所述去畸变图像对应的变换矩阵，所述区域点云数据为所述待识别图像拍摄的区域对应的点云数据，所述变换矩阵表征路侧相机坐标系和路面坐标系之间的旋转平移关系；
12、基于所述变换矩阵将所述去畸变图像由所述路侧相机坐标系投影到地面坐标系，得到所述去畸变图像的逆透视变换图像。
13、在其中一个实施例中，所述变换矩阵包括路侧相机坐标系和高斯坐标系之间的旋转平移关系，以及高斯坐标系和路面坐标系之间的旋转平移关系，基于所述变换矩阵将所述去畸变图像由所述路侧相机坐标系投影到地面坐标系，得到所述去畸变图像的逆透视变换图像，包括：
14、基于路侧相机坐标系和高斯坐标系之间的旋转平移关系，将所述去畸变图像投影到高斯坐标系，得到所述去畸变图像在所述高斯坐标系中的投影；
15、基于高斯坐标系与路面坐标系之间的旋转平移关系，将所述去畸变图像在所述高斯坐标系中的投影映射到路面坐标系，得到所述去畸变图像的逆透视变换图像。
16、在其中一个实施例中，所述将所述去畸变图像与对应的区域点云数据进行融合，得到所述去畸变图像对应的变换矩阵，包括：
17、在所述区域点云数据中确定若干控制点；
18、在所述去畸变图像中进行角点识别，确定若干关键点；
19、基于所述控制点与所述关键点的对应关系，确定变换矩阵。
20、在其中一个实施例中，所述目标分割模型的训练步骤，包括：
21、获取多张训练图像，所述训练图像为多个路侧相机所采集的图像；
22、对每一所述训练图像进行去畸变处理，得到每一所述训练图像的去畸变图像；
23、基于所述去畸变图像对应的区域点云数据，对所述去畸变图像进行逆透视变换处理，得到所述去畸变图像的逆透视变换图像；
24、对每一所述去畸变图像的逆透视变换图像进行标注，并将标注后的每所述逆透视变换图像作为一个训练样本对初始模型进行训练，直到满足预设的训练条件，得到训练好的目标分割图像。
25、在其中一个实施例中，在获取所述待识别图像之前，还包括：
26、对每一路侧相机，获取所述路侧相机拍摄的训练图像；
27、对所述训练图像进行要素提取，得到路面要素；
28、获取原始路面要素，所述原始路面要素为对所述路侧相机上一次拍摄的训练图像进行特征提取得到的路面要素；
29、将所述路面要素与所述原始路面要素进行相似度比对；
30、基于比对结果确定是否生成地图更新指令。
31、在其中一个实施例中，所述基于比对结果确定是否生成地图更新指令，包括：
32、若比对结果为相似度大于或等于设定阈值，则不生成地图更新指令；
33、若比对结果为相似度小于设定阈值，则获取所述路侧相机的位置信息，并基于所述位置信息生成地图更新指令，所述地图更新指令用于指示点云采集车辆基于所述位置信息采集区域点云数据。
34、第二方面，本申请还提供了一种目标提取装置，包括：
35、待识别图像获取模块，用于在生成地图更新指令时，获取待识别图像，所述待识别图像为路侧相机采集的图像；
36、去畸变模块，用于对所述待识别图像进行去畸变处理，得到去畸变图像；
37、逆透视变换模块，用于基于所述去畸变图像对应的区域点云数据对所述去畸变图像进行逆透视变换处理，得到所述去畸变图像的逆透视变换图像；
38、分割模块，用于将所述逆透视变换图像输入训练好的目标分割模型，得到各个路面目标。
39、第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的一种目标提取方法的程序步骤。
40、第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的一种目标提取方法的程序步骤。
41、第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上述第一方面所述的一种目标提取方法的程序步骤。
42、上述目标提取方法、装置、计算机设备、介质和程序产品，对待识别图像进行去畸变处理，得到能够消除目标形状变化的去畸变图像，然后将去畸变图像进行逆透视变换处理，能够得到在俯视视角的图像，从俯视视角看，各个目标处于同一平面，因而，逆透视变换图像能够消除路侧相机所拍摄的待识别图像中远端目标的形状、位置以及大小和比例的变化。进而，通过目标分割模型对逆透视变换图像进行提取，能够提取到更准确的图像中各个路面目标实际的位置、形状和大小关系。
1.一种目标提取方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述待识别图像进行去畸变处理，得到去畸变图像，包括：
3.根据权利要求2所述的方法，其特征在于，所述基于所述去畸变图像对应的区域点云数据对所述去畸变图像进行逆透视变换处理，得到所述去畸变图像的逆透视变换图像，包括：
4.根据权利要求3所述的方法，其特征在于，所述变换矩阵包括路侧相机坐标系和高斯坐标系之间的旋转平移关系，以及高斯坐标系和路面坐标系之间的旋转平移关系，基于所述变换矩阵将所述去畸变图像由所述路侧相机坐标系投影到地面坐标系，得到所述去畸变图像的逆透视变换图像，包括：
5.根据权利要求1-4任一项所述的方法，其特征在于，所述将所述去畸变图像与对应的区域点云数据进行融合，得到所述去畸变图像对应的变换矩阵，包括：
6.根据权利要求1所述的方法，其特征在于，所述目标分割模型的训练步骤，还包括：
7.根据权利要求1所述的方法，其特征在于，在获取所述待识别图像之前，还包括：
8.根据权利要求7所述的方法，其特征在于，所述基于比对结果确定是否生成地图更新指令，包括：
9.一种远端目标提取装置，其特征在于，所述装置包括：
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
12.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
