阅读说明：本技术 用于图像的自动故障阈值检测的设备和方法 (Apparatus and method for automatic failure threshold detection of images ) 是由 J.加西亚 于 2018-03-13 设计创作，主要内容包括：在至少一个实施方案中,提供一种体现在非暂时性计算机可读介质中的计算机程序产品,所述计算机程序产品被编程以检测一个或多个摄影机的性能阈值。所述计算机程序产品包括用于以下操作的指令：从一个或多个摄影机捕获多个图像以将每个捕获图像内的对象与预定对象进行比较以确定所述对象是否已经被正确识别；以及从每个捕获图像中提取所述对象。所述计算机程序产品包括用于以下操作的指令：将至少一个梯度应用于每个提取的对象以生成多个梯度图像。所述计算机程序产品包括用于以下操作的指令：将所述提取的对象与所述预定对象进行比较；以及确定由所述至少一个梯度修改的所述提取的对象是否已经被正确识别。所述计算机程序产品包括用于以下操作的指令：建立所述一个或多个摄影机的性能阈值。(In at least one embodiment, a computer program product embodied in a non-transitory computer readable medium is provided that is programmed to detect a performance threshold of one or more cameras. The computer program product includes instructions for: capturing a plurality of images from one or more cameras to compare an object within each captured image to a predetermined object to determine whether the object has been correctly identified; and extracting the object from each captured image. The computer program product includes instructions for: at least one gradient is applied to each extracted object to generate a plurality of gradient images. The computer program product includes instructions for: comparing the extracted object with the predetermined object; and determining whether the extracted object modified by the at least one gradient has been correctly identified. The computer program product includes instructions for: establishing a performance threshold for the one or more cameras.)

用于图像的自动故障阈值检测的设备和方法

技术领域

本文所公开的方面总体上涉及一种用于提供图像的自动故障阈值检测的设备和方法。本文将更详细地论述这些方面和其他方面。

背景技术

车辆通常有必要识别车辆外部的图像以用于由车辆执行的多个功能。可训练深度学习/神经网络技术以识别由车辆上的摄像头捕获的图像。然而，可能难以确定在此类深度学习/神经网络技术或其他技术发生故障的情况下的阈值点。例如，可通过递增地增加剪切力来测试锤子以确定其抗张强度，以找出锤子发生故障的位置。然而，市场上没有等效的方法来检测使用深度学习技术以检测对象的摄影机系统的性能阈值。

如今，测试工程师可使用来自道路测试的摄影机镜头来检测对象。在具体情形中需要大量视频来寻找边缘情况。在许多情况下，需要在数百万英里内进行道路测试以捕获尽可能多的场景。在一些情况下，可在数十亿或数万亿英里内进行道路测试以捕获每种可能的路况。通常，深度学习技术需要数千个边缘情况情形(或训练数据)以了解什么是正确的结果(即，了解什么是正确的图像)。

发明内容

在至少一个实施方案中，提供一种体现在非暂时性计算机可读介质中的计算机程序产品，所述计算机程序产品被编程以检测一个或多个摄影机的性能阈值。所述计算机程序产品包括用于以下操作的指令：从一个或多个摄影机捕获多个图像以将每个捕获图像内的对象与预定对象进行比较，以确定所述对象是否已经被正确识别；以及从每个捕获图像中提取确定为被正确识别的所述对象。所述计算机程序产品包括用于以下操作的指令：将至少一个梯度应用于每个提取的对象以生成多个梯度图像。每个梯度图像包括由所述至少一个梯度修改的所述提取的对象。所述计算机程序产品包括用于以下操作的指令：将由所述至少一个梯度修改的所述提取的对象与所述预定对象进行比较；以及基于由所述至少一个梯度修改的所述提取的对象与所述预定对象的所述比较来确定由所述至少一个梯度修改的所述提取的对象是否已经被正确识别。所述计算机程序产品包括用于以下操作的指令：在确定由所述至少一个梯度修改的所述提取的对象是否已经被正确识别之后建立所述一个或多个摄影机的性能阈值。

在至少另一实施方案中，提供一种用于检测一个或多个摄影机的性能阈值的设备。所述设备包括存储器装置和图像检测器。所述图像检测器包括所述存储器装置，并且被配置来：从一个或多个摄影机捕获多个图像；以及将每个捕获图像内的对象与存储在所述存储器装置上的预定对象进行比较以确定所述对象是否已经被正确识别。所述图像检测器进一步被配置来：从确定为被正确识别的每个捕获图像中提取对象；以及将至少一个梯度应用于每个提取的对象以生成多个梯度图像，其中每个梯度图像包括由所述至少一个梯度修改的所述提取的对象。所述图像检测器进一步被配置来：将由所述至少一个梯度修改的所述提取的对象与所述预定对象进行比较；以及基于由所述至少一个梯度修改的所述提取的对象与所述预定对象的所述比较来确定由所述至少一个梯度修改的所述提取的对象是否已经被正确识别。所述图像检测器进一步被配置来在确定由所述至少一个梯度修改的所述提取的对象是否已经被正确识别之后建立所述一个或多个摄影机的性能阈值。

在至少另一实施方案中，提供一种用于检测一个或多个摄影机的性能阈值的设备。所述设备包括存储器装置和图像检测器。所述图像检测器包括所述存储器装置，并且被配置来：从一个或多个摄影机捕获多个图像；以及将每个捕获图像内的对象与存储在所述存储器装置上的预定对象进行比较以确定所述对象是否已经被正确识别。所述图像检测器进一步被配置来：从确定为被正确识别的每个捕获图像中提取对象；以及将至少一个梯度应用于每个提取的对象以生成多个梯度图像，其中每个梯度图像包括由所述至少一个梯度修改的所述提取的对象。所述图像检测器进一步被配置来：将由所述至少一个梯度修改的所述提取的对象与所述预定对象进行比较；以及基于由所述至少一个梯度修改的所述提取的对象与所述预定对象的所述比较来确定由所述至少一个梯度修改的所述提取的对象是否已经被正确识别。所述图像检测器进一步被配置来在确定由所述至少一个梯度修改的所述提取的对象是否已经被正确识别之后建立所述一个或多个摄影机的性能阈值。

附图说明

在所附权利要求中特别地指出本公开的实施方案。然而，通过结合附图参考以下

具体实施方式

，各种实施方案的其他特征将变得更显而易见并且将得到最好的理解，在附图中：

图1描绘根据一个实施方案的用于一个或多个摄影机的自动故障阈值检测的设备；

图2描绘根据一个实施方案的由设备检测到的图像集合；

图3描绘根据一个实施方案的提取的图像；

图4描绘根据一个实施方案的具有对应梯度水平的多个梯度图像；

图5大体描绘根据一个实施方案的由设备生成的复合图像；

图6描绘根据一个实施方案的执行用于一个或多个摄影机的自动故障阈值检测的方法；

图7描绘根据一个实施方案的来自捕获图像的正确识别的图像；

图8描绘根据一个实施方案的多个过滤的捕获图像；

图9描绘根据一个实施方案的自边界框提取的对象的图像；

图10描绘根据一个实施方案的多个生成的梯度图像；

图11描绘根据一个实施方案的每个生成的梯度图像的合成复合图像；并且

图12描绘根据一个实施方案的相对于初始图像的新的梯度图像集合。

具体实施方式

根据需要在本文公开本发明的详细实施方案；然而，将理解，所公开的实施方案仅仅示范了可能以各种和替代性形式体现的本发明。附图不一定按比例绘制；一些特征可能被放大或最小化以示出特定部件的细节。因此，本文中所公开的具体结构细节和功能细节不应被解释为是限制性的，而是仅仅作为教导本领域技术人员以不同方式运用本发明的代表性基础。

本公开的实施方案通常提供多个电路或其他电气装置。对所述电路和其他电气装置以及它们各自提供的功能性的所有参考无意受限于仅涵盖本文所说明和描述的内容。虽然可能将特定标记指派给所公开的各种电路或其他电气装置，但是此类标记无意限制所述电路和其他电气装置的操作范围。此类电路和其他电气装置可基于所期望的特定类型的电气实现方式通过任何方式彼此组合和/或分离。应认识到，本文所公开的任何电路或其他电气装置可包含任何数目个微控制器、图形处理器单元(GPU)、集成电路、存储器装置(例如，闪存(FLASH)、随机存取存储器(RAM)、只读存储器(ROM)、电可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或其的其他合适变体)和彼此协作以执行本文所公开的操作的软件。另外，所述电气装置中的任何一者或多者可被配置来执行体现在被编程为执行任何数目个所公开的功能的非暂时性计算机可读介质中的计算机程序。

本文所公开的方面通常提供一种设备和方法，其提供任何给定对象检测算法(或在基于电气的装置或电子设备上执行时的基于计算机的技术)的故障阈值以确定车辆上的任何数目个摄影机的故障率或范围。例如，所述设备可使用目标对象检测器来评估从车辆上的至少一个摄影机捕获的给定图像集合。所述设备可过滤正确识别的捕获图像，并且将正确识别的捕获图像与未正确识别的图像分离。正确识别的图像可对应于例如被设备正确识别为停车标志的停车标志(例如，就此而言为任何街道或道路标志)。错误识别的图像可对应于例如或许最初被识别为让路标志但实际上是停车标志的标志。所述设备可围绕每个正确识别的图像的对象生成边界框，并且提取由边界框包围的对象的内容。接着，所述设备可将不同水平(例如，0至100)的任何数目个特殊效果或梯度(例如，饱和度、失真、对比度、模糊度、清晰度、亮度等)应用于正确识别的图像以生成多个梯度图像。所述设备可将多个梯度图像复合回到正确识别的图像的初始集合。所述设备针对初始捕获图像重新评估多个梯度图像，然后确定通过率或故障率以建立阈值范围(或性能阈值)，在所述阈值范围中摄影机可能会发生故障(或另选地摄影机提供足够的性能)。例如，所述设备可确定特定摄影机可针对某一性能梯度(或感兴趣的梯度)，诸如从56至87的对比度水平(例如，0至100的范围),成功识别图像内的对象。因此，在此情况下，设备可确定当图像的对比度水平为56至87时，由摄影机捕获的任何图像可成功检测到车辆外部的对象的图像。因此，任何系统级工程师可针对特定摄影机关联对应对比度水平(或任何其他性能梯度)，并且在本质上理解摄影机的性能特性。

图1描绘根据一个实施方案的用于一个或多个摄影机20a至20n(“20”)的自动故障阈值检测的设备10。设备10通常包括图像检测器11，并且可定位在车辆13中。图像检测器11包括对象检测块12、控制器14、存储器16和用户界面18。对象检测块12电联接到控制器14。一个或多个摄影机20(以下称为“摄影机20”)可电联接到图像检测器11。摄影机20通常被配置来捕获车辆13外部的图像，并且将其传输到图像检测器11。虽然未示出，但是应认识到图像检测器11可在摄影机20中的任何一者中实现。另选地，图像检测器11可定位在位于车辆13中的任何基于硬件的电子控制单元中。另外，图像检测器11可分布在任何数目个集成电路上。图像检测器11可定位在车辆外部(即，在服务器上)并且经由基于云的实现方式进行与车辆13的无线通信。还应认识到，对象检测器块12的一个或多个元件可定位在车辆13外部，诸如在远离车辆13的服务器上，并且经由基于云的实现方式进行与车辆13的无线通信。类似地，还应认识到，控制器14和/或存储器16可定位在车辆外部，诸如在远离车辆13的服务器上，并且经由基于云的实现方式进行与车辆13的无线通信。

图像检测器11通常被配置来确定摄影机20中的任何一者的各种阈值。例如，图像检测器11可确定摄影机20有能力成功识别具体梯度范围(或性能梯度)内的对象的图像。应认识到，梯度可对应于饱和度、失真、对比度、模糊度、清晰度等中的任何一者或多者。例如，指定梯度范围可对应于0至100的任何饱和度水平、0至100的任何失真水平、0至100的任何对比度水平、0至100的任何模糊度水平、0至100的任何清晰度水平等。具体地，图像检测器11可确定例如摄影机20可成功识别车辆13外部的36至67的对比度水平以及针对任何其他感兴趣的性能梯度(诸如饱和度、失真、对比度、模糊度、清晰度、亮度等)的对象。摄影机系统设计者可利用此类信息来理解车辆13上的每个摄影机20的性能特性。

图像检测器11包括检测器块30、过滤器32、提取块34、梯度生成器36、合成器块38、评估块40和分析器块42。特定摄影机20将捕获图像提供给检测器块30。检测器块30执行对象检测算法以检测由摄影机20在预定数目个图像中捕获的对应对象。例如，检测器块30可确定捕获图像中的对应对象为但不限于道路标志，诸如停车标志、限速标志、让路标志等。检测器块30还可通过将对象与预定对象进行比较来确定在对应图像中检测到的对象已经被正确识别还是被错误识别。

例如，假设摄影机20已将具有限速标志对象的100个捕获图像提供给检测器块30，所述限速标志具有对应于限速的某一数值。进一步假设限速标志上的实际限速为25mph。捕获图像可正确识别25mph的限速，或者另选地错误识别不同的限速。检测器块30执行对象检测算法并且向捕获图像中的每个对应对象分配分数。分数通常对应于在100个捕获图像的每一者中检测到的对象(例如，限速标志)已经被检测器块30正确识别还是错误识别。检测器块30可向已经从100个捕获图像中正确识别出25mph的限速标志的每个图像分配值“1”。检测器块30可向已经从100个捕获图像中错误识别出25mph的限速标志(即，或许限速标志为35mph)的每个图像分配值“0”。检测器块30通过以下方式确定对应图像(或受测图像(IUT))中的检测到的对象(例如，限速标志)已经被正确识别还是被错误识别：将图像中的对象与对象的先前存储的对象(或预定对象)(例如，先前存储的对象可对应于限速标志或利用如由另一设备或人建立的地表真实图像集合建立的其他对象)进行比较，然后基于所述比较来确定图像中的对象是否类似于先前存储的对象。图2大体说明正确识别的图像50和错误识别的图像52。在确定对象被正确识别还是被错误识别之前，设备10围绕每个图像提供边界框35。如图2所示，正确识别的图像50说明25mph的限速标志，而错误识别的图像52说明35mph的限速标志。出于说明的目的，应认识到实际限速标志对应于25mph，并且出于某一原因，由于与特定摄影机20有关的失真或其他问题，检测器块30确定限速标志对应于35mph。

返回参考图1，过滤器32将正确识别的图像(例如，检测到的对象的值为“1”的图像)与错误识别的图像(例如，检测到的对象的值为“0”的图像)分离。再次，参考以上捕获了100个图像的实例，例如假设检测器块30确定50个图像具有被正确识别的对象，而50个图像具有被错误识别的对象。在此情况下，过滤器32将50个正确识别的图像与50个错误识别的图像分离。

提取块34针对边界框35中被正确识别的每个对象来评估对象。在以上实例中，存在用于50个正确识别的图像的50个边界框35。另选地，提取块34可围绕每个正确识别的图像放置4个坐标点。接着，提取块34提取边界框35内的对象。图3大体说明对应于由提取块34提取的对象的提取的图像54。

返回参考图1，梯度生成器36将不同水平(例如，0至100)的任何数目个特殊效果或梯度(例如，饱和度、失真、对比度、模糊度、清晰度等)应用于正确识别的图像的提取的对象以生成多个梯度图像。在此情况下，考虑期望理解特定摄影机20的对应对比度水平的实例。确切地，可期望确定特定摄影机20成功(或不成功)识别图像中的对象的对应对比度水平。用户可经由用户界面28选择图像检测器11以确定特定摄影机20的对应对比度水平。在此情况下，控制器14控制梯度生成器36以将0至100的对比度水平应用于从提取块34输出的每个正确识别的图像。例如，再次考虑提取块34生成50个正确识别的图像的50个边界框35。在此情况下，梯度生成器36对50个边界框中的每一者应用100个不同对比度水平。因此，梯度生成器36生成5000个梯度图像(例如，100个对比度水平*由提取块34提供的50个正确识别的边界框图像)。应认识到，用户可经由用户界面18控制图像检测器11以应用不同水平下的任何一个或多个梯度来确定特定摄影机20的感兴趣梯度(或性能梯度)。图4描绘在对应对比度水平下的一个正确识别的图像56的实例。图4还描绘在对应失真水平下的一个正确识别的图像58的实例。

合成器块38将多个梯度图像复合回到正确识别的图像的初始集合。对于以上所指出的实例，合成器块38将5000个梯度图像复合回到由过滤器32生成的正确识别的图像的初始集合。在此情况下，合成器块38将每个梯度图像复合为预定大小(例如，1”x 1”)。换句话说，合成器块38将新的图像参数累进图像***在由边界框建立的坐标下初始捕获的图像中，并且平面化每个图像层以提供复合图像。设备10可基于初始“基本”图像执行大小调整操作。每个基本图像可具有其自己的边界框坐标，并且提取的边界框图像可为不同比例(Wx H)。在复合之前，必须对这些不同比例进行大小调整以配合边界框尺寸(或坐标)。图5描绘图像被***边界框的坐标内(应注意，边界框实际上并不存在)并且平面化此图像层以提供复合图像。合成器块38将新的图像参数累进图像(例如，限速标志)***由摄影机20初始捕获的图像中。对由梯度生成器36生成的所生成梯度图像中的每一者执行此操作。在以上所指出的实例中，合成器块38将此类新的边界框60中的每一者***初始捕获的图像中以提供复合图像。多个梯度图像中的每一者(即，0至100的梯度水平)在边界框坐标中作为叠加层放置在初始基本图像上(例如，梯度值0+基本图像＝复合图像0，梯度值1+基本图像＝复合图像1、...一直到梯度值100+基本图像)。接着，合成器块38平面化每个图像以形成具有单个梯度对象的基本图像。

评估块40将每个复合图像中的对象(例如，具有所应用梯度水平)与对应于所述对象的先前存储的信息进行比较(或者与可对应于限速标志的预定对象或利用如由另一设备或人建立的地表真实图像集合所建立的其他对象进行比较)，以确定梯度图像的内容是否可被正确识别(例如，确定具有对应梯度的限速标志是否可被正确识别)。类似地，如以上结合检测器块30所描述，评估块40执行对象检测算法，并且向捕获图像中的每个对应对象分配分数。分数通常对应于复合图像中的对象(例如，限速标志)已经被检测器块40正确识别还是错误识别。例如，评估块40可向已经从5000个复合图像中正确识别出25mph的限速标志的每个图像分配值“1”。评估块40可向已经从5000个复合图像中错误识别出25mph的限速标志(即，或许限速标志为35mph)的每个图像分配值“0”。评估块40记录如由梯度生成器36对已经被正确识别的图像和已经被错误识别的图像应用的特定梯度水平(例如，饱和度、失真、对比度、模糊度、清晰度等)。

评估块40通过以下方式确定对应新的边界框60中的每个梯度图像(例如，限速标志)的内容已经被正确识别还是被错误识别：将每个梯度图像的内容与对象的先前存储的表示(例如，限速标志的先前存储的图像)进行比较，然后基于所述比较来确定梯度图像中的内容是否类似于先前存储的对象。

分析器块42通过确定特定梯度图像中的哪一个已经由评估块40错误识别来确定对应摄影机20的故障率。分析器块42接收与对应于错误识别的梯度图像的特定梯度水平对应的信息并且提供故障率。例如，考虑到感兴趣梯度是特定摄影机20的对比度水平，并且分析器块42确定摄影机的故障率处于56或更低的对比度水平(从0至100的水平)和87或更高的对比度水平。接着，分析器块42可确定由摄影机20捕获的具有56或更低和87或更高的对比度水平的图像将不会被摄影机20正确识别。例如，如果存在10个基本图像(和1000个复合图像)并且感兴趣梯度为对比度，则将存在10个最小梯度通过水平(最小GPL)和10个最大梯度水平(最大GPL)。10GPL最小值为10、10、15、15、20、20、25、30和30。摄影机对比度GPL最小可解释为20，其中标准偏差为6.7。

分析器块42还可确定可正确识别感兴趣摄影机20的对比度水平在57与86之间的任何图像。接着，分析器块42可向用户界面18提供对比度水平的故障率信息和/或成功率信息以向用户提供此类信息。因此，任何系统级工程师可针对特定摄影机关联对应对比度水平，并且在本质上理解摄影机的性能特性(即，在正确识别特定感兴趣梯度下的图像的故障率或成功率)。

图2描绘根据一个实施方案的执行用于一个或多个摄影机20的自动故障阈值检测的方法80。

在操作82中，图像检测器11从定位在车辆13上的每个摄影机20接收任何数目个捕获图像。

在操作84中，检测器块30执行基于对象的算法以检测定位在预定数目个捕获图像内的对应对象(例如，如存在于车辆13外部的视野中的限速标志)。检测器块30识别捕获图像内的对象，并且执行对象检测算法以确定捕获图像中的所识别对象是否已经被正确识别。检测器块30通过以下方式确定对应图像中的检测到的对象(例如，限速标志)的内容已经被正确识别还是被错误识别：将对象与对象的先前存储的表示(例如，限速标志的先前存储的图像)进行比较，然后基于所述比较来确定图像中的对象是否类似于先前存储的对象。检测器块30向图像中的对象被正确识别的每个图像分配值“1”，并且向图像中的对象被错误识别的每个图像分配值“0”。图7说明两个分离的图像102a和102b，所述图像已经由摄影机20捕获并且各自包括已经被正确识别的对象(即，在此情况下限速为45mph)。

在操作86中，过滤器32将正确识别的图像(例如，检测到的对象的值为“1”的图像)与错误识别的图像(例如，检测到的对象的值为“0”的图像)分离。例如，假设检测器块30确定50个图像具有正确识别的对象，并且50个图像具有错误识别的对象。在此情况下，过滤器32将50个正确识别的图像与50个错误识别的图像分离。图8说明来自已经被错误识别的任何图像的多个过滤的捕获图像。如以上所指出，设备10在确定对象被正确识别还是被错误识别之前在每个图像上生成并且应用边界框35。

在操作88中，提取块34从边界框35内提取对象。如图9所示，边界框35围绕正确识别的图像102a的对象放置。图9说明围绕正确识别的图像102a存在边界框35。然而，应认识到，边界框35也可围绕图8的正确识别的图像102b放置。

在操作90中，梯度生成器36将不同水平(例如，0至100)的任何数目个特殊效果或梯度(例如，饱和度、失真、对比度、模糊度、清晰度等)应用于正确识别的图像的提取的对象以生成多个梯度图像。多个梯度图像是具有单个图像参数(或单个梯度)的图像，所述单个图像参数可为例如亮度。图10说明针对对比度(大体参见110)和对应高斯噪声(大体参见112)而应用于正确识别的图像102a的对应梯度水平(例如，0、25、50、75、100)以与。如在112处大体示出，应用于图像102a的每个对比度水平(例如，0、25、50、75和100)的对应高斯噪声。通常，如果可将图像参数转换定义为对图像的许多参数(或梯度)(例如，亮度、对比度等)中的一者的可缩放修改，则高斯噪声被认为是图像参数变换，其可例如类似于改变亮度。

在操作92中，合成器块38将多个梯度图像复合回到正确识别的图像的初始集合。例如，合成器块38将多个梯度图像复合回到由过滤器32生成的正确识别的图像的初始集合。100个梯度图像中的每一者在边界框坐标中作为叠加层放置在初始基本图像上(例如，梯度值0+基本图像＝复合图像0，梯度值1+基本图像＝复合图像1等)。接着，合成器块38平面化图像以形成具有单个梯度对象的基本图像。图11描绘图像102a的每个生成的梯度图像的合成后复合图像。合成器块38将每个新的图像参数累进图像***在边界框坐标下初始捕获的图像中，并且平面化每个图像层以提供复合图像。另外，设备10基于初始“基本”图像而执行大小调整操作。这可在操作92中执行。每个基本图像具有其自己的边界框坐标，并且提取的边界框图像可具有不同比例(例如，W x H)并且在复合之前。这些不同比例被调整大小以配合边界框尺寸。通常，复合图像将不会使边界框注入图像中。随着新的复合图像生成，对于方法90不应存在任何协助来定位对象(例如，在此情况下在标志上)。

在操作94中，评估块40将每个复合图像中的对象(例如，具有所应用梯度水平)与对应于所述对象的先前存储的信息进行比较以确定梯度图像的内容是否可被正确识别(例如，确定具有对应梯度的限速标志是否可被正确识别)。如以上所指出，评估块40可向已经从整个复合图像集合中正确识别出具有所应用梯度水平的对象的每个图像分配值“1”。评估块40可向尚未从整个复合图像集合中正确识别出具有所应用梯度水平的对象的每个图像分配值“0”。评估块40记录如由梯度生成器36对已经被正确识别的图像和已经被错误识别的图像应用的特定梯度水平(例如，饱和度、失真、对比度、模糊度、清晰度等)。

在操作96中，分析器块42通过确定特定梯度图像中的哪一个已经由评估块40错误识别来确定对应摄影机20的故障率。如以上所指出，分析器块42接收与对应于错误识别的梯度图象的特定梯度水平对应的信息并且提供故障率(或者摄影机20的故障率范围)。再次，例如，考虑到感兴趣梯度是特定摄影机20的对比度水平，并且分析器块42确定摄影机的故障率处于56或更低的对比度水平(从0至100的水平)和87或更高的对比度水平。接着，分析器块42可确定由摄影机20捕获的具有56或更低和87或更高的对比度水平的图像将不会被摄影机20正确识别。分析器块42还可确定可正确识别感兴趣摄影机20的对比度水平在57与86之间的任何图像。另选地，分析器块42可接收与对应于正确识别的梯度对象的特定梯度水平对应的信息并且提供特定摄影机20的成功率(或者摄影机20的成功率范围)。分析器块42可在确定成功率范围之后确定特定感兴趣梯度的故障率范围。接着，分析器块42可向用户界面18提供对比度水平的故障率信息和/或成功率信息以向用户提供此类信息。因此，任何系统级工程师可针对特定摄影机关联对应对比度水平，并且在本质上理解摄影机的性能特性(即，在正确识别特定感兴趣梯度下的图像的故障率或成功率)。

在操作98中，用户界面18向用户界面18提供对比度水平(或感兴趣梯度)的故障率信息和/或成功率信息以向用户提供此类信息。

一般而言，以正确识别的图像进行可能是有利的，因为对象检测可被经典地定义为检测图像内的有效对象。实景图像可不包含有效对象。正确去除或清除图像需要以下先验知识：对象相对于经由可能不可用的硬件执行的算法的无效程度。可易于将数据添加或注入图像中。因此，将数据注入图像中以将有效对象逐渐变换成无效对象可能很简单。最后，可能是有利的是，在图像从通过阈值转变为故障阈值时确定摄影机20的退化性能的阈值。

图12大体描绘相对于初始图像的新的梯度图像集合和如基于图像参数变换(IPT)值识别的各种分类。例如，假设在所有IPT中，“0”对应于初始图像，并且“100”对应于“全参数变换”。如现在定义的此类标识说明如大体在110处示出的最暗图像(参考最左侧图像)为100，并且未修改图像为0(参见最右侧图像)。

出于完整性的目的，错误分类对应于如由方法80确定的对象的估计错误类型(例如，标志的限速为40mph比45mph)，并且错误边界框指示方法80确定了标志(或对象)在图像中的不同位置。

元素120大体指示错误分类的最低IPT值，所述最低IPT值通常对应于引起错误分类的图像参数变换的最小值。因此，就元素120而言，IPT值为25，并且所有其他错误分类在较高IPT值下发生(这些在图12中未示出)。

元素122大体指示具有正确分类的最高IPT值，而与任何其他错误分类无关。在此情况下，图像参数变换的最高值是正确分类的31。所有其他正确分类在较低IPT值下发生(这些在图12中未示出)。

元素124大体指示在坐标误差的指定公差内的错误边界框的最低IPT值。例如，元素124对应于致使方法80错误检测图像中别处的标志(或对象)的IPT的最小值。在此情况下，错误边界框的最低IPT值为60，并且所有其他错误边界框在较高IPT值下发生(这些在图12中未示出)。

元素126大体指示在坐标误差的指定公差内并且与任何其他错误边界框无关的正确边界框的最高IPT值。例如，元素126对应于致使方法80正确检测图像中的标志的IPT的最大值。在此情况下，最高IPT值为90，并且所有其他正确的边界框在较低IPT值下发生。

虽然在上文描述了示范性实施方案，但是并不意图这些实施方案描述本发明的所有可能的形式。而是，说明书中所使用的词语是描述而非限制的词语，并且应理解，可在不脱离本发明的精神和范围的情况下作出各种改变。另外，可对各种实现的实施方案的特征进行组合以形成本发明的其他实施方案。