[發明專利]一種基于遷移學習的圖像能見度檢測方法

有效

• 申請號: 201810515767.6
• 申請日: 2018-05-25
• 公開（公告）號: CN108875794B
• 公開（公告）日: 2020-12-04
• 發明（設計）人: 李騫;唐紹恩;馬強;馬爍
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 江蘇圣典律師事務所 32237
• 代理人: 胡建華;于瀚文

1.一種基于遷移學習的圖像能見度檢測方法，其特征在于，包括以下步驟：

步驟1，訓練能見度檢測模型：輸入訓練集圖像，對訓練集中每幅圖像進行子區域圖像劃分；通過預訓練的VGG-16深度神經網絡編碼，提取各子區域圖像對應的N維特征向量；利用各子區域圖像特征向量和能見度標注值訓練支持向量回歸機，得到能見度檢測模型；

步驟2，能見度檢測模型測試：輸入測試圖像，對測試圖像進行子區域圖像劃分；通過預訓練的VGG-16深度神經網絡編碼，提取各子區域圖像對應的N維特征向量；將各子區域圖像特征向量代入步驟1訓練的能見度檢測模型，經回歸預測得到各子區域能見度估計值；融合各子區域能見度估計值，輸出整幅圖像能見度檢測值；

步驟1包括以下步驟：

步驟1-1，對訓練集中每幅圖像進行子區域圖像劃分：將訓練集中每幅圖像劃分為RegionNum個子區域，每個子區域分辨率為224×224，其中，ImageWidth表示訓練集圖像的寬度，ImageHeight表示訓練集圖像的高度，表示向上取整；子區域Region_(i,j)的左上角像素橫坐標和縱坐標分別為：

i、j分別表示子區域Region_(i,j)在圖像子區域集合中的行數和列數，表示向下取整；子區域Region_(i,j)的右上角像素橫坐標和縱坐標分別為子區域Region_(i,j)的左下角像素橫坐標和縱坐標分別為子區域Region_(i,j)的右下角像素橫坐標和縱坐標分別為

步驟1-2，深度神經網絡編碼：依次將各子區域圖像輸入預訓練的VGG-16深度神經網絡，提取第三個全連接層輸出的N維特征向量，作為該子區域圖像特征向量v_i；

步驟1-3，訓練支持向量回歸機：利用子區域圖像特征向量和對應能見度真值訓練支持向量回歸機，得到圖像特征和能見度的回歸模型，即能見度檢測模型；

步驟1-3包括以下步驟：

步驟1-3-1：構建樣本集：將一幅子區域圖像經步驟1-3提取的特征向量v_i作為樣本特征對應區域的能見度標注值y_i作為樣本目標值，構成一組樣本設定訓練集樣本圖像數量為ImageNum，則子區域圖像數量為ImageNum×RegionNum，即共有ImageNum×RegionNum組訓練樣本，將訓練樣本集記為表示訓練樣本集中第i組訓練樣本；n為訓練樣本數量，數值上等于子區域圖像總數，即n＝ImageNum×RegionNum；

步驟1-3-2：建立回歸模型：利用樣本集數據訓練支持向量回歸機，得到能見度回歸模型，即能見度檢測模型；

步驟1-3-3：參數尋優：通過網絡搜索和交叉驗證，尋找回歸模型的最佳參數；

步驟1-3-2包括以下步驟：

步驟1-3-2-1：建立如下優化目標和約束條件：

其中，s.t.表示約束條件，ω為超平面權重系數列向量，ω^T表示其轉置，ε為回歸函數誤差限值，C為懲罰因子，ξ_i和分別為松弛變量上界和松弛變量下界，是將訓練樣本映射到高維線性空間的非線性函數，b是超平面的常系數；

步驟1-3-2-2：對偶變換求解：引入Lagrange函數，對步驟1-3-2-1建立的優化目標和約束條件作對偶變換求解，變換后等價形式為：

其中，α_i和為Lagrange乘子，為核函數，γ為核函數參數，j取值范圍為1～n；

步驟1-3-2-3：確定含參非線性方程：求解步驟1-3-2-2的等價形式，得到Lagrange乘子最優解向量其中α_i和表示第i組訓練樣本對應的一組對偶Lagrange乘子，則有：

其中，SV表示支持向量，即滿足|y_i-f(x_i)|＝ε的_SV為支持向量的數量，表示待測圖像的子區域特征向量，故非線性方程為：

步驟1-3-3包括以下步驟：

步驟1-3-3-1：網絡搜索：設定參數ε的取值區間為[ε_min,ε_max]、C的取值區間為[C_min,C_max]、核函數參數γ的取值區間為[γ_min,γ_max]，設定參數ε的步長為εstep、C的步長為Cstep、核函數參數γ的步長為γstep，順序算出對應各參數的組合(ε_min+u_ε×εstep,C_min+u_C×Cstep,γ_min+u_γ×γstep)，其中u_ε、u_C和u_γ為正整數，且ε_min+u_ε×εstep≤ε_max,C_min+u_C×Cstep≤C_max,γ_min+u_γ×γstep≤γ_max，對每一種組合進行交叉驗證，逐一比較各種組合的均方誤差并擇優，從而確定該區間內最優參數組合[ε^*,C^*,γ^*]，ε^*為參數ε的最優選擇，C^*為參數C的最優選擇，γ^*為核函數參數γ的最優選擇；

步驟1-3-3-2：確定最終回歸模型：將步驟1-3-3-1得到的最優參數組合[ε^*,C^*,γ^*]代入步驟1-3-2-3，確定最終回歸模型即得到了能見度檢測模型；

步驟1-3-3-1中所述對每一種組合進行交叉驗證，具體包括：

對于一組給定的參數組合：

[ε_min+u_ε×εstep,C_min+u_C×Cstep,γ_min+u_γ×γstep]，

其中u_ε、u_C和u_γ為正整數，將訓練樣本集S進行隨機等分為v份，將其中的v-1份作為訓練樣本，余下的1份作為測試圖像，共得到v組交叉驗證所用的訓練樣本及相應的測試圖像，將訓練樣本作為支持向量回歸機的輸入，建立回歸模型，并用對應的測試圖像校驗擬合效果，依次輪換進行，得到v個表征擬合效果的均方誤差MSE，選取最小的均方誤差作為本參數組合的均方誤差MSE_i，MSE表達式如下所示：

其中，t是每組測試圖像的樣本個數，y_i^*是模型輸出能見度值；

步驟2包括以下步驟：

步驟2-1，測試圖像區域劃分：將測試圖像劃分子區域；

步驟2-2，深度神經網絡編碼：依次將各子區域圖像輸入預訓練的VGG-16深度神經網絡，提取第三個全連接層輸出的N維特征向量，作為該子區域圖像特征向量fc_(r,c)；

步驟2-3，回歸預測：將各子區域特征向量輸入訓練得到的回歸模型f(x)^*，計算子區域能見度序列；

步驟2-4，子區域能見度融合：將各子區域能見度估計值取平均，作為整幅圖像能見度檢測值vt；

步驟2-3包括以下步驟：

步驟2-3-1，單一子區域能見度估計：將子區域圖像特征向量fc_(r,c)輸入步驟1-3-3-2獲取的回歸模型令計算得到子區域能見度估計值f_(r,c)^*；

步驟2-3-2，子區域能見度序列估計：將各子區域圖像依次執行步驟2-3-1，獲得子區域能見度序列；

步驟2-4中通過如下公式計算整幅圖像能見度檢測值vt：

其中，RegionNum為子區域數量，