[發明專利]一種基于對抗學習的車輛圖像優化方法及系統

在審

• 申請號: 201910694429.8
• 申請日: 2019-07-30
• 公開（公告）號: CN110458060A
• 公開（公告）日: 2019-11-15
• 發明（設計）人: 翁健;黎天琦;魏凱敏;張悅;何政宇;陳思念;馮丙文;劉志全
• 申請（專利權）人: 暨南大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 44245 廣州市華學知識產權代理有限公司
• 代理人: 李斌<國際申請>=<國際公布>=<進入國

1.一種基于對抗學習的車輛圖像優化方法，其特征在于，包括下述步驟：

S1：收集不同角度拍攝的車輛圖像，將車輛圖像劃分為標準場景圖像和非標準場景圖像；

S2：對非標準圖像進行圖像預處理，將預處理后的圖像作為低質量數據集；

S3：構建基于生成對抗網絡的車輛圖像優化模型，所述車輛圖像優化模型包括生成器、判別器和特征提取器；

S4：訓練基于生成對抗網絡的車輛圖像優化模型：

S41：輸入低質量數據集到生成器中，經由生成器網絡中各層神經元非線性組合輸出生成的高質量圖像；

S42：將生成的高質量圖像、對應的真實高質量圖像輸入到判別器和特征提取器中，得到生成的高質量圖像、對應的真實高質量圖像判定為真實圖像的概率和圖像特征矩陣；

S43：設置損失函數，采用反向傳播計算網絡權重梯度并更新車輛圖像優化模型參數；

S44：循環執行步驟S41-S43；

S5：車輛圖像優化模型訓練完成后，保留生成器作為最終的車輛圖像優化模型，輸入多場景車輛圖像，輸出優化的標準場景圖像。

2.根據權利要求1所述的基于對抗學習的車輛圖像優化方法，其特征在于，步驟S2所述對非標準圖像進行圖像預處理，所述圖像預處理采用圖像加噪、亮度變換、隨機擦除或模糊處理中的任意一種或多種。

3.根據權利要求1所述的基于對抗學習的車輛圖像優化方法，其特征在于，步驟S41所述輸入低質量數據集到生成器中，所述生成器設置編碼器和解碼器，編碼器學習輸入的低質量車輛圖像特征并編碼成特征矩陣，解碼器將輸入圖像特征信息解碼成標準場景車輛圖像。

4.根據權利要求1所述的基于對抗學習的車輛圖像優化方法，其特征在于，步驟S43中所述設置損失函數，所述損失函數包括對抗損失函數、L1損失函數和感知損失函數。

5.根據權利要求4所述的基于對抗學習的車輛圖像優化方法，其特征在于，

所述對抗損失函數具體計算公式為：

其中，y～Y表示y服從于標準場景下的車輛圖像分布，x～X表示x服從于復雜場景下的車輛圖像分布，E表示每一批樣本的期望；

所述L1損失函數具體計算公式為：

其中，表示真實圖像中第i行第j個像素，表示生成圖像中第i行第j個像素，W和H分別表示輸入圖像的長和寬；

所述感知損失函數具體計算公式為：

其中，表示真實圖像特征第i行第j列第m維的值，表示生成圖像特征第i行第j列第m維的值，W_m和H_m分別表示提取出的特征矩陣的長和寬；

生成器最終的損失函數為：

L＝λ₁L_adv+λ₂L_pixcel+λ₃L_per；

其中，λ₁、λ₂、λ₃表示對抗損失函數、L1損失函數和感知損失函數的占比權重。

6.一種基于對抗學習的車輛圖像優化系統，其特征在于，包括：、圖像預處理模塊、車輛圖像優化模型構建模塊和車輛圖像優化模型訓練模塊；

所述圖像預處理模塊用于對非標準圖像進行圖像預處理，得到低質量數據集；

所述車輛圖像優化模型構建模塊包括生成器、判別器和特征提取器，所述生成器用于將低質量數據集生成高質量圖像，所述判別器用于區分輸入圖像是真實高質量圖像或者是生成的高質量圖像，所述特征提取器用于提取生成的高質量圖像和真實高質量圖像的圖像特征；

所述車輛圖像優化模型訓練模塊用于訓練構建的車輛圖像優化模型，將低質量數據集輸入車輛圖像優化模型中，通過損失函數和反向傳播更新模型參數，得到最終的車輛圖像優化模型。