CN109035369A - 一种融合虚拟样本的样本扩充方法 - Google Patents
一种融合虚拟样本的样本扩充方法 Download PDFInfo
- Publication number
- CN109035369A CN109035369A CN201810764775.4A CN201810764775A CN109035369A CN 109035369 A CN109035369 A CN 109035369A CN 201810764775 A CN201810764775 A CN 201810764775A CN 109035369 A CN109035369 A CN 109035369A
- Authority
- CN
- China
- Prior art keywords
- logo
- sample
- pixel
- image
- collected
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 8
- 238000007796 conventional method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000001815 facial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 125000000205 L-threonino group Chemical group [H]OC(=O)[C@@]([H])(N([H])[*])[C@](C([H])([H])[H])([H])O[H] 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种融合虚拟样本的样本扩充方法,其特征在于包括如下步骤:第一步,对采集到的车标真实样本进行车标消除处理,制作成无车标的车辆模型库;第二步,然后对收集到的车标样本增加噪声、扰动等处理以扩大样本集,之后通过图割方法对车标进行分离;第三步,将分离的车标与车辆图像进行组合与融合,最终生成虚拟样本。本发明的有益效果为:在样本量较少的情况下,提出一种新的样本扩充方案,该方法也能在更大程度上获得车标的多样性,从而提高识别的准确率和适应性,尤其是针对某些不常见且现有样本库较少的样本。
Description
技术领域
本发明涉及一种利用计算机视觉技术来融合虚拟样本的样本扩充方法,尤其是针对增加车标样本数量的方法。
背景技术
随着经济的发展,汽车数量急剧增加,而这种现象带来了诸多社会问题,特别是在一线发达城市的交通问题。这些问题集中体现在道路拥堵,交通事故频发,车辆违章行为屡禁不止等。在处理交通问题的过程中,对于违章车辆的智能识别成尤为关键,车标作为车辆的重要标志,对车辆识别起到了重要的辅助作用。现阶段国内外大都采用深度学习技术对车标进行识别,而在此技术中,车标样本的搜集与扩充成为重要问题。
为了扩充样本,国内有一些论文已提到了不同的方法,其中有较多的传统方法如:文献(基于样本扩充的小样本人脸识别研究。哈尔滨工业大学,2014)中提出了两种样本扩充的方法:基于“对称脸”的样本扩容方法、基于“镜面”的样本扩容方法。第一种方法是人脸样本进行轴对称变换,保持一半人脸不变,另一半人脸通过做轴对称变换得到。同时对左、右人脸做轴对称变换,得到的虚拟人脸图像。第二种基于“镜面来扩充训练样本的样本扩充方法的核心思想是将原始训练样本做几何变换来扩充训练样本。两种方法皆可以相同的方式用于对称的车标中以增加车标样本量,这也是扩充样本的传统方法。文献(卷积神经网络在车标识别技术中的研究及其小样本下的处理策略。安徽大学,2016)中提出了两种方法:基于加噪和几何变换的扰动方法、基于特征子空间的扰动方法。第一种方法是将车标图进行旋转平移和加噪,这种方法可以满足样本多样化的特性,也属于样本扩充的传统方法。第二种是对特征子空间进行扰动于是对原始图片的主成分进行小的扰动,生成的图片与原始图片非常接近,造成训练样本过于单一,实验的准确率无法得到大的提高。文献(人脸图像虚拟样本生成方法。电子科技大学,2015)提出对源姿态人脸图像训练样本和目标姿态人脸图像训练样本进行控制点标定,然后将源姿态控制点训练样本集合作为RBF神经网络的输入和输出,训练得到的RBF神经网络拟合模型使生成的人脸图像虚拟样本更加接近真是样本,进而提高人脸识别率,但该方法工作成本和时间成本过高,虚拟样本生成的效率较低。
综上所述,现有方法中,大都以传统方法为主,而其余方法成本较高。本发明基于传统方法,针对车标样本不足的情况,提出了一种融合虚拟样本的样本扩充方法。
发明内容
由于使用先验知识扩充样本的方法和扰动方法都有一定的局限性,并不能产生大量的虚拟样本,因此,针对车标数据集较小的问题,本发明提出一种融合虚拟样本的样本扩充方法。
一种融合虚拟样本的样本扩充方法,其特征在于包括如下步骤:
第一步,对采集到的车标真实样本进行车标消除处理,制作成无车标的车辆模型库;
第二步,然后对收集到的车标样本增加噪声、扰动处理以扩大样本集,之后通过图割方法对车标进行分离;
第三步,将分离的车标与车辆图像进行组合与融合,最终生成虚拟样本。
所述的一种融合虚拟样本的样本扩充方法,其特征在于第一步中车标消除处理的步骤为:
步骤1.1:对采集到的真实车辆图像I进行标注,记车标位置为R(x,y,w,h),其中图像I的左上角为像素坐标原点,(x,y)为矩形区域R左上角的坐标,h与w分别为R的高和宽,单位为像素;
步骤1.2:计算矩形包围框集合RE={REi|i=1,2,3,4},使其满足如下公式,
其中ρ为事先给定的系数;
步骤1.3:使用区间在3×3至5×5之间的结构元对集合RE进行中值滤波,并使用式(2)分别计算REk的像素均值与方差σk,k=1,2,3,4:
其中Nk为区域REk的像素个数,为REk中第i行第j列像素的强度;步骤1.4:若则使用对区域R进行填充;否则,若且σ1+σ3>σ2+σ4,则根据式(4)和(5)消除车标;否则,若且σ1+σ3≤σ2+σ4,则根据式(6)和(7)消除车标:
Rij=EXj (5)
其中,EXj为RE1与RE3中第j列的像素均值,Rij为车标图像第i行第j列的像素强度,j=1,2,...,w;
Rij=EXi (7)
其中,EXi为RE2与RE4中第i列的像素均值,i=1,2,...,h。
本发明的有益效果为:在样本量较少的情况下,提出一种新的样本扩充方案,该方法也能在更大程度上获得车标的多样性,从而提高识别的准确率和适应性,尤其是针对某些不常见且现有样本库较少的样本。
附图说明
图1为滤波区域示意图;
图2为进气栅划分示意图;
图3为前车标消除结果;
图4为后车标消除结果;
图5为前车标消除后换新车标效果图;
图6为后车标消除后换新车标效果图。
具体实施方式
下面结合实施例来详细阐述内部集卡定位方法的具体实施方法。此处所描述的具体实例仅用于解释本发明,并不用于限定本发明。
消除车标的方法具体为:
步骤1:对采集到的真实车辆图像I进行标注,记车标位置为R(x,y,w,h),其中图像I的左上角为像素坐标原点,(x,y)为矩形区域R左上角的坐标,h与w分别为R的高和宽,单位为像素;
步骤2:计算矩形包围框集合RE={REi|i=1,2,3,4},使其满足如下公式,
由于车标周围区域的像素宽度参数ρ过小而易受噪声影响,过大则会降低车标位置判断精确度(位于引擎盖或进气栅上),故实验中取3。
步骤3:使用3×3的结构元对集合RE进行中值滤波,并使用下式分别计算REk的像素均值与方差σk,k=1,2,3,4,
其中Nk为区域REk的像素个数,为REk中第i行第j列像素的强度;
步骤4:通常车标位于汽车的进气栅内或者进气栅上方的引擎盖上,实验过程中,方差阈值thres取0.8,以提高车标位置判断精确度。在RE区域分为两种情况讨论:
1.若车标不在进气栅中,即则使用对区域R进行填充以消除车标;
2.若车标在进气栅中,则的值较大,将进气栅分为横向与纵向两种情况:
1).若σ1+σ3>σ2+σ4,即RE1与RE3中像素间的差异较大,判断为纵向进气栅,则根据下式消除车标,
Rij=EXj 5)
其中EXj为RE1与RE3中第j列的像素均值,Rij为车标图像第i行第j列的像素强度,j=1,2,...,w;
2).若σ1+σ3≤σ2+σ4,即RE2与RE4中像素间的差异较大,判断为横向进气栅,则根据下式消除车标,
Rij=EXi 7)其中EXi为RE2与RE4中第i列的像素均值,i=1,2,...,h;
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围的不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (2)
1.一种融合虚拟样本的样本扩充方法,其特征在于,包括如下步骤:
第一步,对采集到的车标真实样本进行车标消除处理,制作成无车标的车辆模型库;
第二步,然后对收集到的车标样本增加噪声、扰动处理以扩大样本集,之后通过图割方法对车标进行分离;
第三步,将分离的车标与车辆图像进行组合与融合,最终生成虚拟样本。
2.根据权利要求1所述的一种融合虚拟样本的样本扩充方法,其特征在于,所述第一步中车标消除处理的步骤为:
步骤1.1:对采集到的真实车辆图像I进行标注,记车标位置为R(x,y,w,h),其中图像I的左上角为像素坐标原点,(x,y)为矩形区域R左上角的坐标,h与w分别为R的高和宽,单位为像素;
步骤1.2:计算矩形包围框集合RE={REi|i=1,2,3,4},使其满足如下公式,
其中ρ为事先给定的系数;
步骤1.3:使用区间在3×3至5×5之间的结构元对集合RE进行中值滤波,并使用式(2)分别计算REk的像素均值与方差σk,k=1,2,3,4:
其中Nk为区域REk的像素个数,为REk中第i行第j列像素的强度;
步骤1.4:若则使用对区域R进行填充;否则,若且σ1+σ3>σ2+σ4,则根据式(4)和(5)消除车标;否则,若且σ1+σ3≤σ2+σ4,则根据式(6)和(7)消除车标:
Rij=EXj (5)
其中,EXj为RE1与RE3中第j列的像素均值,Rij为车标图像第i行第j列的像素强度,j=1,2,...,w;
Rij=EXi (7)
其中,EXi为RE2与RE4中第i列的像素均值,i=1,2,...,h。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810764775.4A CN109035369B (zh) | 2018-07-12 | 2018-07-12 | 一种融合虚拟样本的样本扩充方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810764775.4A CN109035369B (zh) | 2018-07-12 | 2018-07-12 | 一种融合虚拟样本的样本扩充方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109035369A true CN109035369A (zh) | 2018-12-18 |
CN109035369B CN109035369B (zh) | 2023-05-09 |
Family
ID=64641930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810764775.4A Active CN109035369B (zh) | 2018-07-12 | 2018-07-12 | 一种融合虚拟样本的样本扩充方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109035369B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619312A (zh) * | 2019-09-20 | 2019-12-27 | 百度在线网络技术(北京)有限公司 | 定位元素数据的增强方法、装置、设备及存储介质 |
CN111292396A (zh) * | 2020-01-16 | 2020-06-16 | 武汉轻工大学 | 图像样本集生成方法、设备、装置及存储介质 |
CN111291833A (zh) * | 2020-03-20 | 2020-06-16 | 京东方科技集团股份有限公司 | 应用于监督学习系统训练的数据增强方法和数据增强装置 |
CN111340878A (zh) * | 2020-05-15 | 2020-06-26 | 支付宝(杭州)信息技术有限公司 | 图像处理方法以及装置 |
CN111461227A (zh) * | 2020-04-01 | 2020-07-28 | 北京字节跳动网络技术有限公司 | 样本生成方法、装置、电子设备和计算机可读介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650550A (zh) * | 2015-10-28 | 2017-05-10 | 中通服公众信息产业股份有限公司 | 一种融合车标与车头图像特征的车辆型号识别方法及系统 |
-
2018
- 2018-07-12 CN CN201810764775.4A patent/CN109035369B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650550A (zh) * | 2015-10-28 | 2017-05-10 | 中通服公众信息产业股份有限公司 | 一种融合车标与车头图像特征的车辆型号识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
李熙莹等: "基于Edge Boxes的大型车辆车标检测与识别", 《计算机工程与应用》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619312A (zh) * | 2019-09-20 | 2019-12-27 | 百度在线网络技术(北京)有限公司 | 定位元素数据的增强方法、装置、设备及存储介质 |
CN111292396A (zh) * | 2020-01-16 | 2020-06-16 | 武汉轻工大学 | 图像样本集生成方法、设备、装置及存储介质 |
CN111292396B (zh) * | 2020-01-16 | 2023-08-29 | 武汉轻工大学 | 图像样本集生成方法、设备、装置及存储介质 |
CN111291833A (zh) * | 2020-03-20 | 2020-06-16 | 京东方科技集团股份有限公司 | 应用于监督学习系统训练的数据增强方法和数据增强装置 |
CN111461227A (zh) * | 2020-04-01 | 2020-07-28 | 北京字节跳动网络技术有限公司 | 样本生成方法、装置、电子设备和计算机可读介质 |
CN111461227B (zh) * | 2020-04-01 | 2023-05-23 | 抖音视界有限公司 | 样本生成方法、装置、电子设备和计算机可读介质 |
CN111340878A (zh) * | 2020-05-15 | 2020-06-26 | 支付宝(杭州)信息技术有限公司 | 图像处理方法以及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109035369B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035369A (zh) | 一种融合虚拟样本的样本扩充方法 | |
CN108549864B (zh) | 面向车载热成像行人检测的感兴趣区域过滤方法和装置 | |
CN105989334B (zh) | 基于单目视觉的道路检测方法 | |
Ming et al. | Vehicle detection using tail light segmentation | |
Li et al. | Nighttime lane markings recognition based on Canny detection and Hough transform | |
CN104700072B (zh) | 基于车道线历史帧的识别方法 | |
CN110443225A (zh) | 一种基于特征像素统计的虚实车道线识别方法及其装置 | |
KR101483742B1 (ko) | 지능형 차량의 차선 검출방법 | |
CN103413119A (zh) | 基于人脸稀疏描述子的单样本人脸识别方法 | |
CN106919902A (zh) | 一种基于cnn的车辆识别和轨迹追踪方法 | |
Wiranata et al. | Investigation of padding schemes for faster R-CNN on vehicle detection | |
CN110427909B (zh) | 一种移动端驾驶证检测方法、系统及电子设备和存储介质 | |
CN108960074B (zh) | 基于深度学习的小尺寸行人目标检测方法 | |
CN104537348B (zh) | 特种车辆识别方法及其识别系统 | |
CN202134079U (zh) | 一种无人驾驶车辆车道标志线识别与报警装置 | |
Kim et al. | Autonomous vehicle detection system using visible and infrared camera | |
CN105913026A (zh) | 一种基于Haar-PCA特征和概率神经网络的行人检测方法 | |
CN105551046A (zh) | 车脸定位方法及装置 | |
Cheng et al. | A vehicle detection approach based on multi-features fusion in the fisheye images | |
CN117392375A (zh) | 一种针对微小物体的目标检测算法 | |
Sulehria et al. | Mathematical morphology methodology for extraction of vehicle number plates | |
CN109145797B (zh) | 基于车底阴影定位车牌的道路救援装备正方位诱导方法 | |
CN105335704B (zh) | 一种基于双线性插值的车道线识别方法与装置 | |
CN111160338B (zh) | 一种模糊车牌识别方法 | |
CN104966064A (zh) | 基于视觉的前方行人测距方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |