CN109308461A - 一种车型图片修复训练样本的生成方法 - Google Patents
一种车型图片修复训练样本的生成方法 Download PDFInfo
- Publication number
- CN109308461A CN109308461A CN201811036297.1A CN201811036297A CN109308461A CN 109308461 A CN109308461 A CN 109308461A CN 201811036297 A CN201811036297 A CN 201811036297A CN 109308461 A CN109308461 A CN 109308461A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- sample
- image
- establishes
- model
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种车型图片修复训练样本的生成方法,其特征在于,所述方法包括,步骤A,大量收集车辆高清图像,建立车辆高清样本数据库;步骤B,对上述高清样本数据库图像先后进行等比例缩放,建立车辆模糊样本数据库;步骤C,建立模型,实现车型图片修复;步骤D,模型应用于现场抓拍,实现车辆识别以及车型图片修复。本发明提供的车型图片修复训练样本的生成方法不再单纯以片面的网页抓取方式实现,而是基于网页抓取和等比例缩放的方式相结合,省时省力;此外,样本集正负面影响于一体,样本质量更优质,分布更均衡,提取的规律特征更全面,网络训练更准确,车型图片自动修复的效果更理想。
Description
技术领域
本发明涉及图片识别技术,尤其涉及一种车型图片修复训练样本的生成方法。
背景技术
智能交通,是未来交通的发展方向,可以有效地减少交通负荷,提高运输效率;而车辆识别技术是智能交通系统的重要组成部分,广泛应用于车辆盗窃打击、交通秩序规范、道路交通流量调查等方面。
车辆外在特征的信息采集是车辆识别技术实现的前提条件,而信息采集的途径普遍依靠摄像头实现。据了解,目前摄像头经常受到细微外物遮挡,如:灰尘、水雾等,致使拍摄的视频图像部分内容失真,影响视觉效果。若想确保图像细节清晰,只能采用人工清洁镜头或者更换摄像头的方式解决,但修复成本高、反应速度慢、用户体验差。因此,图像缺损,为当前智能交通的实现带来阻碍。
为了解决图像缺损问题,图像修复技术应运而生。传统的修复技术,如:基于扩散、样本块的修复方法等,只能针对某类特定类型的缺损图像进行单一修复,效率低下且不够灵活,无法满足人类对图像修复日益增长的需求。而卷积神经网络技术,能够从二维图像中提取语义信息丰富和判断力强的特征,效率高且准确性高,弥补了传统技术的不足;其中,训练样本的质量、分布以及数量规模影响该技术的实现效果。坏样本,干扰网络训练的准确性,造成负面影响。样本分布不均,导致提取的规律特征片面或不足。样本数量过少,导致网络精度过低;样本数量过多,导致训练时间加大,影响实时性。此外,训练样本的采集是一个耗时、人力成本高的过程。
因此,为了更好地配合卷积神经网络技术实现车型图片修复,社会需要一种能够快速生成优质、全面训练样本的方法,从而达到促进智能交通发展的效果。
发明内容
本发明针对现有技术中存在的问题,提供一种车型图片修复训练样本的生成方法,所述方法包括,
步骤A,大量收集车辆高清图像,建立车辆高清样本数据库;
步骤B,对上述高清样本数据库图像先后进行等比例缩放,建立车辆模糊样本数据库;
步骤C,建立模型,实现车型图片修复;
步骤D,模型应用于现场抓拍,实现车辆识别以及车型图片修复。
进一步地,所述步骤A具体包括:
A1,通过对汽车官方网站抓取数据,系统大量收集各种车型车辆的高清静态图像;
A2,把图像进行灰度处理;
A3,建立车辆高清样本数据库。
进一步地,所述步骤B具体包括:
B1,以等比例方式把上述高清样本图像像素缩小10倍;
B2,以等比例方式把上述缩小样本图像像素放大10倍;
B3,建立车辆模糊样本数据库。
进一步地,所述步骤C具体包括:
系统建立模型,把上述车辆高清和模糊样本图像分别传输给模型反复训练。而模型训练主要采用卷积神经网络方法,从大样本数据中学习,利用不同卷积层输出的高级特征,对特征进行分类,从而实现车型图片自动修复的效果。
进一步地,所述步骤D具体包括:
当模型与车辆样本数据库图像训练完毕,且准确率达到某一阀值,可应用于现场抓拍。在现场中,通过摄像头,抓拍大量车辆视频。系统提取视频,按照设定帧数,把视频拆分成多张静态图像。系统输入车辆模糊图像,模型识别车辆且根据学习的车辆特征对图像进行细节修补,输出对应的车辆高清图像。
与现有技术相比,本发明提供的一种车型图片修复训练样本的生成方法,不再单纯以片面的网页抓取方式实现,而是基于网页抓取和等比例缩放的方式相结合,省时省力;此外,样本集正负面影响于一体,样本质量更优质,分布更均衡,提取的规律特征更全面,网络训练更准确,车型图片自动修复的效果更理想。
附图说明
图1、2为本发明的车型图片修复训练样本的生成方法的流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
参考图1、2,本发明提供一种车型图片修复训练样本的生成方法,所述方法包括,
步骤A,大量收集车辆高清图像,建立车辆高清样本数据库;
步骤B,对上述高清样本数据库图像先后进行等比例缩放,建立车辆模糊样本数据库;
步骤C,建立模型,实现车型图片修复;
步骤D,模型应用于现场抓拍,实现车辆识别以及车型图片修复。
进一步地,所述步骤A具体包括:
A1,通过对汽车官方网站抓取数据,系统大量收集各种车型车辆的高清静态图像;
A2,把图像进行灰度处理;
A3,建立车辆高清样本数据库。
进一步地,所述步骤B具体包括:
B1,以等比例方式把上述高清样本图像像素缩小10倍;
B2,以等比例方式把上述缩小样本图像像素放大10倍;
B3,建立车辆模糊样本数据库。
进一步地,所述步骤C具体包括:
系统建立模型,把上述车辆高清和模糊样本图像分别传输给模型反复训练。而模型训练主要采用卷积神经网络方法,从大样本数据中学习,利用不同卷积层输出的高级特征,对特征进行分类,从而实现车型图片自动修复的效果。
进一步地,所述步骤D具体包括:
当模型与车辆样本数据库图像训练完毕,且准确率达到某一阀值,可应用于现场抓拍。在现场中,通过摄像头,抓拍大量车辆视频。系统提取视频,按照设定帧数,把视频拆分成多张静态图像。系统输入车辆模糊图像,模型识别车辆且根据学习的车辆特征对图像进行细节修补,输出对应的车辆高清图像。
下面具体对本发明进行说明
本发明的技术方案,具体如下:
S1:大量收集车辆高清图像,建立车辆高清样本数据库。
S1.1:大量收集车辆高清图像。
通过对汽车官方网站抓取数据,系统大量收集各种车型车辆的高清静态图像。
S1.2:把图像进行灰度处理。
由于彩色图像是由多个像素点组成,且每个像素点都由RGB三个值表示;对图像进行灰度处理,并不会影响图像的纹理特征信息,而且每个像素点只需一个灰度值便可表示,大大提高了图像处理效率。以下是灰度处理加权平均法公式:
f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)
其中,i、j代表一个像素点在二维空间向量的位置,即:第i行,第j列。
根据上述公式,计算各静态图像每个像素点的灰度值,取值范围是0-255,使上述图像都呈现黑白灰状态。
S1.3:建立车辆高清样本数据库。
静态图像经过灰度处理,变成灰度图,均存储在本地服务器上,车辆高清样本数据库建立完毕。
S2:对上述高清样本数据库图像先后进行等比例缩放,建立车辆模糊样本数据库。
S2.1:以等比例方式把上述高清样本图像像素缩小10倍。
基于对汽车官方网站的数据抓取以及对图像的灰度处理,系统建立了车辆高清样本数据库。以上述高清样本图像的当前像素为基准,系统以等比例方式把图像像素缩小10倍,图像缩小且清晰。
如:一张高清样本图像当前的水平像素是1024,垂直像素是637;系统以等比例方式对其像素缩小10倍,图像当前的水平像素变成102,垂直像素变成63。
S2.2:以等比例方式把上述缩小样本图像像素放大10倍。
基于系统以等比例方式把高清样本图像像素统一缩小10倍,得到了缩小样本图像。以上述缩小样本图像的当前像素为基准,系统以等比例方式把图像像素放大10倍,图像放大且模糊。
如:一张缩小样本图像当前的水平像素是102,垂直像素是63;系统以等比例方式对其像素放大10倍,图像当前的水平像素变成1020,垂直像素变成630。
S2.3:建立车辆模糊样本数据库。
基于系统对上述高清样本数据库图像先后进行等比例缩放操作,得到了模糊样本图像,均存储在本地服务器上,车辆模糊样本数据库建立完毕。
S3:建立模型,实现车型图片修复。
系统建立模型,把上述车辆高清和模糊样本图像分别传输给模型反复训练。而模型训练主要采用卷积神经网络方法,从大样本数据中学习,利用不同卷积层输出的高级特征,对特征进行分类,从而实现车型图片自动修复的效果。
当模型与车辆样本数据库图像反复训练的次数达到系统设定阀值,如:50万次,模型训练停止。根据损失函数的计算,得出模型修复准确率。若准确率达到某一阀值,如:80%,模型视为理想,可应用于现场抓拍;否则,模型视为不理想,重新调整车辆的类别信息,如:微型车、小型车、中型车、中大型车等,继续与车辆样本数据库图像反复训练。
S4:模型应用于现场抓拍,实现车辆识别以及车型图片修复。
当模型与车辆样本数据库图像训练完毕,且准确率达到某一阀值,如:80%,可应用于现场抓拍。
在现场中,通过摄像头,抓拍大量车辆视频。系统提取视频,按照设定帧数,如:30帧,把视频拆分成多张静态图像。系统输入车辆模糊图像,模型识别车辆且根据学习的车辆特征对图像进行细节修补,输出对应的车辆高清图像,达到车型图片修复效果。
以上所述仅为本发明的较佳实施例,并不用于限制本发明,凡在本发明的精神和原则内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种车型图片修复训练样本的生成方法,其特征在于,所述方法包括,
步骤A,大量收集车辆高清图像,建立车辆高清样本数据库;
步骤B,对上述高清样本数据库图像先后进行等比例缩放,建立车辆模糊样本数据库;
步骤C,建立模型,实现车型图片修复;
步骤D,模型应用于现场抓拍,实现车辆识别以及车型图片修复。
2.根据权利要求1所述的车型图片修复训练样本的生成方法,其特征在于,所述步骤A具体包括:
A1,通过对汽车官方网站抓取数据,系统大量收集各种车型车辆的高清静态图像;
A2,把图像进行灰度处理;
A3,建立车辆高清样本数据库。
3.根据权利要求1所述的车型图片修复训练样本的生成方法,其特征在于,所述步骤B具体包括:
B1,以等比例方式把上述高清样本图像像素缩小10倍;
B2,以等比例方式把上述缩小样本图像像素放大10倍;
B3,建立车辆模糊样本数据库。
4.根据权利要求1所述的车型图片修复训练样本的生成方法,其特征在于,所述步骤C具体包括:
系统建立模型,把上述车辆高清和模糊样本图像分别传输给模型反复训练。而模型训练主要采用卷积神经网络方法,从大样本数据中学习,利用不同卷积层输出的高级特征,对特征进行分类,从而实现车型图片自动修复的效果。
5.根据权利要求1所述的车型图片修复训练样本的生成方法,其特征在于,其特征在于,所述步骤D具体包括:
当模型与车辆样本数据库图像训练完毕,且准确率达到某一阀值,可应用于现场抓拍。在现场中,通过摄像头,抓拍大量车辆视频。系统提取视频,按照设定帧数,把视频拆分成多张静态图像。系统输入车辆模糊图像,模型识别车辆且根据学习的车辆特征对图像进行细节修补,输出对应的车辆高清图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811036297.1A CN109308461A (zh) | 2018-09-06 | 2018-09-06 | 一种车型图片修复训练样本的生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811036297.1A CN109308461A (zh) | 2018-09-06 | 2018-09-06 | 一种车型图片修复训练样本的生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109308461A true CN109308461A (zh) | 2019-02-05 |
Family
ID=65224601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811036297.1A Pending CN109308461A (zh) | 2018-09-06 | 2018-09-06 | 一种车型图片修复训练样本的生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109308461A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330777A (zh) * | 2022-10-13 | 2022-11-11 | 浙江华是科技股份有限公司 | 训练图片缩放尺寸船舶检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101099675A (zh) * | 2007-07-26 | 2008-01-09 | 上海交通大学 | 带有弱分类器的组合系数的人脸检测方法 |
CN101872472A (zh) * | 2010-06-02 | 2010-10-27 | 中国科学院自动化研究所 | 一种基于样本学习的人脸图像超分辨率重建方法 |
CN102075761A (zh) * | 2010-11-17 | 2011-05-25 | 威盛电子股份有限公司 | 图像压缩系统、图像解压缩方法及存储器频宽降低方法 |
WO2018053340A1 (en) * | 2016-09-15 | 2018-03-22 | Twitter, Inc. | Super resolution using a generative adversarial network |
CN108305214A (zh) * | 2017-12-28 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 图像数据处理方法、装置、存储介质和计算机设备 |
-
2018
- 2018-09-06 CN CN201811036297.1A patent/CN109308461A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101099675A (zh) * | 2007-07-26 | 2008-01-09 | 上海交通大学 | 带有弱分类器的组合系数的人脸检测方法 |
CN101872472A (zh) * | 2010-06-02 | 2010-10-27 | 中国科学院自动化研究所 | 一种基于样本学习的人脸图像超分辨率重建方法 |
CN102075761A (zh) * | 2010-11-17 | 2011-05-25 | 威盛电子股份有限公司 | 图像压缩系统、图像解压缩方法及存储器频宽降低方法 |
WO2018053340A1 (en) * | 2016-09-15 | 2018-03-22 | Twitter, Inc. | Super resolution using a generative adversarial network |
CN108305214A (zh) * | 2017-12-28 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 图像数据处理方法、装置、存储介质和计算机设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330777A (zh) * | 2022-10-13 | 2022-11-11 | 浙江华是科技股份有限公司 | 训练图片缩放尺寸船舶检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510061B (zh) | 基于条件生成对抗网络的多监控视频人脸合成正脸的方法 | |
CN108875821A (zh) | 分类模型的训练方法和装置、移动终端、可读存储介质 | |
CN109255284B (zh) | 一种基于运动轨迹的3d卷积神经网络的行为识别方法 | |
CN102982520B (zh) | 一种基于轮廓先验的鲁棒性人脸超分辨率处理方法 | |
CN112183313A (zh) | 一种基于SlowFast的电力作业现场动作识别方法 | |
CN110751635B (zh) | 一种基于帧间差分和hsv颜色空间的口腔检测方法 | |
CN114419014A (zh) | 基于特征重构的表面缺陷检测方法 | |
CN110096945B (zh) | 基于机器学习的室内监控视频关键帧实时提取方法 | |
CN110310238A (zh) | 一种基于重用原始信息的压缩奖惩神经网络的单幅图像去雨方法 | |
WO2022213540A1 (zh) | 目标检测、属性识别与跟踪方法及系统 | |
CN111815528A (zh) | 基于卷积模型和特征融合的恶劣天气图像分类增强方法 | |
CN111582074A (zh) | 一种基于场景深度信息感知的监控视频树叶遮挡检测方法 | |
CN111160356A (zh) | 一种图像分割分类方法和装置 | |
CN116309483A (zh) | 基于ddpm的半监督变电设备表征缺陷检测方法及系统 | |
CN108875555A (zh) | 基于神经网络的视频兴趣区域和显著目标提取与定位系统 | |
CN109308461A (zh) | 一种车型图片修复训练样本的生成方法 | |
CN114022392A (zh) | 用于单幅图像去雾的串行注意增强UNet++去雾网络 | |
CN112488165A (zh) | 一种基于深度学习模型的红外行人识别方法及系统 | |
CN112580569A (zh) | 一种基于多维特征的车辆重识别方法及装置 | |
CN109886900B (zh) | 一种基于字典训练和稀疏表示的合成雨图除雨方法 | |
CN116343100A (zh) | 一种基于自监督学习的目标识别方法及系统 | |
CN116468625A (zh) | 基于金字塔高效通道注意力机制的单幅图像去雾方法和系统 | |
CN112070048B (zh) | 基于RDSNet的车辆属性识别方法 | |
CN114677667A (zh) | 一种基于深度学习的变电站电气设备红外故障识别方法 | |
CN113688789A (zh) | 一种基于深度学习的在线学习投入度识别方法及系统 |
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 |