CN110991531A - 基于空对地小慢目标的训练样本库构建方法、装置及介质 - Google Patents
基于空对地小慢目标的训练样本库构建方法、装置及介质 Download PDFInfo
- Publication number
- CN110991531A CN110991531A CN201911215792.3A CN201911215792A CN110991531A CN 110991531 A CN110991531 A CN 110991531A CN 201911215792 A CN201911215792 A CN 201911215792A CN 110991531 A CN110991531 A CN 110991531A
- Authority
- CN
- China
- Prior art keywords
- sample
- sample library
- library
- image
- target
- 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
- 238000012549 training Methods 0.000 title claims abstract description 85
- 238000010276 construction Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 32
- 230000003321 amplification Effects 0.000 claims abstract description 20
- 238000003199 nucleic acid amplification method Methods 0.000 claims abstract description 20
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 8
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 10
- 238000004458 analytical method Methods 0.000 abstract description 9
- 238000010801 machine learning Methods 0.000 description 12
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000003190 augmentative effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种基于空对地小慢目标的训练样本库构建方法、装置及计算机可读存储介质,方法包括:从初始样本库中下载预设视角范围内的小慢目标初始样本图像,得到第一样本库;获取按照预设调整规则分别调整拍摄高度和拍摄角度拍摄小慢目标得到的拍摄样本图像,得到第二样本库;分别对第一样本库和第二样本库进行增广样本操作,得到第三样本库;将第一样本库、第二样本库和第三样本库进行融合,得到目标训练样本库。因此,本方法能够构建基于空对地小慢目标的训练样本库,提高空对地小慢目标的提取分析的准确度,并且能够相对节省人力资源。
Description
技术领域
本发明涉及图像分析领域,特别涉及一种基于空对地小慢目标的训练样本库构建方法、装置及计算机可读存储介质。
背景技术
近年来,随着无人机、探空气球等低空探测航空器的快速发展,低空空对地视频情报提取分析逐渐成为低空侦察监视的一种重要手段;并且,基于机器学习的低空空对地视频情报提取分析方法是低空空对地视频情报提取分析的主要方法之一。现有技术中,基于机器学习的低空空对地视频情报提取分析方法中用于机器学习的训练样本均为从目前的训练样本库中获取的地面样本,这类训练样本库包括ImageNet库、UCF库、kinetics库以及COCO数据集等。显然,由于空对地小慢目标与地面小慢目标的样本图像的角度不同,因此,利用地面样本作为机器学习的训练样本,将使得对低空空对地视频小慢目标的提取准确率不高,大大降低了以无人机为首的中低空飞行器的实际实用价值。
因此,如何构建基于空对地小慢目标的训练样本库,提高空对地小慢目标的提取分析的准确度,是本领域技术人员目前需要解决的技术问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于空对地小慢目标的训练样本库构建方法,能够构建基于空对地小慢目标的训练样本库,提高空对地小慢目标的提取分析的准确度,并且能够相对节省人力资源;本发明的另一目的是提供一种基于空对地小慢目标的训练样本库构建装置及计算机可读存储介质,均具有上述有益效果。
为解决上述技术问题,本发明提供一种基于空对地小慢目标的训练样本库构建方法,包括:
从初始样本库中下载预设视角范围内的小慢目标初始样本图像,得到第一样本库;
获取按照预设调整规则分别调整拍摄高度和拍摄角度拍摄所述小慢目标得到的拍摄样本图像,得到第二样本库;
分别对所述第一样本库和所述第二样本库进行增广样本操作,得到第三样本库;
将所述第一样本库、所述第二样本库和所述第三样本库进行融合,得到目标训练样本库。
优选地,在所述从初始样本库中下载预设视角范围内的小慢目标初始样本图像,得到第一样本库之后,进一步包括:
对所述初始样本图像进行gamma校正操作,得到第一样本图像;
利用所述第一样本图像更新所述第一样本库。
优选地,在所述利用所述第一样本图像更新所述第一样本库之后,进一步包括:
获取按照预设角度对所述第一样本图像分别进行旋转操作得到的第二样本图像;
将所述第二样本图像增加至所述第一样本库中。
优选地,在所述将所述第二样本图像增加至所述第一样本库中之后,进一步包括:
将所述第一样本库中的所述第一样本图像和所述第二样本图像按照预设属性进行分类,并依据分类结果更新所述第一样本库。
优选地,在所述将所述第一样本库、所述第二样本库和所述第三样本库进行融合,得到目标训练样本库之后,进一步包括:
根据所述目标训练样本库构造反向样本库;
利用所述反向样本库更新所述目标训练样本库。
优选地,在所述获取按照预设角度对各所述第一样本图像分别进行旋转操作得到的第二样本图像之前,进一步包括:
按照预设图像格式分别对所述第一样本图像和所述拍摄样本图像进行裁剪。
优选地,所述分别对所述第一样本库和所述第二样本库进行增广样本操作,得到第三样本库的过程,具体包括:
对所述第一样本库中的第一样本图像和所述第二样本库中的拍摄样本图像进行旋转和/或斜切和/或仿射变换和/或对比度调整和/或色度变化和/或水平镜像的操作。
为解决上述技术问题,本发明还提供一种基于空对地小慢目标的训练样本库构建装置,包括:
下载模块,用于从初始样本库中下载预设视角范围内的小慢目标初始样本图像,得到第一样本库;
获取模块,用于获取按照预设调整规则分别调整拍摄高度和拍摄角度拍摄所述小慢目标得到的拍摄样本图像,得到第二样本库;
增广模块,用于分别对所述第一样本库和所述第二样本库进行增广样本操作,得到第三样本库;
融合模块,用于将所述第一样本库、所述第二样本库和所述第三样本库进行融合,得到目标训练样本库。
优选地,进一步包括:
校正模块,用于对所述初始样本图像进行gamma校正操作,得到第一样本图像;
第一更新模块,用于利用所述第一样本图像更新所述第一样本库。
优选地,进一步包括:
旋转模块,用于获取按照预设角度对所述第一样本图像分别进行旋转操作得到的第二样本图像;
增加模块,用于将所述第二样本图像增加至所述第一样本库中。
优选地,进一步包括:
分类模块,用于将所述第一样本库中的所述第一样本图像和所述第二样本图像按照预设属性进行分类,并依据分类结果更新所述第一样本库。
优选地,进一步包括:
构造模块,用于根据所述目标训练样本库构造反向样本库;
第二更新模块,用于利用所述反向样本库更新所述目标训练样本库。
优选地,进一步包括:
裁剪模块,用于按照预设图像格式分别对所述第一样本图像和所述拍摄样本图像进行裁剪。
为解决上述技术问题,本发明还提供另一种基于空对地小慢目标的训练样本库构建装置,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述任一种基于空对地小慢目标的训练样本库构建方法的步骤。
为解决上述技术问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一种基于空对地小慢目标的训练样本库构建方法的步骤。
本发明提供的一种基于空对地小慢目标的训练样本库构建方法,基于初始样本库获取与空对地小慢目标对应的初始样本图像,得到第一样本库,并通过对第一样本库和第二样本库进行增广样本操作,能够得到数据量更大的目标训练样本库;并且,增广样本操作是基于初始样本库进行的,因此不仅能够保持第三样本库的真实性,而且能够保留初始样本图像中的标注,避免需要额外再进行标注数据;因此,本方法能够在构建基于空对地小慢目标的训练样本库,提高空对地小慢目标的提取分析的准确度的同时,避免需要投入大量的人力,相对节省人力资源。
为解决上述技术问题,本发明还提供了一种基于空对地小慢目标的训练样本库构建装置及计算机可读存储介质,均具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种基于空对地小慢目标的训练样本库构建方法的流程图;
图2为本发明实施例提供的一种基于空对地小慢目标的训练样本库构建装置的结构图;
图3为本发明实施例提供的另一种基于空对地小慢目标的训练样本库构建装置的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例的核心是提供一种基于空对地小慢目标的训练样本库构建方法,能够构建基于空对地小慢目标的训练样本库,提高空对地小慢目标的提取分析的准确度,并且能够相对节省人力资源;本发明的另一核心是提供一种基于空对地小慢目标的训练样本库构建装置及计算机可读存储介质,均具有上述有益效果。
为了使本领域技术人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。
图1为本发明实施例提供的一种基于空对地小慢目标的训练样本库构建方法的流程图。如图1所示,一种基于空对地小慢目标的训练样本库构建方法包括:
S10:从初始样本库中下载预设视角范围内的小慢目标初始样本图像,得到第一样本库。
具体的,从初始样本库中下载预设视角范围内的小慢目标初始样本图像,可以是先从初始样本库中筛选出预设视角范围内的小慢目标的图像作为初始样本图像,再将筛选出的初始样本图像下载下来;或者可以先从初始样本库中下载初始样本图像,再对初始样本图像进行筛选,仅保留图像为预设视角范围内的小慢目标的初始样本图像,得到第一样本库。
需要说明的是,初始样本库指的是当前已经存在的训练样本库,如ImageNet库、UCF库、kinetics库、COCO数据集等,初始样本图像指的是从这些样本库中直接下载得到的图像。本实施例对初始样本图像的图像规格不做限定,优选的下载图像规格为256*256的初始样本图像。
需要说明的是,当前的初始样本库中并没有空对地小慢目标的样本图像,本实施例通过识别各初始样本图像中的各小慢目标的拍摄视角,筛选出预设视角范围内的初始样本图像作为空对地小慢目标样本图像;并且,作为优选的实施方式,本实施例筛选的是5°~75°视角范围内的初始样本图像。
S20:获取按照预设调整规则分别调整拍摄高度和拍摄角度拍摄小慢目标得到的拍摄样本图像,得到第二样本库。
具体的,预先设置调整规则,每次按照调整规则调整拍摄高度和拍摄角度,然后在每次按照调整规则调整拍摄高度或者拍摄角度之后,对小慢目标进行拍摄,得到对应的拍摄样本图像;通过获取这些拍摄样本图像,作为第二样本库。
在本实施例中,调整规则指的是按照每次仅对拍摄高度或者拍摄角度之一进行调整,或者是同时对二者进行调整。对每次调整的拍摄高度和每次调整的拍摄角度的具体尺度不做限定,例如优选的可以是将拍摄高度每次增加10米,拍摄角度每次调整1°进行拍摄。也就是说,本实施例中的拍摄样本图像指的是根据实际需求对小慢目标进行拍摄得到的图像。
S30:分别对第一样本库和第二样本库进行增广样本操作,得到第三样本库。
具体的,在获取到第一样本库和第二样本库之后,则分别对两个样本库进行增广样本操作,即在原本第一样本库和第二样本库的基础上,分别按照预设增广规则增加对应的样本图像,将新增的样本图像作为第三样本库,即第三样本库为增广样本操作得出的样本库。在本实施例中,增广样本操作包括但不限于:旋转、斜切、仿射变换、对比度调整、色度变化和水平镜像。通过对第一样本库和第二样本库进行增广样本操作,能够在已有样本图像的基础上,增加样本泛化模型,同时保持通过增广样本操作得出的第三样本库的真实性。
S40:将第一样本库、第二样本库和第三样本库进行融合,得到目标训练样本库。
具体的,在得出第三样本库之后,对获取到的第一样本库、第二样本库和第三样本库中的各样本图像按照各样本图像之间的联系进行融合,得到目标训练样本库。
本实施例提供的基于空对地小慢目标的训练样本库构建方法,通过从初始样本库中下载预设视角范围内的小慢目标初始样本图像,得到第一样本库;获取按照预设调整规则分别调整拍摄高度和拍摄角度拍摄小慢目标得到的拍摄样本图像,得到第二样本库;分别对第一样本库和第二样本库进行增广样本操作,得到第三样本库;将第一样本库、第二样本库和第三样本库进行融合,得到目标训练样本库。也就是说,本方法基于初始样本库获取与空对地小慢目标对应的初始样本图像,得到第一样本库,并通过对第一样本库和第二样本库进行增广样本操作,能够得到数据量更大的目标训练样本库;并且,增广样本操作是基于初始样本库进行的,因此不仅能够保持第三样本库的真实性,而且能够保留初始样本图像中的标注,避免需要额外再进行标注数据;因此,本方法能够在构建基于空对地小慢目标的训练样本库,提高空对地小慢目标的提取分析的准确度的同时,避免需要投入大量的人力,相对节省人力资源。
在上述实施例的基础上,本实施例对技术方案作了进一步的说明和优化,具体的,本实施例在从初始样本库中下载预设视角范围内的小慢目标初始样本图像,得到第一样本库之后,进一步包括:
对初始样本图像进行gamma校正操作,得到第一样本图像;
利用第一样本图像更新第一样本库。
具体的,本实施例是在得到由初始样本图像构成的第一样本库之后,进一步对第一样本库中的各初始样本图像进行gamma校正操作,对各初始样本图像进行gamma校正操作之后的图像存储为第一样本图像。可以理解的是,由于初始样本库中的初始样本图像是通过摄影设备将外界真实场景中的光信息转换为图像信息存储起来的,在通过显示设备将存储的初始样本图像转换为屏幕输出的光信息时,由于显示设备的不同,因此显示初始样本图像时将会存在颜色差异;因此,gamma校正操作是为了解决显示设备亮度灰阶不足的问题,补偿不同的显示设备在显示同一个初始样本图像时的颜色显示差异。
可见,本实施例通过对初始样本图像进行gamma校正操作,能够补偿初始样本图像在显示设备中的显示颜色差异,进而提升显示初始样本图像的准确度。
在上述实施例的基础上,本实施例对技术方案作了进一步的说明和优化,具体的,本实施例中,在利用第一样本图像更新第一样本库之后,进一步包括:
获取按照预设角度对第一样本图像分别进行旋转操作得到的第二样本图像;
将第二样本图像增加至第一样本库中。
本实施例中,首先设置预设角度,然后每次按照预设角度旋转第一样本库中的第一样本图像,并将每次进行旋转之后的图像作为第二样本图像,再将第二样本图像增加至第一样本库中。需要说明的是,对于同一个第一样本图像而言,其旋转次数与每次旋转的预设角度相关,对每一个第一样本图像而言,可以进行多次旋转,并将每次旋转后的图像分别作为第二样本图像。具体的,在实际操作中,预设角度可以是1°或者2°或者其他预设角度,本实施例对此不做限定。
通过对第一样本图像进行旋转操作得到第二样本图像,并将第二样本图像增加至第一样本库中,使得第一样本库中的样本图像包括第一样本图像和进行旋转操作之后的第二样本图像,不仅能够增大第一样本库中的数据量,而且利用不同角度的样本图像进行机器学习模型的训练,能够增大机器学习模型的鲁棒性。
在上述实施例的基础上,本实施例对技术方案作了进一步的说明和优化,具体的,本实施例在将第二样本图像增加至第一样本库中之后,进一步包括:
将第一样本库中的第一样本图像和第二样本图像按照预设属性进行分类,并依据分类结果更新第一样本库。
在将第二样本图像增加至第一样本库中之后,第一样本库中的样本图像包括第一样本图像和进行旋转操作之后的第二样本图像,在此基础上,本实施例进一步对第一样本库中的样本图像(包括第一样本图像和第二样本图像)按照预设属性进行分类。具体的,预设属性可以包括:类别属性、主色调属性和视角属性。类别属性指的是图像中的小慢目标的具体类型;通过识别样本图像在色相、明度、冷暖、纯度四个方面中,哪种因素起主导作用,确定出样本图像的主色调;视角属性指的是样本图像中的小慢目标的拍摄视角。
可见,本实施例通过进一步对第一样本库中的第一样本图像和第二样本图像按照预设属性进行分类,并依据分类结果更新第一样本库,因此,在后续的机器学习训练过程中,不需要针对不同的分类重新训练机器学习模型,从而大大提高训练模型的便捷度。
在上述实施例的基础上,本实施例对技术方案作了进一步的说明和优化,具体的,本实施例中,在将第一样本库、第二样本库和第三样本库进行融合,得到目标训练样本库之后,进一步包括:
根据目标训练样本库构造反向样本库;
利用反向样本库更新目标训练样本库。
需要说明的是,本实施例中的得出的目标训练样本库为正向样本库,即,样本图像中均为小慢目标;本实施例中,进一步根据目标训练样本库构造反向样本库,再利用反向样本库更新目标训练样本库。也就是说,本实施例得出的目标训练样本库是包括正向样本库和反向样本库的。
可以理解的是,通过进一步构造反向样本库,在后续利用目标样本库进行训练得到机器学习模型时,能够提高机器学习模型的鲁棒性。
在上述实施例的基础上,本实施例对技术方案作了进一步的说明和优化,具体的,本实施例在获取按照预设角度对各第一样本图像分别进行旋转操作得到的第二样本图像之前,进一步包括:
按照预设图像格式分别对第一样本图像和拍摄样本图像进行裁剪。
在本实施例中,是进一步按照预设图像格式对第一样本图像和拍摄样本图像进行裁剪,并且作为优选的实施方式,本实施例是在获取按照预设角度对各第一样本图像分别进行旋转操作得到的第二样本图像之前,执行对第一样本图像进行裁剪操作,得到统一的图片格式的第一样本图像;因此,在后续对第一样本图像进行旋转操作,以得到第二样本图像时,由于旋转操作不会改变图像的格式,因此得到的第二样本图像的格式与第一样本图像的格式一致;避免后续还要对第二样本图像进行裁剪操作。另外需要说明的是,为了适应不同的机器学习训练需求,可以将第一样本图像和拍摄样本图像统一裁剪成多种格式,如256*256,,64*64和32*32等。
可见,本实施例通过进一步按照预设图像格式分别对第一样本图像和拍摄样本图像进行裁剪,能够更加便于存储以及更便于用于机器学习模型的训练。
在上述实施例的基础上,本实施例对技术方案作了进一步的说明和优化,具体的,本实施例中,分别对第一样本库和第二样本库进行增广样本操作,得到第三样本库的过程,具体包括:
对第一样本库中的第一样本图像和第二样本库中的拍摄样本图像进行旋转和/或斜切和/或仿射变换和/或对比度调整和/或色度变化和/或水平镜像的操作。
具体的,对第一样本库中的第一样本图像第二样本库中的拍摄样本图(下称为样本图像)进行的增广样本操作可以是旋转、斜切、仿射变换、对比度调整、色度变化和水平镜像中的一种操作或者多种操作的组合。
具体的,将样本图像在平面内绕一个顶点旋转一定的角度,这样的图像运动叫做图像旋转;即,旋转操作指的是将样本图像旋转一定角度的几何变换。斜切指的是对样本图像按照预设倾斜角度进行裁剪。仿射变换(仿射映射)指的是将样本图像进行线性变换。对比度调整即按照预先设置的调整规则调整样本图像的对比度。颜色是由亮度和色度共同表示的,色度是不包括亮度在内的颜色的性质,色度变化指的至调整样本图像的颜色的色调和饱和度。水平镜像指的是对样本图像进行水平镜像操作。
可见,本实施例包括的增广样本操作,能够涵盖大部分的图像操作,能够大大增加第三样本库的数据量。
上文对于本发明提供的一种基于空对地小慢目标的训练样本库构建方法的实施例进行了详细的描述,本发明还提供了一种与该方法对应的基于空对地小慢目标的训练样本库构建装置及计算机可读存储介质,由于装置及计算机可读存储介质部分的实施例与方法部分的实施例相互照应,因此装置及计算机可读存储介质部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。
图2为本发明实施例提供的一种基于空对地小慢目标的训练样本库构建装置的结构图,如图2所示,一种基于空对地小慢目标的训练样本库构建装置包括:
下载模块21,用于从初始样本库中下载预设视角范围内的小慢目标初始样本图像,得到第一样本库;
获取模块22,用于获取按照预设调整规则分别调整拍摄高度和拍摄角度拍摄小慢目标得到的拍摄样本图像,得到第二样本库;
增广模块23,用于分别对第一样本库和第二样本库进行增广样本操作,得到第三样本库;
融合模块24,用于将第一样本库、第二样本库和第三样本库进行融合,得到目标训练样本库。
本发明实施例提供的基于空对地小慢目标的训练样本库构建装置,具有上述基于空对地小慢目标的训练样本库构建方法的有益效果。
作为优选的实施方式,进一步包括:
校正模块,用于对初始样本图像进行gamma校正操作,得到第一样本图像;
第一更新模块,用于利用第一样本图像更新第一样本库。
作为优选的实施方式,进一步包括:
旋转模块,用于获取按照预设角度对第一样本图像分别进行旋转操作得到的第二样本图像;
增加模块,用于将第二样本图像增加至第一样本库中。
作为优选的实施方式,进一步包括:
分类模块,用于将第一样本库中的第一样本图像和第二样本图像按照预设属性进行分类,并依据分类结果更新第一样本库。
作为优选的实施方式,进一步包括:
构造模块,用于根据目标训练样本库构造反向样本库;
第二更新模块,用于利用反向样本库更新目标训练样本库。
作为优选的实施方式,进一步包括:
裁剪模块,用于按照预设图像格式分别对第一样本图像和拍摄样本图像进行裁剪。
图3为本发明实施例提供的另一种基于空对地小慢目标的训练样本库构建装置的结构图,如图3所示,一种基于空对地小慢目标的训练样本库构建装置包括:
存储器31,用于存储计算机程序;
处理器32,用于执行计算机程序时实现如上述基于空对地小慢目标的训练样本库构建方法的步骤。
本发明实施例提供的基于空对地小慢目标的训练样本库构建装置,具有上述基于空对地小慢目标的训练样本库构建方法的有益效果。
为解决上述技术问题,本发明还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述基于空对地小慢目标的训练样本库构建方法的步骤。
本发明实施例提供的计算机可读存储介质,具有上述基于空对地小慢目标的训练样本库构建方法的有益效果。
以上对本发明所提供的基于空对地小慢目标的训练样本库构建方法、装置及计算机可读存储介质进行了详细介绍。本文中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
Claims (10)
1.一种基于空对地小慢目标的训练样本库构建方法,其特征在于,包括:
从初始样本库中下载预设视角范围内的小慢目标初始样本图像,得到第一样本库;
获取按照预设调整规则分别调整拍摄高度和拍摄角度拍摄所述小慢目标得到的拍摄样本图像,得到第二样本库;
分别对所述第一样本库和所述第二样本库进行增广样本操作,得到第三样本库;
将所述第一样本库、所述第二样本库和所述第三样本库进行融合,得到目标训练样本库。
2.根据权利要求1所述的方法,其特征在于,在所述从初始样本库中下载预设视角范围内的小慢目标初始样本图像,得到第一样本库之后,进一步包括:
对所述初始样本图像进行gamma校正操作,得到第一样本图像;
利用所述第一样本图像更新所述第一样本库。
3.根据权利要求2所述的方法,其特征在于,在所述利用所述第一样本图像更新所述第一样本库之后,进一步包括:
获取按照预设角度对所述第一样本图像分别进行旋转操作得到的第二样本图像;
将所述第二样本图像增加至所述第一样本库中。
4.根据权利要求3所述的方法,其特征在于,在所述将所述第二样本图像增加至所述第一样本库中之后,进一步包括:
将所述第一样本库中的所述第一样本图像和所述第二样本图像按照预设属性进行分类,并依据分类结果更新所述第一样本库。
5.根据权利要求1所述的方法,其特征在于,在所述将所述第一样本库、所述第二样本库和所述第三样本库进行融合,得到目标训练样本库之后,进一步包括:
根据所述目标训练样本库构造反向样本库;
利用所述反向样本库更新所述目标训练样本库。
6.根据权利要求1所述的方法,其特征在于,在所述获取按照预设角度对各所述第一样本图像分别进行旋转操作得到的第二样本图像之前,进一步包括:
按照预设图像格式分别对所述第一样本图像和所述拍摄样本图像进行裁剪。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述分别对所述第一样本库和所述第二样本库进行增广样本操作,得到第三样本库的过程,具体包括:
对所述第一样本库中的第一样本图像和所述第二样本库中的拍摄样本图像进行旋转和/或斜切和/或仿射变换和/或对比度调整和/或色度变化和/或水平镜像的操作。
8.一种基于空对地小慢目标的训练样本库构建装置,其特征在于,包括:
下载模块,用于从初始样本库中下载预设视角范围内的小慢目标初始样本图像,得到第一样本库;
获取模块,用于获取按照预设调整规则分别调整拍摄高度和拍摄角度拍摄所述小慢目标得到的拍摄样本图像,得到第二样本库;
增广模块,用于分别对所述第一样本库和所述第二样本库进行增广样本操作,得到第三样本库;
融合模块,用于将所述第一样本库、所述第二样本库和所述第三样本库进行融合,得到目标训练样本库。
9.一种基于空对地小慢目标的训练样本库构建装置,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述的基于空对地小慢目标的训练样本库构建方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于空对地小慢目标的训练样本库构建方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911215792.3A CN110991531A (zh) | 2019-12-02 | 2019-12-02 | 基于空对地小慢目标的训练样本库构建方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911215792.3A CN110991531A (zh) | 2019-12-02 | 2019-12-02 | 基于空对地小慢目标的训练样本库构建方法、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110991531A true CN110991531A (zh) | 2020-04-10 |
Family
ID=70089336
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911215792.3A Pending CN110991531A (zh) | 2019-12-02 | 2019-12-02 | 基于空对地小慢目标的训练样本库构建方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991531A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120226644A1 (en) * | 2011-03-04 | 2012-09-06 | Wen Jin | Accurate and Fast Neural network Training for Library-Based Critical Dimension (CD) Metrology |
CN107657279A (zh) * | 2017-09-26 | 2018-02-02 | 中国科学院大学 | 一种基于少量样本的遥感目标检测方法 |
CN108121986A (zh) * | 2017-12-29 | 2018-06-05 | 深圳云天励飞技术有限公司 | 目标检测方法及装置、计算机装置和计算机可读存储介质 |
CN108182416A (zh) * | 2017-12-30 | 2018-06-19 | 广州海昇计算机科技有限公司 | 一种无人机监控场景下的人体行为识别方法、系统及装置 |
CN108280395A (zh) * | 2017-12-22 | 2018-07-13 | 中国电子科技集团公司第三十研究所 | 一种对低小慢无人机飞控信号的高效识别方法 |
CN108764082A (zh) * | 2018-05-17 | 2018-11-06 | 淘然视界(杭州)科技有限公司 | 一种飞机目标检测方法、电子设备、存储介质及系统 |
CN109543553A (zh) * | 2018-10-30 | 2019-03-29 | 中国舰船研究设计中心 | 基于机器学习的低小慢目标的光电识别跟踪方法 |
CN109685121A (zh) * | 2018-12-11 | 2019-04-26 | 中国科学院苏州纳米技术与纳米仿生研究所 | 图像检索模型的训练方法、图像检索方法、计算机设备 |
CN110070139A (zh) * | 2019-04-28 | 2019-07-30 | 吉林大学 | 面向自动驾驶环境感知的小样本在环学习系统和方法 |
CN110233971A (zh) * | 2019-07-05 | 2019-09-13 | Oppo广东移动通信有限公司 | 一种拍摄方法及终端、计算机可读存储介质 |
-
2019
- 2019-12-02 CN CN201911215792.3A patent/CN110991531A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120226644A1 (en) * | 2011-03-04 | 2012-09-06 | Wen Jin | Accurate and Fast Neural network Training for Library-Based Critical Dimension (CD) Metrology |
CN107657279A (zh) * | 2017-09-26 | 2018-02-02 | 中国科学院大学 | 一种基于少量样本的遥感目标检测方法 |
CN108280395A (zh) * | 2017-12-22 | 2018-07-13 | 中国电子科技集团公司第三十研究所 | 一种对低小慢无人机飞控信号的高效识别方法 |
CN108121986A (zh) * | 2017-12-29 | 2018-06-05 | 深圳云天励飞技术有限公司 | 目标检测方法及装置、计算机装置和计算机可读存储介质 |
CN108182416A (zh) * | 2017-12-30 | 2018-06-19 | 广州海昇计算机科技有限公司 | 一种无人机监控场景下的人体行为识别方法、系统及装置 |
CN108764082A (zh) * | 2018-05-17 | 2018-11-06 | 淘然视界(杭州)科技有限公司 | 一种飞机目标检测方法、电子设备、存储介质及系统 |
CN109543553A (zh) * | 2018-10-30 | 2019-03-29 | 中国舰船研究设计中心 | 基于机器学习的低小慢目标的光电识别跟踪方法 |
CN109685121A (zh) * | 2018-12-11 | 2019-04-26 | 中国科学院苏州纳米技术与纳米仿生研究所 | 图像检索模型的训练方法、图像检索方法、计算机设备 |
CN110070139A (zh) * | 2019-04-28 | 2019-07-30 | 吉林大学 | 面向自动驾驶环境感知的小样本在环学习系统和方法 |
CN110233971A (zh) * | 2019-07-05 | 2019-09-13 | Oppo广东移动通信有限公司 | 一种拍摄方法及终端、计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
于晨晨: "数据增强(Data Augmentation)", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/41679153》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11070725B2 (en) | Image processing method, and unmanned aerial vehicle and system | |
US9990706B2 (en) | Global contrast correction | |
US11893701B2 (en) | Method for simulating natural perception in virtual and augmented reality scenes | |
TWI483215B (zh) | 根據相關3d點雲端資料強化影像資料 | |
US8665375B2 (en) | Apparatus and method for tracking the location of a pointing element in a cropped video field | |
US9756260B1 (en) | Synthetic camera lenses | |
CN110675448B (zh) | 基于民航客机的地面灯光遥感监测方法、系统及存储介质 | |
KR101581037B1 (ko) | 드론을 이용한 지질 경계 탐색 시스템 및 방법 | |
CN110458964B (zh) | 一种现实环境动态光照的实时计算方法 | |
CN108184075A (zh) | 用于生成图像的方法和装置 | |
JP2017059927A (ja) | ユーザ端末、色彩補正システム及び色彩補正方法 | |
CN111950157B (zh) | 一种仿真输出方法、装置及电子设备 | |
See et al. | Virtual reality 360 interactive panorama reproduction obstacles and issues | |
CN110991531A (zh) | 基于空对地小慢目标的训练样本库构建方法、装置及介质 | |
CN114882194A (zh) | 房间点云数据的处理方法和装置、电子设备和存储介质 | |
CN110196638B (zh) | 基于目标检测和空间投影的移动端增强现实方法和系统 | |
CN113259698A (zh) | 更换画面中的背景的方法、设备、存储介质及程序产品 | |
CN115035075B (zh) | 一种烟丝组分判定方法、系统、电子设备及计算机可读存储介质 | |
KR102578058B1 (ko) | 거리뷰 영상을 생성하는 방법 및 장치 | |
CN117319807B (zh) | 一种岩洞穹顶的光影呈像方法及系统 | |
CN112634460B (zh) | 基于Haar-like特征的户外全景图生成方法及装置 | |
CN117152241A (zh) | 图像联动定位方法、装置、计算机设备、系统及存储介质 | |
CN115457409A (zh) | 基于红外图像的非法船只的检测方法、装置以及设备 | |
KR20230080999A (ko) | 프레임 검침 장치 및 그 방법 | |
KR101568569B1 (ko) | 멀티미디어 콘텐츠 정합 시스템 및 방법 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200410 |
|
RJ01 | Rejection of invention patent application after publication |