[发明专利]一种基于对抗学习的车辆图像优化方法及系统

权利要求书

1.一种基于对抗学习的车辆图像优化方法，其特征在于，包括下述步骤：

S1：收集不同角度拍摄的车辆图像，将车辆图像划分为标准场景图像和非标准场景图像；

S2：对非标准图像进行图像预处理，将预处理后的图像作为低质量数据集；

S3：构建基于生成对抗网络的车辆图像优化模型，所述车辆图像优化模型包括生成器、判别器和特征提取器；

S4：训练基于生成对抗网络的车辆图像优化模型：

S41：输入低质量数据集到生成器中，经由生成器网络中各层神经元非线性组合输出生成的高质量图像；

S42：将生成的高质量图像、对应的真实高质量图像输入到判别器和特征提取器中，得到生成的高质量图像、对应的真实高质量图像判定为真实图像的概率和图像特征矩阵；

S43：设置损失函数，采用反向传播计算网络权重梯度并更新车辆图像优化模型参数；

S44：循环执行步骤S41-S43；

S5：车辆图像优化模型训练完成后，保留生成器作为最终的车辆图像优化模型，输入多场景车辆图像，输出优化的标准场景图像。

2.根据权利要求1所述的基于对抗学习的车辆图像优化方法，其特征在于，步骤S2所述对非标准图像进行图像预处理，所述图像预处理采用图像加噪、亮度变换、随机擦除或模糊处理中的任意一种或多种。

3.根据权利要求1所述的基于对抗学习的车辆图像优化方法，其特征在于，步骤S41所述输入低质量数据集到生成器中，所述生成器设置编码器和解码器，编码器学习输入的低质量车辆图像特征并编码成特征矩阵，解码器将输入图像特征信息解码成标准场景车辆图像。

4.根据权利要求1所述的基于对抗学习的车辆图像优化方法，其特征在于，步骤S43中所述设置损失函数，所述损失函数包括对抗损失函数、L1损失函数和感知损失函数。

5.根据权利要求4所述的基于对抗学习的车辆图像优化方法，其特征在于，

所述对抗损失函数具体计算公式为：

其中，y～Y表示y服从于标准场景下的车辆图像分布，x～X表示x服从于复杂场景下的车辆图像分布，E表示每一批样本的期望；

所述L1损失函数具体计算公式为：

其中，表示真实图像中第i行第j个像素，表示生成图像中第i行第j个像素，W和H分别表示输入图像的长和宽；

所述感知损失函数具体计算公式为：

其中，表示真实图像特征第i行第j列第m维的值，表示生成图像特征第i行第j列第m维的值，W_m和H_m分别表示提取出的特征矩阵的长和宽；

生成器最终的损失函数为：

L＝λ₁L_adv+λ₂L_pixcel+λ₃L_per；

其中，λ₁、λ₂、λ₃表示对抗损失函数、L1损失函数和感知损失函数的占比权重。

6.一种基于对抗学习的车辆图像优化系统，其特征在于，包括：、图像预处理模块、车辆图像优化模型构建模块和车辆图像优化模型训练模块；

所述图像预处理模块用于对非标准图像进行图像预处理，得到低质量数据集；

所述车辆图像优化模型构建模块包括生成器、判别器和特征提取器，所述生成器用于将低质量数据集生成高质量图像，所述判别器用于区分输入图像是真实高质量图像或者是生成的高质量图像，所述特征提取器用于提取生成的高质量图像和真实高质量图像的图像特征；

所述车辆图像优化模型训练模块用于训练构建的车辆图像优化模型，将低质量数据集输入车辆图像优化模型中，通过损失函数和反向传播更新模型参数，得到最终的车辆图像优化模型。