【技术实现步骤摘要】
一种基于LBP的对抗网络模型图片标签生成方法
本专利技术涉及计算机视觉研究领域，特别涉及一种基于LBP的对抗网络模型图片标签生成方法。
技术介绍
随着基于对抗网络的目标识别领域研究的不断深入以及人们对于网络模型目标检测率的要求不断提高，对抗网络的标签生成方法也日益受到人们的重视。对抗网络的一种典型实现是使用深度卷积层累叠构建，判别器的卷积过程必然会损耗图片的语义信息，并且基于卷积层的判别器无法抵抗对抗样本攻击，主要是模型不具有旋转不变性，如何构造一个强鲁棒性的判别器模型成为了研究的热点。图片标签生成是对抗网络模型的重要组成部分，直接影响着对抗网络对图片目标识别的准确率。目前，生成函数影响对抗网络识别准确率其中一个很重要的原因是生成函数模型不具备旋转不变性的特点，无法根据图片中物体的纹理特性自主调整标签生成的加权系数，因此需要寻找一种能够一种基于LBP的对抗网络模型图片标签生成方法。LBP算法由于纹理提取效果好并且具有旋转不变性的优点而成为人们研究的焦点，现有技术在图片标签生成的过程中，受到图片旋转以及背景变换等因素影响很大，导致对抗网络模型识别准确率受到影响。专利...
【技术保护点】
1.一种基于LBP的对抗网络模型图片标签生成方法，其特征在于，具体包括步骤如下：S1、对输入的图片，采用生成式对抗网络模型进行识别目标提取，并进行模型更新，获取初始判别结果集；S2、基于LBP算法对原始图片的纹理模式进行提取，获取图片完整的纹理模式；S3、通过计算变异系数去除纹理模式中大量孤立的小噪声或者伪目标，获取去噪声之后的图片纹理模式；S4、将初始结果集和去噪后的图片纹理模式共同输入到对抗网络判别器中，基于图片纹理模式进行对抗网络纹理连续性标记训练，获得检测目标的标签，很好地消除了初始判别结果集的随机性。
【技术特征摘要】
1.一种基于LBP的对抗网络模型图片标签生成方法，其特征在于，具体包括步骤如下：S1、对输入的图片，采用生成式对抗网络模型进行识别目标提取，并进行模型更新，获取初始判别结果集；S2、基于LBP算法对原始图片的纹理模式进行提取，获取图片完整的纹理模式；S3、通过计算变异系数去除纹理模式中大量孤立的小噪声或者伪目标，获取去噪声之后的图片纹理模式；S4、将初始结果集和去噪后的图片纹理模式共同输入到对抗网络判别器中，基于图片纹理模式进行对抗网络纹理连续性标记训练，获得检测目标的标签，很好地消除了初始判别结果集的随机性。2.根据权利要求1所述基于LBP的对抗网络模型图片标签生成方法，其特征在于，所述步骤S1具体为：S11、构造沃瑟斯坦生成式对抗网络WGAN模型，所述WGAN模型包含图像生成器和图像判别器，并采用交叉熵函数作为双方的损失函数；S12、对S11中构建的生成式对抗网络WGAN模型，生成器由编码器和解码器两部分构成；S13、对S12中构建的生成器对抗网络模型生成器，其编码器由八层卷积层构成；S14、对S12中构建的生成器对抗网络模型生成器，其解码器由八层反卷积层构成；S15、对S12中构建的生成器对抗网络模型生成器，编码器的输出一路会继续执行卷积的过程，另外一路通过Concatenate操作合并到解码器中相对应的反卷积层的输入中；S16、对S11中构建的生成式对抗网络WGAN模型，判别器由四层卷积层构成；S17、对S11中构建的生成式对抗网络WGAN模型，对固定的生成器G，最优的判别器表达式如下：其中Pdata(x)为真实数据分布，Pg(x)为生成数据分布；S18、输入原始图像数据集，对步骤S11构建的生成式对抗网络WGAN模型进行训练，获取初始判别结果集。3.根据权利要求1所述基于LBP的对抗网络模型图片标签生成方法，其特征在于，所述步骤S2具体为：假设图片目标区域c处像素点灰度值为gc,对应的八个邻域像素点灰度值取样点分别为gp,p＝0,...,P,将每个邻域的像素点与该点进行二值化比对，得到一个八位的二进制串；通过邻域比对得出图片统一模式U(LBPP,R),若U(LBPP,R)＜T则判断该像素点归属于检测目标并且其纹理模式为LBP(gc...
【专利技术属性】
技术研发人员：岳学军，程子耀，岑振钊，王林惠，凌康杰，卢杨，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。