【技术实现步骤摘要】
图像数据增强策略选择方法及人脸识别图像数据增强方法
本专利技术涉及图像处理
，特别是涉及图像数据增强策略选择方法及人脸识别图像数据增强方法。
技术介绍
随着图像处理技术的快速发展，在很多方面需要用到大量的有标记数据，比如人脸识别、车辆识别等，而获取充足的数据是一份耗时耗力的工作。人工标记训练数据是获得更大的有标签数据集的一种手段，但是，这是一种难度高且耗时的方式。数据增强是一种有效的替代方案，它能够利用现有数据，借助保留标签的转换方式生成新的数据。比如在人脸识别技术中，通常使用深度神经网络模型进行识别。深度神经网络模型具有较高的识别准确率，但是，为保证深度神经网络模型的性能，通常也需要大量的有标注样本进行训练，而为了获取大量的有标注样本需要在人脸识别系统中预先采集用户的多角度照片。由于真实环境的变化，如光照、人脸角度，人脸受伤发生的变化等，需要针对每位用户采集多张不同光线下、不同角度的照片，造成照片采集工作量巨大，采集过程十分繁琐，需要付出较高的成本。因此使用数据增强技术是一种较好的降低图像采集成本的方法。
【技术保护点】
1.一种图像数据增强策略选择方法，其特征在于，所述方法包括：/n获取数据增强策略搜索空间和目标物体图像集；所述搜索空间包括若干条数据增强策略；/n在所述搜索空间中随机选取若干条数据增强策略；/n根据所述目标物体图像集分别计算随机选取的若干条数据增强策略对应的图像分类误差，得到初始数据增强策略误差对集合；/n根据所述目标物体图像集和所述初始数据增强策略误差对集合，采用贝叶斯优化方法从所述搜索空间中搜索选出最优数据增强策略。/n
【技术特征摘要】
1.一种图像数据增强策略选择方法，其特征在于，所述方法包括：
获取数据增强策略搜索空间和目标物体图像集；所述搜索空间包括若干条数据增强策略；
在所述搜索空间中随机选取若干条数据增强策略；
根据所述目标物体图像集分别计算随机选取的若干条数据增强策略对应的图像分类误差，得到初始数据增强策略误差对集合；
根据所述目标物体图像集和所述初始数据增强策略误差对集合，采用贝叶斯优化方法从所述搜索空间中搜索选出最优数据增强策略。
2.根据权利要求1所述的图像数据增强策略选择方法，其特征在于，
所述数据增强策略包括若干条子策略；
所述子策略包括若干个图像转换操作；
所述图像转换操作为Python图像库中的图像转换操作。
3.根据权利要求1所述的图像数据增强策略选择方法，其特征在于，
在所述获取数据增强策略搜索空间和目标物体图像集之后，所述在所述搜索空间中随机选取若干条数据增强策略之前还包括：
对所述目标物体图像集中的每张图片都进行标准化处理，得到各张图片的标准化像素值矩阵；
在每张图片的标准化像素值矩阵中均填充设定数量的零像素值，得到各张图片的填充图像；
以同一尺寸在每张图片的填充图像上分别进行随机裁剪，得到各张图片的裁剪图像；
将每张图片的裁剪图像均进行水平翻转，得到预处理后的目标物体图像集。
4.根据权利要求1所述的图像数据增强策略选择方法，其特征在于，
所述根据所述目标物体图像集分别计算随机选取的若干条数据增强策略对应的图像分类误差具体包括：
对随机选取的若干条数据增强策略均执行以下操作：
根据随机选取的数据增强策略对所述目标物体图像集进行增强，得到增强目标物体图像集；
采用宽度残差神经网络模型对所述增强目标物体图像集进行图像分类误差评估，得到随机选取的数据增强策略对应的图像分类误差。
5.根据权利要求1所述的图像数据增强策略选择方法，其特征在于，
所述根据所述目标物体图像集和所述初始数据增强策略误差对集合，采用贝叶斯优化方法从所述搜索空间中搜索选出最优数据增强策略具体包括：
根据所述目标物体图像集和所述初始数据增强策略误差对集合，最大化贝叶斯优化的采集函数，从所述搜索空间中搜索出一条数据增强策略，得到搜索数据增强策略；
根据所述目标物体图像集和所述搜索数据增强策略计算所述搜索数据增强策略对应的图像分类误差，得到搜索数据增强策略误差对；
将所述搜索数据增强策略误差对添加到所述初始数据增强策略误差对集合中，更新所述初始数据增强策略误差对集合；
判断是否达到最大迭代次数，得到判断结果；
若所述判断结果为否，则迭代次数加1，并返回步骤“根据所述目标物体图像集和所述初始数据增强策略误差对集合，最大化贝叶斯优化的采集函数，从所述搜索空间中搜索出一条数据增强策略，得到搜索数据增强策略”；
若所述判断结果为是，则将最小的图像分类误差值对应的数据增强策略作为选择的最优数据增强策略。
6.一种人脸识别图像数...
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。