一种基于图像清晰度的车辆图像语义分割方法技术

本发明专利技术公开了一种基于图像清晰度的车辆图像语义分割方法。本发明专利技术设计了一个清晰度判别模块，并将结果导入总的损失函数中，实现更加精确的分割效果，具体实现如下：步骤1、采用Tenengrad函数来对输入的车辆图像进行清晰度判定；步骤2、采用DeepLab V3+作为语义分割主干网络进行训练；步骤3、用训练完的网络输出语义分割结果。本发明专利技术对于清晰度做出判定，根据判别结果，本发明专利技术设计了相应的损失函数L

【技术实现步骤摘要】
一种基于图像清晰度的车辆图像语义分割方法
本专利技术属于计算机视觉
，具体涉及基于深度学习的语义分割技术，针对车辆图像这一特定类别，结合图像清晰度获得更高精确度的语义分割结果。
技术介绍
图像语义分割技术作为计算机视觉领域经典和基础研究课题，不仅应用广泛，在场景解析、自动驾驶、人机交互、图像搜索引擎等领域具有重要意义，而且对于后续处理图像内容将产生直接影响，所以一直以来，图像语义分割技术都是计算机视觉领域最为活跃的一部分，许多研究人员先后对此做出巨大贡献。图像语义分割是从像素水平，识别、理解并区分图像中的内容，对图像中的每一个像素点予以相应的类别，因此也可以将之视为密集预测问题，这是一项富有挑战性和意义的课题。传统的语义分割主要有两大类，基于非监督的分割方法和基于概率图模型的分割方法。基于非监督的分割方法通常依靠提取图片的低级特征，检测一致的区域或区域的边界，从而获得分割的结果，但分割的结果没有语义的标注，因此不能算作严格意义上的语义分割。基于概率图的分割方法则是利用参数统计方法，基于几个简单的特征对图像进行过渡分割，然后本文档来自技高网...

【技术保护点】
1.一种基于图像清晰度的车辆图像语义分割方法，其特征在于包括如下步骤：/n步骤1：数据集处理/n从VeRi数据集中选取2000张作为训练图像集，选取1000张图像作为测试图像集，并对训练图像数据集进行数据增强操作，使训练图像的数量增加到10000张；/n步骤2：初始化语义分割主干网络；/n导入DeeepLab V3+网络对应层的参数，对语义分割主干网络进行初始化，加速训练过程中网络收敛所需时间；/n步骤3：训练添加有清晰度判别模块的语义分割主干网络；/n步骤4：对测试图像集进行语义分割。/n

【技术特征摘要】
1.一种基于图像清晰度的车辆图像语义分割方法，其特征在于包括如下步骤：
步骤1：数据集处理
从VeRi数据集中选取2000张作为训练图像集，选取1000张图像作为测试图像集，并对训练图像数据集进行数据增强操作，使训练图像的数量增加到10000张；
步骤2：初始化语义分割主干网络；
导入DeeepLabV3+网络对应层的参数，对语义分割主干网络进行初始化，加速训练过程中网络收敛所需时间；
步骤3：训练添加有清晰度判别模块的语义分割主干网络；
步骤4：对测试图像集进行语义分割。


2.根据权利要求1所述的一种基于图像清晰度的车辆图像语义分割方法，其特征在于步骤3具体实现如下：
将输入图像和对应的groundtruth导入到语义分割主干网络中，首先经过清晰度判别模块，对每一张输入图像依次进行如下操作：
D(f)＝∑y∑x|G(x，y)|(1)
其中，(x,y)对应输入图像的每一个像素点，而G(x,y)的计算方式为：



其中，Gx(x,y)是像素点(x,y)处于Sobel水平方向边缘检测算子gx的卷积，Gy(x,y)是像素点(x,y)处于Sobel垂直方向边缘检测算子gy的卷积，算子gx和gy分别为：






将清晰度判别模块计算所得的D(f)作为清晰度损失函数导入到总损失函数中：
LD＝-logD(f)(5)
将输入车...

【专利技术属性】
技术研发人员：颜成钢，沈少强，孙垚棋，张继勇，张勇东，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33