训练图像增强模型的方法、装置、设备及存储介质制造方法及图纸

本申请实施例提供了一种训练图像增强模型的方法、装置、设备及存储介质，该训练图像增强模型的方法包括：获取训练样本集，训练样本集包括多个训练样本图像；采用预设的目标神经网络模型，分别提取多个训练样本图像的局部特征，以及多个训练样本图像的全局特征；串联匹配多个训练样本图像的局部特征和全局特征，得到多个训练样本图像的组合特征；基于多个训练样本图像的组合特征训练目标神经网络模型，得到图像增强模型；本申请实施例能够解决现有技术中在光照不充足的情况下拍摄的图像或视频无法满足自动驾驶的图像处理算法的图像质量要求的技术问题。

【技术实现步骤摘要】
训练图像增强模型的方法、装置、设备及存储介质
本申请属于图像增强领域，尤其涉及一种训练图像增强模型的方法、装置、设备及存储介质。
技术介绍
近年来，自动驾驶技术得到了迅速的发展。然而，由于驾驶环境的复杂性和动态性，实现完全自主驾驶并非是一件容易的事。自动驾驶中的人工智能(ArtificialIntelligence，AI)技术不同于其他的AI技术，如图像处理、语音识别，其具有自身的特殊性。自动驾驶不仅需要处理各种光照类型(如逆光、进出隧道的强烈光照变化)，还需要处理各种复杂的天气。在自动驾驶中基于摄像头的感知需要高质量的图像和视频，然而在弱光照或者照明较差的情况下，捕获的视频或者图像可见度、亮度、对比度较低。在低光照或者低曝光拍摄的图像的视觉质量较低，无法满足自动驾驶的图像处理算法对物体检测、车道线检测、以及图像分类的图像质量要求。
技术实现思路
本申请实施例提供一种训练图像增强模型的方法、装置、设备及存储介质，能够解决现有技术中在光照不充足的情况下拍摄的图像或视频无法满足自动驾驶的图像处理算法的图像质量要求的技术问本文档来自技高网...

【技术保护点】
1.一种训练图像增强模型的方法，其特征在于，包括：/n获取训练样本集，所述训练样本集包括多个训练样本图像；/n采用预设的目标神经网络模型，分别提取所述多个训练样本图像的局部特征，以及所述多个训练样本图像的全局特征；/n串联匹配所述多个训练样本图像的局部特征和全局特征，得到所述多个训练样本图像的组合特征；/n基于所述多个训练样本图像的组合特征训练所述目标神经网络模型，得到图像增强模型。/n

【技术特征摘要】
1.一种训练图像增强模型的方法，其特征在于，包括：
获取训练样本集，所述训练样本集包括多个训练样本图像；
采用预设的目标神经网络模型，分别提取所述多个训练样本图像的局部特征，以及所述多个训练样本图像的全局特征；
串联匹配所述多个训练样本图像的局部特征和全局特征，得到所述多个训练样本图像的组合特征；
基于所述多个训练样本图像的组合特征训练所述目标神经网络模型，得到图像增强模型。


2.如权利要求1所述的训练图像增强模型的方法，其特征在于，所述采用预设的目标神经网络模型，分别提取所述多个训练样本图像的局部特征，以及所述多个训练样本图像的全局特征，包括：
对每个所述训练样本图像进行数据增强处理；
采用预设的目标神经网络模型，分别提取增强处理后的多个训练样本图像的局部特征，以及增强处理后的多个训练样本图像的全局特征。


3.如权利要求2所述的训练图像增强模型的方法，其特征在于，所述数据增强处理包括以下至少一项：
所述训练样本图像旋转第一预设角度；
所述训练样本在水平方向或者竖直方向上平移预设距离；
所述训练样本水平翻转第二预设角度。


4.如权利要求1-3任一项所述的训练图像增强模型的方法，其特征在于，所述预设的目标神经网络模型包括卷积层、池化层和全连接层；
所述采用预设的目标神经网络模型，分别提取所述多个训练样本图像的局部特征，以及所述多个训练样本图像的全局特征，包括：
将所述多个训练样本图像输入所述卷积层和所述池化层，得到所述多个训练样本图像的局部特征；
将所述局部特征输入所述全连接层，得到所述多个训练样本图像的全局特征。


5.如权利要求4所述的训练图像增强模型的方法，其特征在于，所述将所述局部特征输入所述全连接层，得到所述多个训练样本图像的全局特征，包括：
将多个所述局部特征输入所述全连接层，输出子全局特征；
对所述子全局特征进行图像复制，得到所述多个训练样本图像的全局特征。


6.如权利要求4所述的训练图像增强模型的方法，其特征在于，所述训练样本集还包括多个标签图像；所述基于所述多个训练样本图像的组合特征训练所述目标神经网络模型，得到图像增强模型，包括：
基于所述多个训练样本...

【专利技术属性】
技术研发人员：聂泳忠，赵银妹，
申请(专利权)人：西人马帝言北京科技有限公司，
类型：发明
国别省市：北京;11