【技术实现步骤摘要】
一种图像特征的确定方法及确定装置
[0001]本申请涉及图像处理
，尤其是涉及一种图像特征的确定方法及确定装置。
技术介绍
[0002]在暗光场景下(例如，夜晚)采集图像数据时，由于光线较弱会导致采集到的暗光图像中关键信息缺失、难以辨认，进而导致暗光图像分类的准确率较低。而暗光图像分类是自动驾驶、视频监控等智能系统中必须面临的问题，直接关系到生命财产安全和公共安全，因此提高暗光图像分类方法的性能具有重大的实际应用价值。
[0003]现有的图像分类方法大多是以充分光线条件下采集的图像(例如，日间图像)为基础得到的，在迁移到暗光图像分类时，提取的暗光图像的特征信息缺失严重，导致对暗光图像的分类结果准确率低。
技术实现思路
[0004]有鉴于此，本申请的目的在于提供一种图像特征的确定方法及确定装置，通过由特征蒸馏参数得到校准特征图，再基于卷积层输出的第一特征图和校准特征图得到增强特征图，并将增强特征图依次输入下一卷积层的增强特征处理过程，使得各增强特征图中可以融合更多层次的信息，具有更强的特征表达能力...
【技术保护点】
【技术特征摘要】
1.一种图像特征的确定方法，其特征在于，所述确定方法包括：将待分类暗光图像输入预先训练的第一模型中的第一卷积层中进行特征增强处理；其中，所述特征增强处理包括：采用第一卷积层对应的特征蒸馏参数，对所述第一卷积层输出的第一特征图进行卷积操作，得到校准特征图；将所述校准特征图与所述第一特征图拼接后进行特征降维，生成所述第一卷积层对应的增强特征图；依次将前一卷积层对应的增强特征图作为下一个卷积层的输入特征图，进行特征增强处理，得到最末层卷积层对应的目标增强特征图；其中，所述目标增强特征图用于表征所述暗光图像的图像特征。2.根据权利要求1所述的确定方法，其特征在于，所述第一模型通过以下步骤被训练得到：获取多个样本暗光图像；其中，每个样本暗光图像被标注有该样本暗光图像的真实图像类别；针对所述多个样本暗光图像中的每个样本暗光图像，对该样本暗光图像进行图像增强，得到该样本暗光图像对应的增强图像；将该样本暗光图像输入预先构建的初始第一模型，得到所述初始第一模型中各卷积层对应的各样本校准特征图以及该样本暗光图像的图像分类结果；将该样本暗光图像对应的增强图像输入预先构建的初始第二模型中，得到所述初始第二模型的各层卷积层输出的标准特征图；其中，所述第一初始模型的各卷积层和所述初始第二模型的各卷积层一一对应；基于所述初始第一模型中各卷积层对应的各样本校准特征图、所述初始第二模型各层卷积层输出的标准特征图、所述图像分类结果以及该样本暗光图像的真实图像类别，确定所述初始第一模型的损失函数；基于所述初始第一模型的损失函数，不断调整所述初始第一模型中的模型参数，重复上述各步骤直至所述初始第一模型达到收敛状态时，得到所述第一模型。3.根据权利要求2所述的确定方法，其特征在于，在每次调整所述初始第一模型中的模型参数的步骤之后，在将该样本暗光图像对应的增强图像再次输入预先构建的初始第二模型的步骤之前，所述确定方法还包括：将所述初始第二模型中各卷积层中的模型参数对应调整为所述初始第一模型中各卷积层中的模型参数。4.根据权利要求2所述的确定方法，其特征在于，所述基于所述初始第一模型中各卷积层对应的各样本校准特征图、所述初始第二模型各层卷积层输出的标准特征图、所述图像分类结果以及该样本暗光图像的真实图像类别，确定所述初始第一模型的损失函数的步骤，包括：基于所述图像分类结果以及该样本暗光图像的真实图像类别，确定所述初始第一模型的第一损失函数；针对所述初始第一模型中每个卷积层，基于所述初始第一模型中该卷积层对应的样本校准特征图以及与该卷积层对应的所述初始第二模型中卷积层输出的标准特征图，确定所述初始第一模型中该卷积层的第二子损失函数；将所述初始第一模型中各卷积层的第二子损失函数的平均值，确定为所述初始第一模
型的第二损失函数；将所述初始第一模型的第一损失函数和第二损失函数之和，确定为所述初始第一模型的损失函数。5.根据权利要求1所述的确定方法，其特征在于，所述将所述校准特征图与所述第一特征图拼接后进行特征降维...
【专利技术属性】
技术研发人员：郑影，单海军，王湾湾，
申请(专利权)人：中电金信软件有限公司，
类型：发明
国别省市：
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。