【技术实现步骤摘要】
一种烟火图像生成方法及系统
[0001]本专利技术涉及烟火图像
,具体是一种烟火图像生成方法及系统。
技术介绍
[0002]在传统的烟火生成方法中,需要基于火焰模型进行仿真迭代,计算费用十分昂贵;
[0003]在基于生成对抗网络的烟火生成方法中,仅存在单一的烟火目标生成任务,没有结合交通场景特点来进行烟火图像生成研究;
[0004]现有的基于深度学习的图像生成方法,如StyleGAN系列,关注的是图像整体,没有引入用以描述烟火前景与交通背景的额外位置信息,因而在模型的训练阶段,模型没有接收到区分烟火前景与交通背景的这一任务,不会对不同类别进行不同约束的特征学习,因此,无法实现在交通图像中指定的局部区域进行烟火前景的生成;
[0005]现有的图像转换方法,如Pix2Pix、CycleGAN,通过重建损失可以实现交通背景区域的重建并且效果较好,然而,这类方法没有引入额外的随机噪声,导致这类方法的生成能力较弱,对训练样本的数据分布依赖较强,一旦将模型迁移至其它数据集上,转换的效果将大打折扣;
[0006]现有的图像合成方法,如SPADE,在合成过程中利用了前景和背景作为不同类别的边界位置关系,然而,这类方法只用到了前层次的语义分割信息,并没有利用好真实样本在图像空间下的交通场景信息,导致合成的过程过于自由。
[0007]现有技术主要存在以下问题:
[0008]1.实际交通场景下的公开烟火数据较为缺乏,大部分公开的烟火数据集画面与监控视角下相差较大,且当前相关的参考资料较 ...
【技术保护点】
【技术特征摘要】
1.一种烟火图像生成方法,其特征在于,基于真实图像和掩膜,构建并训练生成对抗网络,在训练生成对抗网络过程中设置损失作为烟火生成的约束,从而生成烟火图像;其中,烟火生成的约束包括对生成的烟火位置、烟火形状、烟火大小之中的一种或多种的约束。2.根据权利要求1所述的一种烟火图像生成方法,其特征在于,包括以下步骤:S1,预处理:将真实图像I
R
和掩膜M做覆盖计算,得到仅携带设定背景信息的被掩码图像I
M
;S2,训练生成:基于I
M
训练生成对抗网络的生成器,生成训练生成图像I
G
;S3,训练判别:生成对抗网络的判别器将I
R
编码成预测结果P
R
以及将I
G
编码成预测结果P
G
,然后基于P
R
、P
G
设置损失训练生成器和判别器;S4,推理:利用训练好的生成器,将真实图像I
R
和掩膜M作为输入,得到推理生成图像I
F
。3.根据权利要求2所述的一种烟火图像生成方法,其特征在于,步骤S2包括以下步骤:S21,将I
M
做固定尺寸的下采样;S22,将下采样后的图像样本与随机噪声高斯融合;S23,将高斯融合后的数据通过全连接层转换为高维通道的隐空间向量,作为生成器的初始输入训练生成器,然后生成训练生成图像I
G
。4.根据权利要求2所述的一种烟火图像生成方法,其特征在于,步骤S3中,将P
R
和P
G
作为输入,计算P
R
、P
G
的重建类损失。5.根据权利要求4所述的一种烟火图像生成方法,其特征在于,计算P
R
、P
G
的重建类损失的公式为:其中,φ表示用于特征提取的特征提取神经网络,j表示特征提取神经网络的层编号,表示参与损失计算的生成图像,y表示参与损失计算的真实图像,表示生成图像与真实图像在特征提取神经网络中第j层所对应两个特征图的损失计算值,C
j
表示特征提取神经网络在第j层的特征图通道长度,H
j
表示特征提取神经网络在第j层的特征图高度,W
j
表示特征提取神经网络在第j层的特征图宽度,表示生成图像在特征提取神经网络中第j层所对应特征图的特征值,φ
j
(y)表示真实图像在特征提取神经网络中第j层所对应特...
【专利技术属性】
技术研发人员:吴晓,周盛源,李威,何廷全,胡东风,
申请(专利权)人:西南交通大学,
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。