【技术实现步骤摘要】
基于监控场景的可调图像压缩方法以及系统
[0001]本专利技术涉及图像处理
，特别是涉及一种基于监控场景的可调图像压缩方法以及系统。
技术介绍
[0002]近年来，高位视频技术发展迅速，可实现泊位状态、车辆停车、车辆违章等动作的检测及抓拍，以图片和视频的形式，记录完整过程，同时形成完整的停车或违章取证数据链，极大缓解了此前路边停车的乱收费等现象。然而，在这个过程中，对高位相机捕捉到的数据存储和传输带来了重大挑战。图像压缩技术通过减少图像数据中的冗余信息，从而可更加高效的存储和传输数据。
[0003]压缩码率是指单位像素编码所需要的编码长度，码率越低，则代表压缩性能越好。近年来，随着深度学习的发展，基于深度学习的图像压缩方法也发展起来，与传统压缩技术相比，基于深度学习的方法优势在于具有更好的非线性映射能力，能有利于学习到图像数据的深层次特征、基于深度学习的优良内容自适应性优于基于传统的压缩方法、能利用相邻的信息还可以利用远距离的样本来提高编码效率，可以根据特定的域特征进一步减小比特率，提高压缩比。但是，传统基于深...
【技术保护点】
【技术特征摘要】
1.一种基于监控场景的可调图像压缩方法，其特征在于，包括：获取监控场景图像数据集；对多个不同编码器进行组合，构建形成图像压缩模型的多分支编码器结构；将所述监控场景图像数据集输入至所述多分支编码器结构的一个分支编码器结构中进行特征提取，获得编码特征表示向量；将所述编码特征表示向量输入至所述图像压缩模型的量化器结构中进行特征量化，获得量化特征；将所述量化特征输入至所述图像压缩模型的解码器结构中进行图像重建，获得重建图像集；根据所述重建图像集与所述监控场景图像数据集构建率失真函数，并根据所述率失真函数对所述图像压缩模型进行训练，获得训练完成的图像压缩模型；选择所述多分支编码器结构的一个分支编码器结构，将待测监控场景图像输入至所述训练完成的图像压缩模型中，获得不同压缩码率的压缩图像。2.根据权利要求1所述的基于监控场景的可调图像压缩方法，其特征在于，所述对多个不同编码器进行组合，构建形成图像压缩模型的多分支编码器结构，包括：对多个不同卷积神经网络结构的编码器进行组合，形成多个编码器组合；对所述多个编码器组合进行训练，获得所述多分支编码器结构，所述多分支编码器结构的各个分支编码器结构的编码器个数逐支递增。3.根据权利要求2所述的基于监控场景的可调图像压缩方法，其特征在于，所述对所述多个编码器组合进行训练，获得所述多分支编码器结构，包括：构建教师模型，对所述教师模型进行训练，获得训练完成的教师模型；根据所述训练完成的教师模型对所述多个编码器组合中第一个编码器进行引导学习，获得训练完成的第一个编码器，形成第一分支编码器结构；根据所述训练完成的教师模型对含有所述训练完成的第一个编码器与第二个编码器的组合进行引导学习，获得训练完成的第二个编码器，所述训练完成的第一个编码器与所述训练完成的第二个编码器形成第二分支编码器结构；根据所述训练完成的教师模型对含有所述第二分支编码器结构与第三个编码器的组合进行引导学习，获得训练完成的第三个编码器，所述第二分支编码器结构与所述训练完成的第三个编码器形成第三分支编码器结构；根据所述训练完成的教师模型对含有所述第三分支编码器结构与第四个编码器的组合进行引导学习，，获得训练完成的第四个编码器，所述第三分支编码器结构与所述训练完成的第四个编码器形成第四分支编码器结构。4.根据权利要求1所述的基于监控场景的可调图像压缩方法，其特征在于，所述将所述编码特征表示向量输入至所述图像压缩模型的量化器结构中进行特征量化，获得量化特征，包括：将所述编码特征表示向量输入至所述量化器结构的超先验编码器中，获得第一特征图；将所述第一特征图输入至所述量化器结构的超先验解码器中，获得所述量化特征。5.根据权利要求1所述的基于监控场景的可调图像压缩方法，其特征在于，所述根据所
述重建图像集与所述监控场景图像数据集构建率失真函数，并根据所述率失真函数对所述图像压缩模型进行训练，获得训练完成的图像压缩模型，包括：根据所述重建图像集与所述监控场景图像数据集进行图像失真计算，获得图像失真度；设置整体压缩码率，根据所述整体压缩码率与所述图像失真度构建所述率失真函数；根据所述率失真函数与梯度下降算法，计算梯度与更新模型参数，获得所述训练完成的图像压缩模型。6.一种基于监控场景的可调图像压缩系统，其特征在于，包...
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。