System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像处理,具体地说是基于深度学习去除图像中光照的方法及系统。
技术介绍
1、随着人工智能的发展与应用,图像识别技术已经融入生活方方面面,例如进入学校、火车站和公司等场合需要刷脸进入。但是这些设备应用过程中常常出现由于太阳或其它灯光照射导致摄像头抓取的图片失真,以致识别精度下降的问题。因此,如何对摄像头抓取的图像进行去光照处理已经成为一个亟待解决的问题。目前大多数去光照的算法还是使用传统数字图像处理方法,如直方图均衡化、retinex理论等,但是这些方法对于光照比较强的区域处理结果还是欠佳。
2、如何去除图像中光照影像、提高图像识别精度,是需要解决的技术问题。
技术实现思路
1、本专利技术的技术任务是针对以上不足,提供基于深度学习去除图像中光照的方法及系统,来解决如何去除图像中光照影像、提高图像识别精度的技术问题。
2、第一方面,本专利技术一种基于深度学习去除图像中光照的方法,包括如下步骤:
3、样本构建:采集不同光照环境下图像作为原始图像,原始图像中具有前景目标,并对原始图像进行内容保持操作,得到与原始图像具有相同前景目标的操作后图像,将操作后图像作为样本图像;
4、模型构建:基于引入有epsa注意力机制的resnet50网络构建去光照网络模型,所述去光照网络模型用于对输入图像进行特征提取、并基于epsa注意力机制去除光照差异,输出去除光照后的特征图作为去光照后图像;
5、模型训练:将样本图像作为输入图像,通
6、模型评估:分别以样本图像以及去光照后图像作为输入图像,通过预训练后的图像识别模型进行目标识别、得到对应的识别结果,基于mse指标以及ssim指标计算样本图像和去光照后图像对应的识别结果之间的差异,基于差异结果评估训练后去光照网络模型,得到评估结果;
7、参数调整:在评估结果不符合预期时执行模型训练以及模型评估操作,对当前训练后去光照网络模型进行参数优化,直至评估结果符合预期,得到最终去光照网络模型;
8、去光照操作:对于待去光照的图像,将图像输入最终去光照网络模型,得到对应的去光照后图像。
9、作为优选,对原始图像进行内容保持操作,包括如下:
10、对原始图像进行剪裁操作;
11、和/或,对原始图像进行旋转操作;
12、和/或,对原始图像进行亮度抖动操作。
13、作为优选,所述去光照网络模型为基于resnet50网络构建的网路模型,包括五个特征提取阶段,分别为stage0、stage1、stage2、stage3以及stage4,在stage1、stage2、stage3以及stage4中均包括多个残差模块并均引入有epsa注意力模块,epsa注意力模块用于用于表示对应特征提取阶段输出特征的权重。
14、作为优选,模型训练时,通过冻结参数的形式分阶段进行参数优化,包括如下步骤:
15、冻结stage1、stage2、stage3以及stage4的参数,对stage0以及对应的epsa注意力模块进行参数优化;
16、冻结stage2、stage3以及stage4的参数,对stage0、stage1以及对应epsa注意力模块进行参数优化;
17、冻结stage3以及stage4的参数,对stage0、stage1、stage2以及对应epsa注意力模块进行参数优化;
18、冻结stage4的参数,对stage0、stage1、stage2、stage3以及对应epsa注意力模块进行参数优化;
19、对stage0、stage1、stage2、stage、stage4以及对应epsa注意力模块进行参数优化。
20、作为优选,损失函数计算公式如下:
21、
22、其中,i_lit为带有光照变化的输入图像,i_derel是去除光照变化后的去光照后图像,n表示输入图像的数量。
23、第二方面,本专利技术一种基于深度学习去除图像中光照的系统,用于通过如第一方面任一项所述的基于深度学习去除图像中光照的方法,包括样本构建模块、模型构建模块、模型训练模块、模型评估模块、参数调整模块以及去光照操作模块;
24、样本构建模块用于执行如下:采集不同光照环境下图像作为原始图像,原始图像中具有前景目标,并对原始图像进行内容保持操作,得到与原始图像具有相同前景目标的操作后图像,将操作后图像作为样本图像;
25、模型构建模块用于执行如下:基于引入有epsa注意力机制的resnet50网络构建去光照网络模型,所述去光照网络模型用于对输入图像进行特征提取、并基于epsa注意力机制去除光照差异,输出去除光照后的特征图作为去光照后图像;
26、模型训练模块用于执行如下:将样本图像作为输入图像,通过去光照网络模型输出对应的去光照后图像,基于样本图像和去光照后图像构建损失函数,通过损失函数最小化对光照网络模型进行参数优化,得到训练后去光照网络模型;
27、模型评估模块用于执行如下:分别以样本图像以及去光照后图像作为输入图像,通过预训练后的图像识别模型进行目标识别、得到对应的识别结果,基于mse指标以及ssim指标计算样本图像和去光照后图像对应的识别结果之间的差异,基于差异结果评估训练后去光照网络模型,得到评估结果;
28、参数调整模块用于执行如下:在评估结果不符合预期时执行模型训练以及模型评估操作,对当前训练后去光照网络模型进行参数优化,直至评估结果符合预期,得到最终去光照网络模型;
29、去光照操作模块用于执行如下:对于待去光照的图像,将图像输入最终去光照网络模型,得到对应的去光照后图像。
30、作为优选,对原始图像进行内容保持操作时,所述样本构建模块用于执行如下:
31、对原始图像进行剪裁操作;
32、和/或,对原始图像进行旋转操作;
33、和/或,对原始图像进行亮度抖动操作。
34、作为优选,所述去光照网络模型为基于resnet50网络构建的网路模型,包括五个特征提取阶段,分别为stage0、stage1、stage2、stage3以及stage4,在stage1、stage2、stage3以及stage4中均包括多个残差模块并均引入有epsa注意力模块,epsa注意力模块用于用于表示对应特征提取阶段输出特征的权重。
35、作为优选,模型训练时,所述模型训练模块用于通过冻结参数的形式分阶段进行参数优化,并执行如下操作:
36、冻结stage1、stage2、stage3以及stage4的参数,对stage0以及对应的epsa注意力模块进行参数优化;
37、本文档来自技高网...
【技术保护点】
1.一种基于深度学习去除图像中光照的方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于深度学习去除图像中光照的方法,其特征在于,对原始图像进行内容保持操作,包括如下:
3.根据权利要求1所述的基于深度学习去除图像中光照的方法,其特征在于,所述去光照网络模型为基于ResNet50网络构建的网路模型,包括五个特征提取阶段,分别为stage0、stage1、stage2、stage3以及stage4,在stage1、stage2、stage3以及stage4中均包括多个残差模块并均引入有EPSA注意力模块,EPSA注意力模块用于用于表示对应特征提取阶段输出特征的权重。
4.根据权利要求3所述的基于深度学习去除图像中光照的方法,其特征在于,模型训练时,通过冻结参数的形式分阶段进行参数优化,包括如下步骤:
5.根据权利要求1所述的基于深度学习去除图像中光照的方法,其特征在于,损失函数计算公式如下:
6.一种基于深度学习去除图像中光照的系统,其特征在于,用于通过如权利要求1-5任一项所述的基于深度学习去除图像中光照的方法
7.根据权利要求6所述的基于深度学习去除图像中光照的系统,其特征在于,对原始图像进行内容保持操作时,所述样本构建模块用于执行如下:
8.根据权利要求6所述的基于深度学习去除图像中光照的系统,其特征在于,所述去光照网络模型为基于ResNet50网络构建的网路模型,包括五个特征提取阶段,分别为stage0、stage1、stage2、stage3以及stage4,在stage1、stage2、stage3以及stage4中均包括多个残差模块并均引入有EPSA注意力模块,EPSA注意力模块用于用于表示对应特征提取阶段输出特征的权重。
9.根据权利要求6所述的基于深度学习去除图像中光照的系统,其特征在于,模型训练时,所述模型训练模块用于通过冻结参数的形式分阶段进行参数优化,并执行如下操作:
10.根据权利要求6所述的基于深度学习去除图像中光照的系统,其特征在于,损失函数计算公式如下:
...【技术特征摘要】
1.一种基于深度学习去除图像中光照的方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于深度学习去除图像中光照的方法,其特征在于,对原始图像进行内容保持操作,包括如下:
3.根据权利要求1所述的基于深度学习去除图像中光照的方法,其特征在于,所述去光照网络模型为基于resnet50网络构建的网路模型,包括五个特征提取阶段,分别为stage0、stage1、stage2、stage3以及stage4,在stage1、stage2、stage3以及stage4中均包括多个残差模块并均引入有epsa注意力模块,epsa注意力模块用于用于表示对应特征提取阶段输出特征的权重。
4.根据权利要求3所述的基于深度学习去除图像中光照的方法,其特征在于,模型训练时,通过冻结参数的形式分阶段进行参数优化,包括如下步骤:
5.根据权利要求1所述的基于深度学习去除图像中光照的方法,其特征在于,损失函数计算公式如下:
6.一种基于深度学习去除图像中光照的系统,其特征在于,用于通过如权利要求1-5任一项所述的...
【专利技术属性】
技术研发人员:段强,魏代邦,杨宗圣,姜凯,
申请(专利权)人:山东浪潮科学研究院有限公司,
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。