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】
本申请涉及视频分析与处理,特别是涉及一种数据生成方法、模型训练方法、图像差异检测方法以及终端设备。
技术介绍
1、近年来,随着基于深度学习的图像目标检测技术的成熟,基于目标检测框架的图像差异性检测技术在视频监控,卫星图像分析,制造质量控制等众多领域大放异彩。通过图像差异性分析可以判别不同时刻同一场景所发生的变化,然后根据不同任务发生图像变化的结果不同下沉到具体的实际应用中。
2、然而,目前基于深度学习技术的差异性有监督检测算法需要大量人力进行标注,特别是分割标注,需要精细的标注两张图像的变化情况,耗时耗力,使得大多数模型难以达到期望的检测效果。
技术实现思路
1、为解决上述技术问题,本申请提出了一种数据生成方法、模型训练方法、图像差异检测方法以及终端设备。
2、为解决上述技术问题,本申请提出了一种数据生成方法,所述数据生成方法包括:
3、获取背景图像,以及标注图像;
4、从所述标注图像中分割标注物体图像;
5、将所述标注物体图像融合到所述背景图像中,得到正样本数据;
6、和/或,从所述标注图像中分割光线变化素材;
7、将所述光线变化素材融合到所述背景图像中,得到负样本数据。
8、其中,所述将所述标注物体图像融合到所述背景图像中,得到正样本数据,包括:
9、将所述背景图像划分为若干背景网格;
10、获取每一背景网格的信息描述量;
11、循环执行:将所述标
12、为解决上述技术问题,本申请还提出一种模型训练方法,所述模型训练方法包括:
13、从样本数据获取背景图像、样本图像以及基于所述背景图像和所述样本图像获取真实变化区域;
14、提取所述背景图像的背景特征,以及提取所述样本图像的样本特征;
15、获取所述背景特征和所述样本特征的融合差异特征;
16、基于所述融合差异特征生成预测变化区域;
17、利用所述真实变化区域和所述预测变化区域的差异信息,训练图像差异检测模型;
18、其中,所述样本数据通过上述的数据生成方法生成。
19、其中,所述提取所述背景图像的背景特征,以及提取所述样本图像的样本特征,包括:
20、利用若干个基本特征提取模块串联的基本特征提取网络提取所述背景图像不同尺寸的背景特征;
21、利用若干个基本特征提取模块串联的基本特征提取网络提取所述样本图像不同尺寸的样本特征;
22、所述获取所述背景特征和所述样本特征的融合差异特征,包括:
23、获取高维背景特征和高维样本特征的融合差异特征。
24、其中,所述获取所述背景特征和所述样本特征的融合差异特征,包括:
25、利用差异特征融合模块提取所述背景特征和所述样本特征的差异特征,其中,所述差异特征包括出现差异特征、消失差异特征、距离差异特征、原始背景特征,和/或原始前景特征;
26、将所述差异特征进行拼接融合,得到所述融合差异特征。
27、其中,所述基于所述融合差异特征生成预测变化区域,包括:
28、将不同尺寸的融合差异特征输入差异检测预测模块,获取不同尺寸的预测变化特征;
29、将不同尺寸的预测变化特征上采样至相同尺寸的预测变化特征;
30、将所述相同尺寸的预测变化特征进行融合,得到预测变化融合特征;
31、利用所述预测变化融合特征生成所述预测变化区域。
32、其中,所述利用所述真实变化区域和所述预测变化区域的差异信息,训练图像差异检测模型,包括:
33、将所述真实变化区域对应的像素点设置真实标签值,其余像素值设置非变化标签值;
34、将所述预测变化区域对应的像素点设置预测标签值,其余像素值设置非变化标签值;
35、利用所有像素点的真实标签值、预测标签值以及非变化标签值计算损失值;
36、利用所述损失值训练所述图像差异检测模型。
37、其中,所述利用所述损失值训练所述图像差异检测模型,包括:
38、获取所述背景图像或所述样本图像的所有像素点数量;
39、基于所述预测变化区域获取变化区域像素数量;
40、利用所述所有像素点数量和所述变化区域像素数量计算平衡权重;
41、利用所述平衡权重和所述损失值训练所述图像差异检测模型。
42、为解决上述技术问题,本申请还提出一种图像差异检测方法,所述图像差异检测方法包括:
43、将背景图像与前景图像输入图像差异检测模型,获取所述图像差异检测模型输出的掩码图像;
44、将所述掩码图像中预测像素值的像素点聚类出连通区域;
45、按照所述连通区域输出图像差异预测框;
46、其中,所述图像差异检测模型通过上述的模型训练方法训练所得。
47、为解决上述技术问题,本申请还提出一种终端设备,所述终端设备包括存储器以及与所述存储器耦接的处理器;其中,所述存储器用于存储程序数据,所述处理器用于执行所述程序数据以实现如上述的数据生成方法、模型训练方法和/或图像差异检测方法。
48、与现有技术相比,本申请的有益效果是:终端设备获取背景图像,以及标注图像;从所述标注图像中分割标注物体图像;将所述标注物体图像融合到所述背景图像中,得到正样本数据;和/或,从所述标注图像中分割光线变化素材;将所述光线变化素材融合到所述背景图像中,得到负样本数据。通过上述数据生成方法,可以生成变化样本与模拟光照负样本,在无额外人工标注的前提下生成差异检测训练数据。
本文档来自技高网...【技术保护点】
1.一种数据生成方法,其特征在于,所述数据生成方法包括:
2.根据权利要求1所述的数据生成方法,其特征在于,
3.一种模型训练方法,其特征在于,所述模型训练方法包括:
4.根据权利要求3所述的模型训练方法,其特征在于,
5.根据权利要求3或4所述的模型训练方法,其特征在于,
6.根据权利要求3所述的模型训练方法,其特征在于,
7.根据权利要求3或6所述的模型训练方法,其特征在于,
8.根据权利要求7所述的模型训练方法,其特征在于,
9.一种图像差异检测方法,其特征在于,所述图像差异检测方法包括:
10.一种终端设备,其特征在于,所述终端设备包括存储器以及与所述存储器耦接的处理器;
【技术特征摘要】
1.一种数据生成方法,其特征在于,所述数据生成方法包括:
2.根据权利要求1所述的数据生成方法,其特征在于,
3.一种模型训练方法,其特征在于,所述模型训练方法包括:
4.根据权利要求3所述的模型训练方法,其特征在于,
5.根据权利要求3或4所述的模型训练方法,其特征在于,
6.根据权利...
【专利技术属性】
技术研发人员:潘柄存,潘国雄,郑佳,潘华东,
申请(专利权)人:浙江大华技术股份有限公司,
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。