[发明专利]一种基于车联网的深度学习图像压缩感知方法及系统

权利要求书

1.一种基于车联网的深度学习图像压缩感知方法，其特征在于：将车联网智能终端获取的图片，通过测量矩阵进行分块压缩采样，得到测量数据集合Y；将测量数据集合Y通过无线传输至云端服务器，导入训练好的深度神经网络模型，即通过全连接层恢复为中间重构，得到初步重建图像X′；通过残差去噪网络重建图像，得到最终重建图像X″；确定与原始图像的损失函数，损失函数反向传递更新网络权重，实现最优化；

所述将车联网智能终端获取的图片，通过测量矩阵进行分块压缩采样具体是指：将车联网智能终端获取的图片划分为33×33不重叠的图片块，对边缘不足33×33的块用0补充，得到图像块集合，即原始真实图像X，使用标准正态分布的测量矩阵对分割后的图像分别进行压缩采样处理，得到测量数据集合Y；

所述通过残差去噪网络重建图像具体是指将初步重建图像X′输入到由卷积层组成的残差去噪网络中，对图像进行进一步的重建恢复，得到残差去噪网络的输出，即最终重建图像X″；

所述残差去噪网络包括4个残差去噪模块，所述残差去噪模块由4个卷积层、2个激活函数、4个批处理函数和1个软阈值函数构成，所述残差去噪模块由4个卷积层、2个激活函数、4个批处理函数和1个软阈值函数构成，所述4个卷积层分别为第一、二、三、四卷积层，首先将初步重建图像X′连接卷积核大小为3×3的第一卷积层，第一卷积层的输入为1个通道，第一卷积层的输出为32个通道，第一卷积层的输出连接卷积核大小为3×3的第二卷积层，第二卷积层的输入为32个通道，第二卷积层的输出为32个通道，第二卷积层的输出通过软阈值进行去噪处理，软阈值θ为0.01；第二卷积层的输出连接卷积核大小为3×3的第三卷积层，第三卷积层的输入为32个通道，第三卷积层的输出为32个通道，第三卷积层的输出连接卷积核大小为3×3的第四卷积层，第四卷积层的输入为32个通道，第四卷积层的输出为1个通道，第四卷积层的输出与初步重建图像X′的和作为残差去噪模块的输出，即为中间重建图像，中间重建图像作为下一个残差去噪模块的输入，对图像进行进一步的重建恢复，最终得到残差去噪网络的输出，即最终重建图像X″。

2.根据权利要求1所述的基于车联网的深度学习图像压缩感知方法，其特征在于：所述将测量数据集合Y通过无线传输至云端服务器，导入训练好的深度神经网络模型，即通过全连接层恢复为中间重构具体是指：将测量数据集合Y经由无线传输至云端服务器，进而通过深度神经网络模型，即首先经由全连接层和Reshape操作，将低维的测量数据集合Y恢复至采样前高维度数据集合，即初步重建图像X′。

3.根据权利要求1所述的基于车联网的深度学习图像压缩感知方法，其特征在于：所述确定与原始图像的损失函数，损失函数反向传递更新网络权重，实现最优化具体是指：通过损失函数分别计算初步重构X′、最终重建图像X″与原始真实图像X之间的均方误差，并对其进行反向传递，更新神经网络的参数。

4.实施权利要求1至3中任一项所述的基于车联网的深度学习图像压缩感知方法的系统，其特征在于：包括：

车联网智能终端，将车联网海量视频图像数据进行实时监测提取，通过编码器进行压缩采样，并通过无线网络实时传输至云端服务器；

云端服务器，对数据通过深度网络进行恢复重构，进而对驾驶行为进行相应任务分析；

智能终端，对云端服务器任务分析做出相应实时响应，确保实现对驾驶行为进行不安全因素的规避，实现安全出行的目的。