[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

说明书

本发明涉及一种基于车联网的深度学习图像压缩感知方法，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。本发明还公开了一种基于车联网的深度学习图像压缩感知系统。本发明极大的减少数据传输量，减轻带宽压力，极大的节省了流量资费和存储空间的限制，同时实时响应恢复，重建图像的准确度和对图像噪声的抑制均能取得比较好的效果。

技术领域

本发明涉及深度学习技术领域，尤其是一种基于车联网的深度学习图像压缩感知方法及系统。

背景技术

随着车联网云数据中心与综合服务平台的建设与行业的应用，汇聚了海量的车辆视觉数据、位置数据、车辆状态、故障、环境数据，速度、加速度等驾驶人行为数据、路网数据以及视觉数据，为分析移动对象行为提供了基础数据源。车联网大数据在构建端——云端一体化发展过程中，数据的安全传输、流量资费、效率等等是亟需考虑的因素。

图像和视频作为人类视觉信息的物质再现和记录信息的重要载体，一般是经过高密度采样后使用离散化数值进行表示，数据量庞大，直接传输不经过压缩编码的会消耗大量的网络带宽和存储空间；网络环境和信道质量的不稳定也会引起传输过程中数据错误或者丢失；存储介质老化和机器故障等问题要求在原始数据基础上进一步引入冗余以达到可靠存储的目的。因此，图像视频的高效编码、鲁棒传输和高可靠性存储对信息的传递、交流和存储起着至关重要的作用。海量的数据实时传输，且网络端际云平台受限于云计算和网络传输资费，因而在传输速度达到极限的同时，如何确保数据安全的同时，降低传输的数据量，成为研究的重点。

压缩感知问题是信号处理领域中一个具有挑战性的问题，由于神经网络能够充分学习到图像中的先验信息，近年来，通过神经网络重建压缩感知信号成为了一个热门的方法。压缩感知作为一种新的但在大数据环境中，它的固有弊端：依赖专家知识、无法迁移、精确性差等，已经凸显到无法忽视的地步了。因为占大数据主要部分的非结构化数据，往往模式不明且多变，无法获得先验知识，很难建立显式的数学模型，这就需要发展更加智能的数据挖掘技术。

深度学习与压缩感知技术结合，将车辆网下的视觉数据高效压缩采集重构于云端，面向大规模云可视化分析的深度神经网络时，在网络带宽一定时，能够很好地平衡计算负载、传输负载和云服务器的泛化能力，将云端数据通过网络实时智能终端监控。基于神经网络重建压缩感知，由于维数较大的压缩信号输入到网络中时，全连接层和高度深层次的卷积神经网络需要大量的参数，大量的参数容易出现梯度爆炸或梯度消失的现象，无法完成高质量的重建。

发明内容

本发明的首要目的在于提供一种将车联网车载终端海量数据压缩实时传到云端再至移动终端，极大的减少数据传输量，减轻带宽压力，极大的节省了流量资费和存储空间的限制的基于车联网的深度学习图像压缩感知方法。

为实现上述目的，本发明采用了以下技术方案：一种基于车联网的深度学习图像压缩感知方法，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。