[发明专利]基于循环生成对抗网络的图像拼接方法和装置

权利要求书

1.一种基于循环生成对抗网络的图像拼接方法，其特征在于，包括：

构建数据集，所述数据集包括无目标数据集和有目标数据集；

构建循环生成对抗网络，所述循环生成对抗网络包括A2B类生成器，B2A类生成器、A类判别器和B类判别器，所述A2B类生成器用于将A类图像和其对应的条件图像作为输入，输出B类生成图像，所述B2A类生成器用于将B类图像作为输入，输出A类生成图像，所述A类判别器用于根据所述A类图像判别所述A类生成图像的真假，所述B类判别器用于根据所述B类图像判别所述B类生成图像的真假；

使用所述有目标数据集和无目标数据集对所述循环生成对抗网络进行训练，得到训练后的循环生成对抗网络；

选取一张要生成目标物体的背景图像，并将所述背景图像分割成带有重叠区域的若干图像块；

在第一图像块中选择一个区域作为初始条件区域，根据这个初始条件区域从第一图像块中提取第一条件图像，将所述第一图像块和第一条件图像作为训练后的循环生成对抗网络中A2B类生成器的输入，得到第一生成图像；

根据第一图像块和第二图像块的重叠区域，基于所述重叠区域从第一图像块中提取第二条件图像，将所述第二图像块和第二条件图像作为训练后的循环生成对抗网络中A2B类生成器的输入，得到第二生成图像；

将所述第一生成图像和第二生成图像进行融合拼接；按照顺序基于重叠区域生成其他图像块的生成图像，并与之前生成的图像进行融合拼接，得到最终的拼接图像。

2.根据权利要求1所述的基于循环生成对抗网络的图像拼接方法，其特征在于，构建数据集，所述数据集包括无目标数据集和有目标数据集，包括：

选择带目标物体的图像，用固定大小的标注框对目标物体所在区域进行第一人工标注；

从所述第一人工标注的图像数据集中，根据标注框裁切出标注区域作为有目标数据集；

选择无目标的背景图像，用同样大小的标注框在随机位置进行第二人工标注，以给出生成目标的位置；

从所述第二人工标注的图像数据集中，根据标注框裁切出标注区域作为无目标数据集。

3.根据权利要求2所述的基于循环生成对抗网络的图像拼接方法，其特征在于，使用所述有目标数据集和无目标数据集对所述循环生成对抗网络进行训练，得到训练后的循环生成对抗网络，包括：

从无目标数据集随机选取N张图像x_i，i＝1,2…,N，作为A类图像，从有目标数据集随机选取N张图像y_i，作为B类图像；

随机选取一个矩形区域作为条件区域F，从A类图像x_i中提取条件图像F(x_i)，其中F(·)代表提取操作；

将A类图像x_i和条件图像F(x_i)作为A2B类生成器的输入，得到B类生成图像

将B类生成图像作为B2A类生成器的输入，得到A类图像x_i的复原图像

从B类图像y_i中提取条件图像F(y_i)；

将B类图像y_i作为B2A类生成器的输入，得到A类生成图像

将A类生成图像和条件图像F(y_i)作为A2B类生成器的输入，得到B类图像y_i的复原图像

计算损失函数L_z：

L_z＝L_GB+L_GA+α[L_cx+L_cy]+βL_cyc

其中，α、β为控制参数常量；L_GB为B类判别器损失函数，L_GA为A类判别器损失函数，L_cx为第一条件损失函数，L_cy为第二条件损失函数，L_cyc为复原损失函数；

其中，D_B(·)代表B类判别器的输出；

其中，D_A(·)代表A类判别器的输出；

根据损失函数L_z，使用Adam优化算法更新生成器的参数，直至训练次数达到阈值M。