[发明专利]一种车型图片修复训练样本的生成方法

说明书

本发明公开一种车型图片修复训练样本的生成方法，其特征在于，所述方法包括，步骤A，大量收集车辆高清图像，建立车辆高清样本数据库；步骤B，对上述高清样本数据库图像先后进行等比例缩放，建立车辆模糊样本数据库；步骤C，建立模型，实现车型图片修复；步骤D，模型应用于现场抓拍，实现车辆识别以及车型图片修复。本发明提供的车型图片修复训练样本的生成方法不再单纯以片面的网页抓取方式实现，而是基于网页抓取和等比例缩放的方式相结合，省时省力；此外，样本集正负面影响于一体，样本质量更优质，分布更均衡，提取的规律特征更全面，网络训练更准确，车型图片自动修复的效果更理想。

技术领域

本发明涉及图片识别技术，尤其涉及一种车型图片修复训练样本的生成方法。

背景技术

智能交通，是未来交通的发展方向，可以有效地减少交通负荷，提高运输效率；而车辆识别技术是智能交通系统的重要组成部分，广泛应用于车辆盗窃打击、交通秩序规范、道路交通流量调查等方面。

车辆外在特征的信息采集是车辆识别技术实现的前提条件，而信息采集的途径普遍依靠摄像头实现。据了解，目前摄像头经常受到细微外物遮挡，如：灰尘、水雾等，致使拍摄的视频图像部分内容失真，影响视觉效果。若想确保图像细节清晰，只能采用人工清洁镜头或者更换摄像头的方式解决，但修复成本高、反应速度慢、用户体验差。因此，图像缺损，为当前智能交通的实现带来阻碍。

为了解决图像缺损问题，图像修复技术应运而生。传统的修复技术，如：基于扩散、样本块的修复方法等，只能针对某类特定类型的缺损图像进行单一修复，效率低下且不够灵活，无法满足人类对图像修复日益增长的需求。而卷积神经网络技术，能够从二维图像中提取语义信息丰富和判断力强的特征，效率高且准确性高，弥补了传统技术的不足；其中，训练样本的质量、分布以及数量规模影响该技术的实现效果。坏样本，干扰网络训练的准确性，造成负面影响。样本分布不均，导致提取的规律特征片面或不足。样本数量过少，导致网络精度过低；样本数量过多，导致训练时间加大，影响实时性。此外，训练样本的采集是一个耗时、人力成本高的过程。

因此，为了更好地配合卷积神经网络技术实现车型图片修复，社会需要一种能够快速生成优质、全面训练样本的方法，从而达到促进智能交通发展的效果。

发明内容

本发明针对现有技术中存在的问题，提供一种车型图片修复训练样本的生成方法，所述方法包括，

步骤A，大量收集车辆高清图像，建立车辆高清样本数据库；

步骤B，对上述高清样本数据库图像先后进行等比例缩放，建立车辆模糊样本数据库；

步骤C，建立模型，实现车型图片修复；

步骤D，模型应用于现场抓拍，实现车辆识别以及车型图片修复。

进一步地，所述步骤A具体包括：

A1，通过对汽车官方网站抓取数据，系统大量收集各种车型车辆的高清静态图像；

A2，把图像进行灰度处理；

A3，建立车辆高清样本数据库。

进一步地，所述步骤B具体包括：

B1，以等比例方式把上述高清样本图像像素缩小10倍；

B2，以等比例方式把上述缩小样本图像像素放大10倍；

B3，建立车辆模糊样本数据库。

进一步地，所述步骤C具体包括：

系统建立模型，把上述车辆高清和模糊样本图像分别传输给模型反复训练。而模型训练主要采用卷积神经网络方法，从大样本数据中学习，利用不同卷积层输出的高级特征，对特征进行分类，从而实现车型图片自动修复的效果。