[发明专利]一种基于生成式对抗网络的道路交通模糊图像增强方法

权利要求书

1.一种基于生成式对抗网络的道路交通模糊图像增强方法,其特征在于，该方法包含基于生成式对抗网络的多尺度提取图像特征值进行多路径学习的模型，该模型设有生成网络和判别网络，首先将模糊图像输入生成网络然后生成清晰的图像，并将生成的清晰图像及原清晰图像输入给判别网络，然后将判别网络的输出值再利用损失函数反向传播给判别网络和生成网络，以此进行不断对抗训练且优化，直至判别网络无法区分清晰图像及原清晰图像。

2.根据权利要求1所述的一种基于生成式对抗网络的道路交通模糊图像增强方法，其特征在于，该方法包含步骤：

(1)将原清晰图片作为判别网络的输入，训练判别网络参数，每循环预定次数训练保存一次参数；

(2)将模糊图片作为生成网络的输入，得到生成网络生成的清晰图像，再使用生成得到的清晰图像作为判别网络的输入，训练判别网络，每循环预定次数训练保存一次参数；

(3)固定判别网络，不使判别网络的参数更新，使用损失函数训练生成网络，每循环预定次数训练保存一次参数；

(4)重复以上三步，直到生成网络可以生成判别网络分辨不出的图像；

(5)模型训练结束后，将模糊图片输入生成网络，即可得到对应的清晰图片。

3.根据权利要求1或2所述的一种基于生成式对抗网络的道路交通模糊图像增强方法，其特征在于，所述生成网络是采用多尺度卷积核神经网络来进行特征值提取。

4.根据权利要求3所述的一种基于生成式对抗网络的道路交通模糊图像增强方法，其特征在于：所述生成网络采用了多路径模式的局部残差学习与全局残差学习相结合，进行多权重的递归学习。

5.根据权利要求4所述的一种基于生成式对抗网络的道路交通模糊图像增强方法，其特征在于：所述生成网络包含一个卷积核尺寸为7*7*64的卷积，步长为1，多尺度卷积的卷积核尺寸分别为5*5*64、3*3*64、1*1*64，步长为1，卷积融合后进行instanceNorm和relu处理，之后进行卷积核尺寸为3*3*128、3*3*256的卷积处理，步长为2，每步卷积跟随instanceNorm和relu处理，随后进入步长为1、卷积核为3*3*256的多路径模式的局部残差学习与全局残差学习，每步卷积跟随instanceNorm和relu处理，经过循环学习数次后，进行两次步长为2、卷积核为3*3*128和3*3*64的反卷积操作，每步反卷积跟随instanceNorm和relu处理，最后进行一次卷积核为7*7*64的卷积和tanh操作；其中，conv、instanceNorm和convtranspose分别代表卷积层、归一化0和反卷积层，tanh和relu是激活函数。

6.根据权利要求1所述的一种基于生成式对抗网络的道路交通模糊图像增强方法，其特征在于：所述别网络每次只输入N*N个像素点，然后让判别器对这N*N个像素点判断其是否为真，得到每个N*N框的判别器输出值，然后将这些输出值进行平均得到最后判别器的输出结果。

7.根据权利要求6所述的一种基于生成式对抗网络的道路交通模糊图像增强方法，其特征在于：所述判别器是将生成网络生成的清晰图片和原清晰图片输入判别网络结构，先进行步长为2、卷积核为4*4*64的卷积，跟随relu处理，之后依次经过步长为2、卷积核为4*4*128、4*4*256、4*4*384的卷积，再进行一个步长为1、卷积核为4*4*384的卷积，每步卷积跟随instanceNorm和relu处理，接着经过步长为1、卷积核为4*4*1的一次卷积，经flatten、全连接、tanh、全连接、sigmoid操作后产生0～1之间的值。

8.根据权利要求1所述的一种基于生成式对抗网络的道路交通模糊图像增强方法，其特征在于：所述损失函数由对抗网络损失L_adv和感知损失L_c构成。

9.根据权利要求8所述的一种基于生成式对抗网络的道路交通模糊图像增强方法，其特征在于：所述抗网络损失L_adv和感知损失L_c为：

式中的为在z和x之间随机插值取样，λ取值为10；

该模型的总体损失函数为式：

L_loss＝L_adv+βL_c (3)

其中β为权重系数。