[发明专利]一种基于生成对抗网络的图像生成方法

说明书

本发明提出了一种基于生成对抗网络的图像生成方法，包括以下步骤：1、把合成数据既输入到成对数据模块的生成器以训练出成对数据模块的生成数据，又输入到不成对数据模块的生成器以训练出不成对数据模块的生成数据；2、形成混合数据；3、把所述的混合数据输入到成对数据模块的判别器，并把所述成对数据模块的生成数据也输入到成对数据模块中的判别器；4、所述成对数据模块的判别器判断结果反馈到成对数据模块的生成器。生成图像的Inception score接近于真实图像，可以得到更低的FID score，提高了数据的保真度和多样性。

技术领域

本发明涉及计算机视觉的图像生成技术领域，具体涉及一种基于生成对抗网络的图像生成方法。

背景技术

车牌号码作为车辆的唯一标识，其特殊性及重要性决定了车牌识别系统成为智能交通管理系统中不可或缺的重要组成部分。车牌识别系统为城市交通管理提供了方便、快捷、适用的手段，成为近几年研究的热点。目前，非常火热的车牌识别算法是基于深度神经网络的，那么想要获得比较高的精度和鲁棒性，就需要大量的车牌标注数据。但是，可能涉及到个人隐私信息以及有多种类型的车牌，需要花费大量的时间、资金和人力去进行收集和标注。而且，车牌识别是一项具有区域特征的任务，在不同的国家和地区，车牌号码的定义规则是不一样的。在中国，每个省份、直辖市、自治区之间的车牌首字符都是不一样的，需要对每个地区车牌进行收集。重要的是，在真实场景中，会有夜晚、倾斜角度、分辨率低、运动模糊、曝光以及遮挡等多样车牌，进一步增加了车牌数据收集的难度。为提高模型的鲁棒性和高性能，在每个地区收集数量足够、各式各样的车牌数据是很困难的。

在先前的工作中，为了减少成本，使用计算机图形脚本，按照字体、颜色和构图规则合成车牌图像。值得注意的是，这些合成图像并不如真实的照片，由于仅限于手工规则很难模拟真实车牌图像。这种做法训练出的车牌识别模型在真实数据上的效果并不好，模型很容易学习错误的知识；还有的做法是，对真实数据进行数据增强，比如翻转、镜像、裁剪不同的大小、调整图像对比度和饱和度等做法，增加真实数据的样本量。使用合成数据预训练识别模型，然后使用增广的真实数据微调训练，可能会有好一点的效果。但是，增广的车牌数据也只是让本发明模型更好的学习这些数据的特征，模型的泛化能力一般，针对一些地区没见过的车牌，效果一般。