[发明专利]图像风格迁移方法、装置、设备及存储介质

说明书

本发明涉及人工智能领域，公开了一种图像风格迁移方法、装置、设备及存储介质。图像风格迁移方法包括：获取日间内容图像集和夜间图像参考集；根据夜间图像参考集预先设置辅助图像参考集；根据预置算法对日间内容图像集和辅助图像参考集进行特征匹配，得到第一映射关系；根据第一映射关系进行计算，得到第二映射关系；根据第二映射关系对日间内容图像集和夜间图像参考集进行风格迁移学习，得到目标图像集，目标图像集为已标注的夜间图像训练样本。本发明以辅助图像参考集作为日间内容图像集和夜间图像参考集的配对桥梁，将已标注的日间真实图像集转换为目标图像集，将目标图像集作为语义分割的训练样本，提高夜间图像语义分割的准确性。

技术领域

本发明涉及图像处理领域，尤其涉及图像风格迁移方法、装置、设备及存储介质。

背景技术

随着科技技术迅速发展，在深度学习研究领域，使用卷积神经网络将一张图片的语义内容与不同风格融合起来的过程被称为神经风格迁移，将具有艺术作品上的艺术风格转移到日常照片上，成为在学术界和工业界中非常受重视的计算机视觉任务。

图像风格迁移的目的是要对图像的纹理、色彩、内容等进行定向的改变，使得图像由一种风格变化为另外一种风格，例如，将人的照片进行风格迁移，得到具有油画风格的图像，或者将光线较昏暗条件下拍摄得到的风景照片进行风格迁移，得到在光线较明亮条件下的图像。因此，对于夜间场景语义标注已成为棘手可热的研究方向

图像语义标注作为图像场景理解的核心之一，已成为图像处理与计算机视觉领域的研究热点。目前解决语义分割的主要方法是使用大量注释来训练深度神经网络，这一监督学习方案在日间光照条件良好的图像上取得了成功，但对于其他光照条件不利的环境下，可扩展性很差，因此不能满足许多户外应用全天候的视觉识别需求，例如，在夜间和恶劣天气下，采集的车牌图像质量差，不能作为有价值的训练样本。图像分割是图像识别和计算机视觉至关重要的预处理，没有正确的分割就不可能有正确的识别。图像分割仅有的依据是图像中像素的亮度及颜色，使得计算机自动处理分割时，遇到各种困难。例如，光照不均匀、噪声的影响、图像中存在不清晰的部分以及阴影等，常常发生分割错误，不能对业务中的车辆、车牌以及道路进行有效识别。

发明内容

本发明的主要目的在于解决了在光照条件不利环境下采集的图像训练样本标注不准确，可扩展性差的技术问题。

为实现上述目的，本发明第一方面提供了一种图像风格迁移方法，包括：获取日间内容图像集和夜间图像参考集，所述日间内容图像集的数量与所述夜间图像参考集的数量相等，所述日间内容图像集为根据预置业务采集并标注的真实图像集；根据所述夜间图像参考集预先设置辅助图像参考集，所述辅助图像参考集为场景与所述夜间图像参考集的场景一致，并且风格为日间的预置图像集；根据预置算法对所述日间内容图像集和所述辅助图像参考集进行特征匹配，得到第一映射关系，所述第一映射关系用于指示所述日间内容图像集和所述辅助图像参考集之间的图像对应关系；根据所述第一映射关系进行计算，得到第二映射关系，所述第二映射关系用于指示所述日间内容图像集和所述夜间图像参考集之间的图像对应关系；根据所述第二映射关系对所述日间内容图像集和所述夜间图像参考集进行风格迁移，得到目标图像集，所述目标图像集为已标注的夜间图像训练样本。

可选的，在本发明第一方面的第一种实现方式中，所述根据预置算法对所述日间内容图像集和所述辅助图像参考集进行特征匹配，得到第一映射关系，所述第一映射关系用于指示所述日间内容图像集和所述辅助图像参考集之间的图像对应关系包括：根据预置算法对所述日间内容图像集中的第一图像进行特征提取，得到第一特征；根据所述预置算法对所述辅助图像参考集中的第二图像进行特征提取，得到第二特征；根据所述第一特征和所述第二特征分别计算每个第一图像与多个第二图像之间的多个相似度，得到最大相似度；根据所述最大相似度确定所述日间内容图像集和所述辅助图像参考集之间的图像匹配关系，得到第一映射关系，并将第一映射关系存储到预置映射数据表中。