一种图像生成方法、装置、电子设备和存储介质制造方法及图纸

本申请涉及图像识别技术领域，尤其涉及一种图像生成方法、装置、电子设备和存储介质，用以提高图像生成效率。其中，方法包括：获取包含初始车牌的目标车辆图像，以及初始车牌对应的车牌标注信息；基于初始车牌类型以及随机车牌号码，生成标准风格的中间车牌，并基于初始车牌位置，将目标车辆图像中的初始车牌替换为中间车牌；通过已训练的风格迁移模型，对目标车辆图像中的中间车牌进行风格迁移，获得包含真实风格的目标车牌的目标车辆图像。由于本申请通过对包含中间车牌的目标车辆图像进行风格迁移，获得包含真实风格的目标车牌的目标车辆图像，基于此方式能够获得各种包含真实风格的车牌的车辆图像，提高图像生成效率。提高图像生成效率。提高图像生成效率。

【技术实现步骤摘要】
一种图像生成方法、装置、电子设备和存储介质


[0001]本申请涉及图像识别
，尤其涉及一种图像生成方法、装置、电子设备和存储介质。

技术介绍

[0002]随着经济社会的高速发展，机动车辆的数目也在不断增加。实现对车辆身份自动识别，能够提高车辆的管理效率、降低人力成本。因此，基于深度学习技术的车牌识别网络成为近几年研究的热点。
[0003]车牌识别模型的应用需要大量的车牌样本对模型进行训练。相关技术中，主要是通过人工收集和标注车牌图像的方式获取车牌样本的，但是在实际应用中，一方面，难以搜集到大量特殊类型的车牌样本，例如，大型双层车牌、教练车牌、和应急救援车牌等，出现的次数较少，搜集难度大；另一方面，对于一些特殊场景下的车牌样本，例如，倾斜角度大、分辨率低以及极端天气等复杂场景下，收集车牌样本难度更高，而缺乏上述类型和场景下的车牌样本均会导致训练出的车牌识别模型泛化性和鲁棒性差，影响车牌识别的准确率。
[0004]因此，如何提高车牌样本的生成效率，进而提高车牌识别准确率成为目前亟待解决的问题。

技术实现思路

[0005]本申请实施例提供一种图像生成方法、装置、电子设备和存储介质，用以提高图像生成效率。
[0006]本申请实施例提供的一种图像生成方法，包括：
[0007]获取包含初始车牌的目标车辆图像，以及所述初始车牌对应的车牌标注信息，所述车牌标注信息包含所述初始车牌的初始车牌类型，和所述初始车牌在所述目标车辆图像中的初始车牌位置；
[0008]基于所述初始车牌类型以及随机车牌号码，生成标准风格的中间车牌，并基于所述初始车牌位置，将所述目标车辆图像中的所述初始车牌替换为所述中间车牌；
[0009]通过已训练的风格迁移模型，对所述目标车辆图像中的所述中间车牌进行风格迁移，获得包含真实风格的目标车牌的目标车辆图像。
[0010]本申请实施例提供的一种图像生成装置，包括：
[0011]获取单元，用于获取包含初始车牌的目标车辆图像，以及所述初始车牌对应的车牌标注信息，所述车牌标注信息包含所述初始车牌的初始车牌类型，和所述初始车牌在所述目标车辆图像中的初始车牌位置；
[0012]生成单元，用于基于所述初始车牌类型以及随机车牌号码，生成标准风格的中间车牌，并基于所述初始车牌位置，将所述目标车辆图像中的所述初始车牌替换为所述中间车牌；
[0013]迁移单元，用于通过已训练的风格迁移模型，对所述目标车辆图像中的所述中间
车牌进行风格迁移，获得包含真实风格的目标车牌的目标车辆图像。
[0014]可选的，所述生成单元具体用于：
[0015]获得所述初始车牌类型对应的标准车牌背景图，以及标准车牌模板信息，并从标准车牌字符库中获得所述随机车牌号码对应的各个第一字符；
[0016]基于所述标准车牌模板信息，分别调整所述标准车牌背景图和所述各个字符的大小，以及所述各个第一字符在所述标准车牌背景图中的位置；
[0017]基于调整后的所述标准车牌背景图和调整后的所述各个第一字符，生成所述中间车牌。
[0018]可选的，所述装置还包括训练单元，用于通过以下方式获得所述已训练的风格迁移模型：
[0019]获取第一训练样本集，所述第一训练样本集中的每个第一训练样本包含：第一真实车辆图像，和对应的第一标准车辆图像；
[0020]基于所述第一训练样本集中的第一训练样本，对待训练的生成对抗模型进行循环迭代训练，获得已训练的生成对抗模型，并将所述生成对抗模型中的生成模型作为所述风格迁移模型；其中，在一次循环迭代训练过程中执行以下步骤：
[0021]通过所述生成模型分别对所述第一真实车辆图像、第一标准车辆图像进行风格迁移，获得相应的伪车辆图像；
[0022]通过所述生成对抗模型中的判别模型，分别对所述第一真实车辆图像、所述第一标准车辆图像和所述相应的伪车辆图像进行风格判别，获得所述第一真实车辆图像、所述第一标准车辆图像和所述相应的伪车辆图像各自的判别概率；
[0023]基于所述相应的伪车辆图像和各个判别概率构建目标损失函数，并基于所述目标损失函数对所述生成对抗模型进行参数调整。
[0024]可选的，所述生成模型包括标准生成子模型和真实生成子模型；所述判别模型包括第一判别子模型和第二判别子模型；所述训练单元具体用于：
[0025]通过所述标准生成子模型对所述第一真实车辆图像进行风格迁移，获得伪标准车辆图像；以及通过所述真实生成子模型对所述第一标准车辆图像进行风格迁移，获得伪真实车辆图像；
[0026]通过所述第一判别子模型，对所述第一真实车辆图像和所述伪真实车辆图像进行判别，获得所述第一真实车辆图像属于所述真实风格的第一判别概率和所述伪真实车辆图像属于所述真实风格的第二判别概率；
[0027]通过所述第二判别子模型，对所述第一标准车辆图像和所述伪标准车辆图像进行判别，获得所述第一标准车辆图像属于所述标准风格的第三判别概率和所述伪标准车辆图像属于所述标准风格的第四判别概率。
[0028]可选的，所述训练单元具体用于：
[0029]基于所述第一真实概率和所述第二真实概率构建第一损失函数，并基于所述第一标准概率和所述第二标准概率构建第二损失函数；
[0030]基于第二真实车辆图像和所述第一真实车辆图像之间的差距，以及第二标准车辆图像和所述第一标准车辆图像之间的差距，构建第三损失函数，所述第二真实车辆图像是通过所述真实生成子模型对所述伪标准车辆图像进行风格迁移获得的；所述第二标准车辆
图像是通过所述标准生成子模型对所述伪真实车辆图像进行风格迁移获得的；
[0031]基于所述第一损失函数、所述第二损失函数和所述第三损失函数构建所述目标损失函数。
[0032]可选的，所述训练单元具体用于：
[0033]将所述生成对抗模型中的真实生成子模型作为所述风格迁移模型。
[0034]可选的，所述训练单元具体用于通过以下方式获取所述第一标准车辆图像：
[0035]获取所述第一真实车辆图像包含的真实车牌的样本标注信息，所述样本标注信息包括所述真实车牌的真实车牌类型、所述真实车牌在所述第一真实车辆图像中的真实车牌位置和相应的真实车牌号码；
[0036]基于所述真实车牌类型以及所述真实车牌号码，生成标准风格的标准车牌，并基于所述真实车牌位置，将所述第一真实车辆图像中的所述真实车牌替换为所述标准车牌，获得所述第一标准车辆图像。
[0037]可选的，所述训练单元具体用于：
[0038]基于所述真实车牌类型，获得所述真实车牌类型对应的标准车牌背景图，以及标准车牌模板信息，并从标准车牌字符库中获得所述真实车牌号码对应的各个第二字符；
[0039]基于所述标准车牌模板信息，分别调整所述标准车牌背景图和所述各个第二字符的大小，以及所述各个第二字符在所述标准车牌背景图中的位置；
[0040]基于调整后的所述标准车牌背本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像生成方法，其特征在于，该方法包括：获取包含初始车牌的目标车辆图像，以及所述初始车牌对应的车牌标注信息，所述车牌标注信息包含所述初始车牌的初始车牌类型，和所述初始车牌在所述目标车辆图像中的初始车牌位置；基于所述初始车牌类型以及随机车牌号码，生成标准风格的中间车牌，并基于所述初始车牌位置，将所述目标车辆图像中的所述初始车牌替换为所述中间车牌；通过已训练的风格迁移模型，对所述目标车辆图像中的所述中间车牌进行风格迁移，获得包含真实风格的目标车牌的目标车辆图像。2.如权利要求1所述的方法，其特征在于，所述基于所述初始车牌类型以及随机车牌号码，生成标准风格的中间车牌，包括：获得所述初始车牌类型对应的标准车牌背景图，以及标准车牌模板信息，并从标准车牌字符库中获得所述随机车牌号码对应的各个第一字符；基于所述标准车牌模板信息，分别调整所述标准车牌背景图和所述各个字符的大小，以及所述各个第一字符在所述标准车牌背景图中的位置；基于调整后的所述标准车牌背景图和调整后的所述各个第一字符，生成所述中间车牌。3.如权利要求1所述的方法，其特征在于，通过以下方式获得所述已训练的风格迁移模型：获取第一训练样本集，所述第一训练样本集中的每个第一训练样本包含：第一真实车辆图像，和对应的第一标准车辆图像；基于所述第一训练样本集中的第一训练样本，对待训练的生成对抗模型进行循环迭代训练，获得已训练的生成对抗模型，并将所述生成对抗模型中的生成模型作为所述风格迁移模型；其中，在一次循环迭代训练过程中执行以下步骤：通过所述生成模型分别对所述第一真实车辆图像、第一标准车辆图像进行风格迁移，获得相应的伪车辆图像；通过所述生成对抗模型中的判别模型，分别对所述第一真实车辆图像、所述第一标准车辆图像和所述相应的伪车辆图像进行风格判别，获得所述第一真实车辆图像、所述第一标准车辆图像和所述相应的伪车辆图像各自的判别概率；基于所述相应的伪车辆图像和各个判别概率构建目标损失函数，并基于所述目标损失函数对所述生成对抗模型进行参数调整。4.如权利要求3所述的方法，其特征在于，所述生成模型包括标准生成子模型和真实生成子模型；所述判别模型包括第一判别子模型和第二判别子模型；所述通过所述生成模型分别对所述第一真实车辆图像、第一标准车辆图像进行风格迁移，获得相应的伪车辆图像，包括：通过所述标准生成子模型对所述第一真实车辆图像进行风格迁移，获得伪标准车辆图像；以及通过所述真实生成子模型对所述第一标准车辆图像进行风格迁移，获得伪真实车辆图像；通过所述生成对抗模型中的判别模型，分别对所述第一真实车辆图像、所述第一标准车辆图像和所述相应的伪车辆图像进行判别，获得所述第一真实车辆图像、所述第一标准
车辆图像和所述相应的伪车辆图像各自属于所述真实风格的概率，包括：通过所述第一判别子模型，对所述第一真实车辆图像和所述伪真实车辆图像进行判别，获得所述第一真实车辆图像属于所述真实风格的第一判别概率和所述伪真实车辆图像属于所述真实风格的第二判别概率；通过所述第二判别子模型，对所述第一标准车辆图像和所述伪标准车辆图像进行判别，获得所述第一标准车辆图像属于所述标准风格的第三判别概率和所述伪标准车辆图像属于所述标准风格的第四判别概率。5.如权利要求4所述的方法，其特征在于，所述基于所述相应的伪车辆图像和各个概率构建目标损失函数，包括：基于所述第一真实概率和所述第二真实概率构建第一损失函数，并基于所述第一标准概率和所述第二标准概率构建第二损失函数；基于第二真实车辆图像和所述第一真实车辆图像之间的差距，以及第二标准车辆图像和所述第一标准车辆图像之间的差距，构建第三损失函数，所述第二真实车辆图像是通过所述真实生成子模型对所述伪标准车辆图像进行风格...

【专利技术属性】
技术研发人员：吕翠文，邵明，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：