基于生成对抗网络的行人异常行为图像去模糊算法研究

TP751%TP391; 为解决在行为异常检测中遇到的运动模糊问题,提出一种基于DeblurGAN改进的快速去运动模糊算法.使用3个3×3的卷积替换原生成器中的7×7的卷积,并舍弃原算法上采样时使用的转置卷积,对需要上采样的特征图进行双线性插值.将原算法生成器结构中的残差单元替换成密集残差块(RRDB),然后将得到的残差特征缩放到0～1之间的值,避免训练不稳定.在原生成器的损失函数中添加梯度图像的L1损失,增加图像的边缘信息使重建后的图像边缘更明显,克服了DeblurGAN重建图像边缘细节不够清晰的缺陷.经实验验证,并和文献[14]、文献[18]进行比较,结果显示:优化后的模型与DeblurG...

Full description

Saved in:
Bibliographic Details
Published in光电工程 Vol. 48; no. 6; pp. 29 - 39
Main Authors 吉训生, 滕彬
Format Journal Article
LanguageChinese
Published 江南大学物联网工程学院,江苏 无锡 214122 15.06.2021
Subjects
生成对抗网络
运动模糊
图像重建
密集残差块
Online AccessGet full text
ISSN1003-501X
DOI10.12086/oee.2021.210009

Cover

More Information
Summary:TP751%TP391; 为解决在行为异常检测中遇到的运动模糊问题,提出一种基于DeblurGAN改进的快速去运动模糊算法.使用3个3×3的卷积替换原生成器中的7×7的卷积,并舍弃原算法上采样时使用的转置卷积,对需要上采样的特征图进行双线性插值.将原算法生成器结构中的残差单元替换成密集残差块(RRDB),然后将得到的残差特征缩放到0～1之间的值,避免训练不稳定.在原生成器的损失函数中添加梯度图像的L1损失,增加图像的边缘信息使重建后的图像边缘更明显,克服了DeblurGAN重建图像边缘细节不够清晰的缺陷.经实验验证,并和文献[14]、文献[18]进行比较,结果显示:优化后的模型与DeblurGAN相比,峰值信噪比提高0.94,结构相似度和速度相当,并解决了重建后图像棋盘格子的问题,细节边缘更加突出,模型性能优于相关算法.
ISSN:1003-501X
DOI:10.12086/oee.2021.210009