[发明专利]一种修正误判的图像内容识别方法

权利要求书

1.一种修正误判的图像内容识别方法，其特征在于，包括以下步骤：

1)对训练样本的数据集进行扩展，保证能够提取出足够识别物体的特征；

2)利用扩展后的数据集，采用Faster R-CNN框架进行数据训练，在训练过程中引入易误判负类，将其与正样本一同进行训练，最终得到Faster R-CNN网络；

3)利用训练得到的Faster R-CNN网络，识别待检测图像中的特定物体。

2.如权利要求1所述的方法，其特征在于，步骤1)对数据集进行扩展的方法是：首先，采用插值法对样本图像在尺度上进行微小的缩放，分别保持宽度不变将长度拉伸到原来的一定倍数、保持长度不变将宽度拉伸到原来的一定倍数；然后，对样本进行加噪处理以增强其鲁棒性，分别添加高斯噪声和椒盐噪声，以进一步增大样本总量。

3.如权利要求1所述的方法，其特征在于，步骤1)采用下列方式中的一种或者多种对数据集进行扩展：镜像化处理、模糊锐化处理、背景变换处理、亮度对比度调节。

4.如权利要求1所述的方法，其特征在于，步骤2)通过深入分析数据自身特点和测试过程中的误判图像规律，将易与正样本混淆的图像细分为多类，形成所述易误判负类。

5.如权利要求1所述的方法，其特征在于，步骤2)采用迁移学习方法，使用海量图像数据集预先训练一个模型，在其基础上训练新模型，训练过程采用交替训练法。

6.如权利要求5所述的方法，其特征在于，步骤2)通过RPN网络生成候选区域，再通过Fast R-CNN网络识别出其中的物体对应的类，RPN网络与Fast RCNN物体检测网络共享相同的卷积层。

7.如权利要求5所述的方法，其特征在于，所述交替训练法的训练过程如下：

a)预先训练一个卷积神经网络模型M0，用M0初始化RPN网络并进行微调，得到RPN模型M1；

b)使用得到的RPN模型M1，生成候选区域P1；

c)用预先训练好的模型M0初始化Fast R-CNN网络，并在P1上微调，得到Fast R-CNN模型M2；

d)用M2初始化RPN网络并保持卷积层不变，只微调M2与RPN网络不同的部分，得到RPN模型M3；至此，RPN与Fast R-CNN两个网络共享卷积层；

e)使用上一步得到的RPN模型M3，生成候选区域P2；

f)用M3初始化Fast R-CNN网络并保持卷积层不变，只微调M3与Fast R-CNN网络不同的部分，在P2上训练得到Fast R-CNN模型M4；

g)将M3的RPN网络加到M4中，得到完整的Faster R-CNN网络。