[发明专利]基于深度卷积神经网络的图像轮廓检测方法

说明书

技术领域

本发明涉及一种基于深度卷积神经网络的图像轮廓检测方法，该方法利用经训练的深度卷积神经网络全连接层的输出作为图像特征进行图像轮廓检测。

背景技术

神经网络是一种模仿人类神经系统的机器学习模型，深度学习是近年来兴起的基于多层神经网络的机器学习算法。随着计算机运算速度的加快，复杂的深度神经网络不再难以训练，使得深度学习发展迅速，在图像识别领域有着广泛运用。

图像轮廓检测是计算机视觉中的一项基础而又有挑战性的任务。轮廓广泛存在于图像中物体与背景的边界处，轮廓提取的准确性对于图像分割，物体检测意义重大。由于轮廓处往往伴随着图像亮度的剧烈变化，因此传统的轮廓检测方法主要集中在设计基于梯度的各种图像特征，然后利用这些特征去区分轮廓与非轮廓点。

由于深度神经网络具有强大的学习能力，本发明设计了一种基于神经网络模型的轮廓提取算法，通过训练深度神经网络，提取神经网络学习到的特征，然后进行轮廓检测。

发明内容

本发明的目的在于针对已有技术存在的不足，提供一种基于深度卷积神经网络的轮廓检测方法，借助于深度卷积神经网络的学习能力，实现精准快速的图像轮廓检测。

为了达到上述目的，本发明构思如下：

利用大量已标定轮廓的图像训练一个能够区分不同局部轮廓块形态的神经网络，该神经网络能够有效区分不同形状的局部轮廓块，比如直线形，斜线形，丁字形等等。由于该神经网络能够识别不同形状的轮廓块，因此其中间层的输出是一种对图像轮廓具有很强区分性的特征。

利用这种深度卷积神经网络学习到的特征代替传统轮廓检测中基于梯度的特征，输入到轮廓检测器中，得到轮廓检测结果。

根据以上发明构思，本发明采用如下技术方案：

一种基于深度卷积神经网络的图像轮廓检测方法，其特征在于具体操作步骤如下：

第一步：数据提取和处理：从已标定轮廓的图像中随机取出一些轮廓块和对应位置的图像块Xⁱ，根据轮廓块的形态指定其类别y_i＝[1,2…K]，例如T字形，直线型，斜线形等等；另取一部分不包含轮廓的图像块作为负样本yⁱ＝0；

第二步：训练深度卷积神经网络特征提取器：将第一步中得到的图像块输入到深度卷积神经网络，经过多层卷积层和全连接层，在全连接层的最后一层得到神经网络的预测的各个类别的概率并根据第一步中指定的轮廓块类别yⁱ计算预测误差J：

上式中yⁱ为图像块Xⁱ对应的轮廓类别，是深度卷积神经网络预测图像块Xⁱ对应的轮廓块属于类别j的概率，通过反复进行上述步骤来减小预测误差J，得到训练好的深度卷积神经网络；

本发明使用“正样例权值共享”策略计算深度卷积神经网络的预测误差：当深度卷积神经网络的预测在正样本类之间出现误差(例如将T字形识别为直线型)，则降低这种误差的权重，当深度卷积神经网络的预测在正/负样本间出现误差，则加重这种误差的权重。上式中λ为调节系数，当λ＝0时类间/类内误分类将被平等对待，当λ＝1时将完全忽略正样本类之间的预测误差，只考虑正/负样本间的预测误差。本发明取λ＝0.9，重点考虑正/负样本间的预测误差同时兼顾正样本类之间的预测误差；

第三步：训练结构森林轮廓检测器：将训练图片块输入到第二步得到的深度卷积神经网络模型中，取神经网络第一个全连接层的输出作为训练图像块的特征，用该特征以及第一步中图像块对应的轮廓块训练结构森林轮廓检测器，训练完成的结构森林轮廓检测器具有如下功能：输入图像块对应的特征，输出该图像块对应的轮廓块；

第四步：提取测试图像特征：将待检测图像分块输入到第二步训练出的深度卷积神经网络模型中，得到第一个全连接层的输出，作为测试图像块的特征；

第五步：检测测试图像轮廓：将第四步中得到的各测试图像块特征依次输入到第三步训练出的结构森林检测器中，得到各测试图像块对应的轮廓块检测结果，然后将这些轮廓块拼接在一起，得到整幅图像的轮廓检测结果。

本发明与现有技术相比较，具有以下显而易见的突出实质性特点和显著的技术进步：