[发明专利]一种基于深度无监督学习的图像阴影检测方法

说明书

本发明公开了一种基于深度无监督学习的图像阴影检测方法，包括：(1)使用多种不同的传统无监督阴影检测模型对无标签的训练样本集进行预测，生成相应的预测阴影图：(2)构建初始伪标签生成模块，利用多个预测阴影图生成初始伪标签；(3)构建课程学习模块，利用多个阴影图设计由简单到复杂的学习课程；(4)构建伪标签更新模块，利用伪标签阴影强度作为评估标准，来评估已训练模型的预测阴影图和初始伪标签阴影图的可靠性，进而将可靠性高的阴影图作为新的伪标签；(5)构建基于轻量级网络结构的阴影检测模型；(6)利用课程学习和伪标签更新模块对网络模型进行多阶段训练，获得最后一阶段的网络模型参数；(7)预测图像的阴影结果图。

技术领域

本发明属于图像处理领域，具体涉及一种基于深度无监督学习的图像阴影检测方法，适用于计算机视觉任务中图像的预处理过程。

背景技术

阴影检测旨在利用模型或算法检测和分割出图像中的阴影区域。作为图像的预处理步骤，阴影检测在目标检测、语义分割、视频跟踪等视觉任务中起着至关重要的作用。

现有的阴影检测方法可以分为两大类：一类是基于传统的阴影检测方法，另一类是基于深度学习的阴影检测方法。基于传统的阴影检测算法主要是通过人工提取的颜色、纹理、亮度、方向等特征完成图像阴影的检测，过度的依赖于人工选取的特征，对场景适应性不强，不具有鲁棒性，在复杂场景下的数据集表现不加。随着深度学习技术的广泛应用，基于深度学习的阴影检测研究取得了突破性进展，相较于传统的阴影检测算法，检测性能显著提高，有相对较强的鲁棒性。

到目前为止，基于深度学习技术的图像阴影检测方法取得了突出的效果。例如“ZHU L,DENG Z,HU X,et al.Bidirectional feature pyramid network with recurrentattention residual modules for shadow detection[C]//Proceedings of theEuropean Conference on Computer Vision,2018:121-136.”提出了双向特征金字塔网络模型，该模型主要由一个递归注意力模块分别在由高向低、由低向高两个方向进行结合相邻层级间的特征。对于得到的两个最终的特征使用了特征融合注意力机制更进一步地精炼阴影结果。该网络共使用了9个监督以确保网络不会出现过拟合。“ZHENG Q,QIAO X,CAO Y,et al.Distraction-aware shadow detection[C]//Proceedings of the IEEEConference on Computer Vision and Pattern Recognition.2019:5167-5176.”提出了一种混淆感知阴影模块来预测假阳性和假阴性像素，并将获得的混淆特征融合到各个卷积神经网络层级进行阴影检测。这种做法显著性地提高了阴影的检测能力，并且对于黑色物体、阴影不明显等复杂样本有很好的效果。

以上这些基于深度学习的阴影检测方法可以从数据驱动的训练过程中学习所需阴影知识，与传统阴影检测方法相比取得了比较优越的性能。但是，这些方法往往需要大量的具有像素级标签的训练数据。在实际中，像素级的阴影标签需要专业人员手工标注，耗时耗力，通常难以获取大规模的图像数据；而训练数据的稀缺，又限制了基于深度学习的阴影检测方法进一步发展。

发明内容

针对上述现有技术的不足，本发明目的在于提供一种基于深度无监督学习的图像阴影检测方法，主要解决现有深度阴影检测方法训练效果过度依赖于大规模具有像素级标签的训练数据且人工标注困难问题。