[发明专利]一种针对连续二维图像中多形态目标的自动检测方法

说明书

本发明公开了一种针对连续二维图像中多形态目标的自动检测方法，包括以下步骤：对二维图像进行拉宽和目标的框定，完成数据集的制作；使用目标检测网络训练制作好的数据集，尽可能保证较高的召回率，进行多次交叉验证，得到初步的目标检测结果；将初步检测框中的内容提取出来，利用卷积神经网络完成二分类，并进行多折交叉验证，得到所有分类结果；将分类结果为非目标的检测框舍去，将分类结果为目标的检测框显示在原始拉宽图像中，最后再将图片恢复成原始尺寸，通过上述步骤结合两种卷积神经网络得到准确率较高的目标检测结果。

技术领域

本发明属于图像分析及目标检测领域，尤其涉及一种针对连续二维图像中多形态目标的自动检测方法。

背景技术

空间上的连续二维图像可以重建出三维图像，所以连续二维图像的目标自动检测对于实现立体空间的目标自动检测而言是具有重大意义的。目前连续二维图像中的目标检测主要依靠人为观察、传统图像处理方法或者传统机器学习方法，这种传统的检测方法存在诸多不利因素：

1)人为观察：费时，疲劳、经验等人为主观因素会影响观察结果的准确性与一致性；

2)传统的图像处理方法或者传统机器学习方法：鲁棒性不高，特别针对这种形态多变的目标。

发明内容

发明目的：本发明所要解决的技术问题是针对现有二维图像中多形态目标检测效果较差的情况，基于深度学习中的卷积神经网络和基本的图像处理方法，提供了一种基于卷积神经网络针对连续二维图像中多形态目标的自动检测方法，实现了对多形态目标的精确检测。

为了解决上述技术问题，本发明公开了一种基于卷积神经网络针对连续二维图像中多形态目标的自动检测方法，包括如下步骤：

步骤1，对二维图像进行拉宽，得到原始拉宽图像，并使用现有的标注工具对图像中的目标进行框定，得到真实标记框，将处理后的图像存入数据集D；

步骤2，将数据集D划分为训练集和测试集，在训练集上使用目标检测神经网络进行训练，将测试集通过训练好的目标检测模型，得到测试集的初步目标检测结果。在训练时依次进行交叉验证，每幅图像会得到相应的检测框；

步骤3，将检测框中的内容提取出来，存入数据集M并且划分出训练集与测试集，在训练集上使用分类神经网络进行训练，得到训练好的分类模型，将测试集通过训练好的分类模型，得到测试集的分类结果，在训练时依次进行交叉验证，得到所有检测框内容的分类结果；

步骤4，将分类结果为非目标的检测框舍去，将分类结果为目标的检测框显示在原始拉宽图像中，最后再将图片恢复成原始尺寸。

步骤1中，图像中的目标形态多样且细长条状的目标占比不小，经过试验发现卷积神经网络对于这种长宽比过大或者过小的目标敏感度不够，所以考虑对数据进行预处理，即将图像进行拉宽，使得目标的长宽比适中，易于网络感知。

步骤2中，所述目标检测神经网络为基于区域的全卷积网络R-FCN(Region-basedFully Convolutional Networks)，该目标检测神经网络以全卷积网络R-FCN为主体，并且与一个区域推荐网络RPN(Region Proposal Network)共享卷积层。所述区域推荐网络RPN用于生成候选区域，所述主体的全卷积网络R-FCN对区域推荐网络生成的候选区域做分类或者进一步对候选区域进行边界的回归，从而实现目标的精确定位。基于区域的全卷积网络R-FCN与先前的目标检测网络Faster R-CNN相比，最大的创新之处在于提出了位置敏感感兴趣区域池化层position-sensitive RoI(Region of Interest)pooling layer，这一结构上的改变可以解决Faster R-CNN检测速度慢的问题，将更多的共享层放在感兴趣区域池化层RoI pooling layer之前，避免重复计算。同时，因为在目标检测中既要分类也要定位，这一新结构的引入可以在位置不变性和位置可变性之间取得一个更好的平衡。