[发明专利]参照边缘图像的客体检测方法及装置

说明书

本发明涉及基于CNN的用于检测特定客体的方法。所述方法的特征在于，包括：(a)获得了输入图像的情况下，学习装置执行(i)对输入图像适用卷积运算以获得特定特征图的过程及(ii)从输入图像提取边缘部分获得边缘图像，从获得的边缘图像获得包括关于具有与特定客体类似的特定形态的特定边缘部分的信息的引导图的过程的步骤；以及(b)学习装置向特定特征图反映引导图获得用于检测输入图像内的特定客体的分割结果的步骤。

技术领域

本发明涉及基于CNN的用于检测特定客体的方法，具体来讲，涉及如下学习方法及学习装置、基于其的测试方法及测试装置。所述学习方法为基于CNN的用于检测所述特定客体的方法，其特征在于，包括：(a)获得输入图像的情况下，学习装置执行(i)对所述输入图像适用至少一次卷积运算以获得至少一个特定特征图的过程及(ii)从所述输入图像提取至少一个边缘部分以获得边缘图像，从获得的所述边缘图像中获得包括关于具有与所述特定客体类似的特定形态的至少一个特定边缘部分的信息的至少一个引导图的过程的步骤；以及(b)所述学习装置向所述特定特征图反映所述引导图获得用于检测所述输入图像内的所述特定客体的分割结果的步骤。

背景技术

深度学习是用于对事物或数据聚类或分类的技术。例如，计算机仅凭照片无法区分狗与猫。而人能够轻易地区分。为此研究出了所谓“机器学习(Machine Learning)”的方法。是将大量数据输入到计算机并将近似的分为同一类的技术。其在输入了与存储的狗照片近似的照片的情况下，计算机将此分类为狗照片。

关于如何对数据分类，已经出现了很多机器学习算法。典型的有“决策树”、“贝叶斯网络”、“支持向量机(SVM)”、“人工神经网络”等。其中深度学习是人工神经网络的后裔。

深度卷积神经网络(Deep Convolution Neural Networks；Deep CNN)是深度学习领域发生的惊人的发展核心。CNN为了解决文字识别问题而自90年代以来开始使用，而像目前广泛使用是则多亏近来的研究结果。这种深度CNN在2012年ImageNet图像分类比赛打败了其他竞争者获胜。自那以后卷积神经网络在机器学习(Machine Learning)领域成为非常有用的工具。

图1示出根据现有技术利用深度CNN欲从照片获得的多种输出的例。

分类(Classification)是识别欲从照片中识别的类(class)的种类，例如如图1所示，识别获得的客体为人、羊还是狗的方法，检测(Detection)是找出所有客体并以被边界框(Bounding Box)包围的形态表示找出的客体的方法，分割(segmentation)是在照片中区分出特定客体的区域与其他客体的方法。近来随着深度学习(Deep learning)技术受到极大关注，分类、检测及分割技术也多采用深度学习。

图2是简要示出利用CNN的现有的车道线检测方法的附图，图3是简要示出一般CNN分割过程的附图。

首先参照图3，根据现有的车道线检测方法，学习装置接收输入图像，在多个卷积层多次执行卷积运算与ReLU等非线性运算以获得特征图，并在多个反卷积层多次执行反卷积运算，最后在特征图执行柔性最大值(SoftMax)运算得到分割结果。

并且，参照图2，现有的车道线(Lane)检测方法的分割结果如图2的中间所示地由两种构成(例如车道线与背景)。这种分割结果用概率预测值示出。这样选择的车道线上的后补像素中仅抽样是车道线的概率高的像素以找出车道线后，利用从找出的车道线上的像素得到的车道线模型函数最终确定车道线。