[发明专利]基于图像分割的降低神经网络训练样本量的方法

说明书

本发明提供的是一种基于图像分割的降低神经网络训练样本量的方法。将单张图片分割为不同区域；按照区域发展的先后顺序，给区域进行编号并且记录区域面积；设置一个面积阈值，区域小于阈值的区域舍弃；将保留下来的区域像素进行颜色空间的转化，将像素点的RGB值转化为HIS值，将相邻区域颜色差异大的区域保留，颜色差异小的将区域面积过小的一方舍弃；提取各区域的形状特征，将轮廓较为突出或较为光滑的区域留下，其他的区域舍弃；遍历整张图片，将被舍弃的区域显示为白色，保留的区域按原图显示，得到新图；判断是否将所有图片全部处理完，处理完就将新数据集送入网络训练；否则跳回循环。本发明在提高效率的同时也保留甚至提高了准确率。

技术领域

本发明涉及的是一种计算机视觉领域的可用于机器人目标检测的，在用神经网络训练数据集之前对数据集进行预处理的方法。

背景技术

对于机器人的目标检测，传统的方法是将检测窗口中的所有块的HOG描述子组合起来，形成了最终的特征向量，然后使用SVM分类器进行目标识别，然而传统的算法在预测精度和速度上都很不理想，并且在复杂的环境下，目标物体特征更不突出，用传统的方法进行检测效果很差。

自从深度神经网络算法首次在ImageNet数据集上达到很好的效果之后，物体检测领域逐渐开始利用深度学习来做研究。随后各种结构的深度模型被提出，数据集的准确率一再被刷新。实际上，深度学习模型在分类任务上与传统的方法相比，预测准确率和速度都高出很多，到目前为止，高性能的检测算法都基于深度学习。

但是在运用深度学习神经网络时，如果想要得到一个检测效果好的模型，就需要大量的数据集去做训练，而在制作数据集时，为了保证样本的多样性和有效性，就需要在数据集采集的过程中花费较多的时间。场景越复杂，需要的样本数量就越多。这样不仅采集数据集时会花费很多时间，在训练样本时，也会花费很多时间。那么在同一个网络结构，不考虑其他影响因素的情况下，如果用传统的图像分割的方法对数据集的样本特征进行处理，将图片按区域划分，过滤掉一些特征性较弱的图片区域，从而降低复杂的环境因素对目标物体特征的影响，这样就可以从理论上降低对样本的需求量，同时达到需要大量样本训练才可以达到的准确率，并且减少重复工作的时间。

发明内容

本发明的目的在于提供一种既能提高效率，又能保留准确度的基于图像分割的降低神经网络训练样本量的方法。

本发明的目的是这样实现的：

将数据集送入神经网络训练之前，对数据集进行下面的操作：

步骤一、用Mean Shift算法对单张图片按照像素点进行分割；

步骤二、将分割后的各个区域按照分割顺序标号，将区域面积统计下来，并且找到区域中心像素点设置一个阈值M，将面积小于M的区域直接舍掉；

步骤三、将保留下来的区域色彩表达从RGB颜色空间转变到HIS颜色空间，并且求出单个区域的平均色彩表示，对比相邻区域的色彩变化，差异明显的保留，差异不明显的情况下，若相对较小的区域面积小于大区域的1/5，则舍去小区域；

步骤四、提取保留区域的形状特征；

步骤五、循环区域编号，将废弃区域的像素点的RGB值设置为255，将保留的区域像素点颜色值按原图显示，得到一张新的图片替换掉未处理的图片作为数据样本；

步骤六、将数据集中的下一张图片样本载入，重复步骤步骤一至步骤五直至所有图片处理完，将新数据集送入神经网络训练。

本发明还可以包括：

1.所述的对单张图片按照像素点进行分割具体包括：每个像素点由一个五维信息向量来表达f＝(x,y,r,g,b)，x表示横坐标，y表示纵坐标，r、g、b表示像素三个通道的色彩信息，根据这个五维向量将图像分割成不同区域。