[发明专利]一种基于双流空洞卷积神经元网络的阴影检测方法

说明书

本发明涉及一种基于双流空洞卷积神经元网络的阴影检测方法，包括：步骤将带有阴影的图像以RGB三通道形式输入网络；利用池化通道与残差通道分别提取图像特征；将特征图经过多层级空洞池化模块进行全局与局部特征的融合；池化通道利用解码器形式将特征图上采样成与输入图像大小相同，而残差通道继续保持低维特征，上采样到与输入图像大小相同后两通道特征融合；利用交叉熵损失函数训练网络，得到一组损失值最低的权重；利用权重去检测测试图像中的阴影，利用argmax函数生成阴影二值图。本发明具有较高的阴影检测准确率，并且对阴影边缘保持效果较好。本发明可用于普通的目标检测、变化检测等算法之后，去除误检测到的人物和目标阴影像素。

技术领域

本发明涉及深度学习与图像处理技术领域，特别涉及一种针对单幅图片的具有鲁棒性的基于语义分割网络的阴影检测方法。

背景技术

阴影检测，也就是将彩色图像中的阴影部分以像素为单位标记出来，其所要完成的任务就是利用设计好的网络结构去训练，得出一组准确率最高的权重去检测单幅图片中的阴影部分，并称之为前景，将其标记为白色，其余部分称为背景，标记为黑色。阴影普遍存在于自然界各种场景中，只要有物体阻挡了光源发出光线的路径，就会产生阴影。但在绝大多数情况下，存在于图像中的阴影易给图像处理工作带来干扰与困难，例如在进行前景检测，分割等任务时，由于阴影与被检测目标一样，与背景颜色有明显的差别，因此常常会被误认为是目标，大大降低了检测的准确率。若能在进行机器视觉任务之前就将阴影检测出，那么将会极大地提升我们的任务准确率。因此，阴影检测长期以来都是机器视觉领域一个重点任务。

目前，对阴影检测方法的研究是从手工提取特征角度与深度学习两种方向展开的，但这两种方法有本质上的差别。在早期传统算法中，一些学者利用光学角度以及图像处理的方法去分析影子的结构特征以及颜色特征，需要算法设计者了解大量的光学知识以及图像处理知识，如分析HSV通道下的颜色直方图，分析环境光的强度和物体的透明度对阴影产生的影响，可以看出此类算法虽然能得到较好的效果但适用场景很局限，并且设计难度较大，而与阴影颜色特征相近的物体也会被误检测出，从而降低准确率，实施起来相对困难。现阶段，一些学者是利用深度学习，即设计基于卷积神经网络的检测器去对图像中的阴影进行检测，利用卷积、池化等采样方法，提取每一张图像的特征图，让网络自行学习阴影的结构特征，从而实现端到端的阴影检测，因此此方法不需要大量的先验知识，只需要设计优秀的检测器，让它学会如何精确地提取出阴影的特征，就能得到很好的检测效果，这往往是手动提取特征达不到的。

发明内容

本发明的目的是：较为准确的检测出单幅图像中的阴影区域。

为了达到上述目的，本发明的技术方案是提供了一种基于双流空洞卷积神经元网络的阴影检测方法，其特征在于，包括以下步骤：

步骤S1：将训练集中单幅图片按顺序以RGB三通道的形式输入设计好的网络；

步骤S2：图像输入网络首先分为两个通道操作，分别为池化通道和残差通道，其中：池化通道通过空洞卷积模块以编码器的形式进行下采样，逐步提取高维特征；残差通道由多个交叉流残差模块组成，通过空洞卷积模块进行卷积提取特征，并叠加上一层的特征图与对应池化通道的特征信息以保持低维特征；

步骤S3：将池化通道前四层得到的特征图一起送入多层级空洞池化模块，前三层得到的特征图按照不同扩张率的空洞卷积后池化为同样大小获得第一部分三层特征图，第四层的特征图进行全局平均池化后双线性插值成第一部分三层特征图池化后的大小以获得第二部分特征图，最后将四层特征图进行特征融合得到最终下采样部分的输出；

步骤S4：采用解码器的形式通过空洞卷积模块对多层级空洞池化模块的输出特征图进行与下采样过程完全对称的上采样，最后将图像上采样到与输入图像一样大小；