[发明专利]基于Faster R-CNN的戏曲卡通人物的分类方法

说明书

本发明公开了基于Faster R‑CNN的戏曲卡通人物的分类方法，以戏曲卡通图片为基础，运用数据增强技术，手工进行标注制作数据集，然后运用基于特征提取网络ResNet50的Faster R‑CNN算法对戏曲卡通人物进行检测识别，再融合特征金字塔网络（FPN）对Faster R‑CNN改进，进行多尺度检测识别，大大的提高了戏曲人物识别准确率。

技术领域

本发明属于目标识别领域，具体涉及一种基于Faster R-CNN的戏曲卡通人物的分类方法。

背景技术

由于受多元化文化交流的影响，中国的传统戏曲已经处于濒危的边缘，急需当代人保护与传承。现在使用现代人类科研成果——目标识别，能够帮助人们快速检测识别每个戏曲卡通人物，这对于戏曲的发展保护具有极其重要的意义。

自神经网络在ImageNet数据集上取得成功，深度学习开始被广泛应用在目标检测识别领域。Xin lei等人提出了非视距物体识别技术，利用光的相干性从微弱的反射光信号中获取场位相关信息，结合深度学习的人工智能算法，实现对障碍物后面物体的实时识别。Tao Dai等人于2019年提出了一种二阶注意网络(SAN)用在单图像超分辨率，用于更强大的特征表达和特征相关学习。Zhao-Min Chen提出基于图卷积(GCN)的end-to-end系统，通过data-driven方式建立标记间有向图并由GCN将类别标记映射为对应类别分类器，以此建模类别关系，同时可提升表示学习能力。Zecheng Xie等人提出一种新的聚合交叉熵(ACE)方法，用于序列识别，ACE损失函数表现出对Connectionist Temporal Classification(CTC)和注意机制的竞争性能，实现更快推理和反向传播，更少存储要求，方便使用。在戏曲文化保护方面，陈璇等人提出使用Kinect设备和使用三基色，模仿传统皮影的交互方式控制数字皮影。Zhu Y B等人使用半自动处理生成的皮影戏角色，然后利用光子贴图渲染皮影人物。Hsu等人通过运动规划算法，规划皮影运动路径，皮影动画被自动生成。图像分类识别是目标检测的基础，目标检测是在分类基础上，实现图像的目标定位，因此图像分类识别也推动着目标检测的进步。

因此如何对戏曲卡通人物采用深度学习技术进行目标识别分类是本发明中提出的方法所要解决的问题。

发明内容

本发明的技术思路：

本发明对戏曲卡通图片运用数据增强技术，手工进行标注制作数据集，然后运用基于特征提取网络ResNet50的Faster R-CNN算法对戏曲卡通人物进行检测识别，再融合特征金字塔网络(FPN)进行改进，最终得到良好的图片识别结果。

针对上述存在的问题，本发明旨在提供基于Faster R-CNN的戏曲卡通人物的分类方法，将现代科学研究成果和中国戏曲发展现状结合起来，对戏曲卡通人物采用深度学习技术进行目标识别分类，对戏曲普及教育的发展起到一定程度的促进作用，为了实现上述目的，本发明所采用的技术方案如下：

基于Faster R-CNN的戏曲卡通人物的分类方法，其特征在于，包括以下步骤：

S1：制作戏曲人物图片数据集并且以其按比例分配作为训练集和测试集，利用训练集训练Faster R-CNN模型；

S2：将输入的原始戏曲卡通图片传入到卷积层，利用基于Faster R-CNN的特征提取网络对输入的戏曲卡通图片进行特征提取；

S3：对提取出的特征图进行分类识别，得出戏曲卡通人物识别结果图。

进一步地，步骤S1中所述的制作戏曲图片数据集通过对现有图片运用数据增强技术进行处理，并且对图片手工标注，最后将标注结果制作成VOC2007数据集格式。

进一步地，步骤S2中所述的特征提取网络采用50层残差网络ResNet50。