[发明专利]一种基于Mask R-CNN神经网络被关注目标的智能检测方法

说明书

本发明公开了一种基于Mask R‑CNN神经网络被关注目标的智能检测方法，包括：建立图像数据集并利用ImageNet训练Mask R‑CNN网络；采集待检测类别目标的标准对比样本图并建立Hu矩匹配数据库；利用所述已被训练的Mask R‑CNN网络检测所述测试图像上的目标物体，并输出处理后的目标物体轮廓二值图；基于所述目标物体和所述标准对比图的轮廓进行轮廓特征匹配，判断所述目标物是否发生遮挡，输出判定未被遮挡的物体；计算所述未被遮挡的物体中的体积最大的目标并作为最终输出，完成被关注目标的智能检测。本发明可以实现基于图像的被关注目标的智能检测；复杂度低，运行速度快；适用范围广，可以应用于不同领域，可迁移性强。

技术领域

本发明涉及计算机视觉的技术领域，尤其涉及一种基于Mask R-CNN神经网络被关注目标的智能检测方法。

背景技术

基于图像的目标检测是计算机视觉研究领域中的一个基本问题，主要是对图像中的多个物体进行识别和定位，目前，物体检测被广泛应用于安全布防、智能交通等工程领域，物体检测的方法主要分为两种：一是利用传统的机器学习方法，二是利用深度学习方法，传统的机器学习方法虽然能够取得较好的检测效果，但具有计算复杂度高、鲁棒性较差等明显缺点；近两年，深度学习方法在计算机视觉领域不断突破，涌现出许多有代表性的物体检测算法，相比于传统方法有着更高的准确度，深度学习的物体检测方法分为端到端的方法和区域选择方法。端到端的方法是根据给定图像直接回归出多个物体的类别和位置边框；区域选择方法是先生成待检测目标物的候选区域，再利用神经网络进行特征提取等操作，Mask R-CNN算法就属于区域选择方法，它的特点是不仅能检测出图像上的目标物体，而且还能检测出目标物体的轮廓，因而在检测领域，Mask R-CNN算法得到了广泛应用。

目前的目标检测算法都能直接检测到图像中各种状态下的指定目标类型，但无法分辨目标的显著性，即无法确认图像中的实际关注目标。但在某些应用中，希望对被检测目标类型进行进一步分类和甄别，自动识别图像被拍摄时的被关注目标，比如，在变电站机器巡检时，机器捕获的图像中往往捕获到多个同类型设备，但受限于清晰度和检测精度，仅需对当前关注目标进行故障判断或智能读取。通常情况下，被关注目标为未被遮挡的完整物体中占据图像面积最大的一个，因此，本发明专利着力于实现图像中的被关注目标检测。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：传统方案计算复杂度高、鲁棒性较差、准确度低。

为解决上述技术问题，本发明提供如下技术方案：建立图像数据集并利用ImageNet训练Mask R-CNN网络；采集待检测类别目标的标准对比样本图并建立Hu矩匹配数据库；利用所述已被训练的Mask R-CNN网络检测所述测试图像上的目标物体，并输出处理后的目标物体轮廓二值图；基于所述目标物体和所述标准对比图的轮廓进行轮廓特征匹配，判断所述目标物是否发生遮挡，输出判定未被遮挡的物体；计算所述未被遮挡的物体中的体积最大的目标并作为最终输出，完成被关注目标的智能检测。

作为本发明所述的基于Mask R-CNN神经网络被关注目标的智能检测方法的一种优选方案，其中：所述轮廓匹配的原理包括根据两个物体的Hu矩特征进行匹配，所述特征匹配计算公式包括，

其中，分别表示A、B的Hu矩。

作为本发明所述的基于Mask R-CNN神经网络被关注目标的智能检测方法的一种优选方案，其中：所述Hu矩包括，

h₁＝η₂₀+η₀₂