[发明专利]基于机器学习的教室课桌检测方法

权利要求书

1.一种基于机器学习的教室课桌检测方法，其特征在于，包括以下步骤：

步骤1：训练出检测课桌的深度学习目标检测模型，并检测出输入图像 I_input中每个课桌的包围盒，记所有课桌的包围盒集合为 B_input；所述图像 I_input为有多排课桌的教室场景；

步骤2：利用直线检测算法检测出图像 I_input中所有直线；

步骤3：对检测出的直线，利用聚类算法计算出教室主方向，所述教室主方向为教室课桌横向排列的方向；

步骤4：利用步骤3得到的教室主方向，对步骤1得到的包围盒集合 B_input中的所有包围盒进行仿射变换，得到旋转后的包围盒集合B_rotate；

步骤5：利用步骤3得到的教室主方向，对图像I_input进行仿射变换，得到旋转后的图像I_rotate；

步骤6：对步骤4得到的包围盒集合B_rotate执行k均值聚类算法，聚类的度量是包围盒集合B_rotate中包围盒中心的纵坐标，得到相应的课桌包围盒聚类簇；

步骤7：对于步骤6得到的聚类簇，计算聚类中心之间的差值和阈值，并合并聚类簇，合并后的聚类簇中每个聚类簇的包围盒是同排课桌的包围盒；

步骤8：对于步骤7得到的合并后的聚类簇，根据需要取出连续多排课桌的包围盒，记取出的连续多排课桌的包围盒集合为B_multirow；

步骤9：计算区域包围盒B_mf，所述包围盒B_mf能够包含步骤8中的连续多排课桌包围盒集合B_multirow中所有的包围盒；

步骤10：将步骤9得到的区域包围盒B_mf绘制在步骤5得到的图像I_rotate上，获得包含区域包围盒B_mf的图像I_rotate-mf；

步骤11：利用步骤3得到的教室主方向，对步骤10获得的图像 I_rotate-mf 做逆仿射变换，得到结果图像 I_result-mf。

2.根据权利要求1所述的基于机器学习的教室课桌检测方法，其特征在于，步骤1包括如下步骤：

步骤1-1：利用爬虫技术，从网络下载教室课桌图像；

步骤1-2：利用图像标注工具对步骤1-1获得的教室课桌图像标注课桌目标，将标注后的教室课桌图像作为检测课桌的深度学习目标检测模型的学习训练集，所述检测课桌的深度学习目标检测模型采用yolov4目标检测网络；

步骤1-3：构造yolov4目标检测网络，yolov4的主干网络采用CSPDarknet53，脖颈网络采用路径聚合网络PAN，检测头部分采用yolo的方法，主干网络用于通过连续地卷积和下采样提取图像的基本特征，脖颈网络针对图像中目标大小不一的问题，构造出多个尺度特征映射用于检测，同时融合了低层的较强细节、定位信息和高层的强语义信息，检测头部分用于生成所有包围盒，并执行非极大值抑制算法，去除单个目标的冗余包围盒，得到最终的检测结果；

步骤1-4：利用预训练权重初始化yolov4目标检测网络的主干网络；

步骤1-5：利用步骤1-2的训练集，对步骤1-4的yolov4目标检测网络进行训练，得到能够检测课桌目标的泛化模型；

步骤1-6：将图像 I_input输入至步骤1-5中的泛化模型，通过泛化模型检测出图像I_input中的每个课桌，得到所有课桌的包围盒集合B_input。

3.根据权利要求2所述的基于机器学习的教室课桌检测方法，其特征在于，步骤2包括以下步骤：

步骤2-1：选择霍夫变换作为直线检测算法；

步骤2-2：利用步骤2-1中的霍夫变换，设置参数值检测出图像I_input中的直线，参数值设置要求过滤掉短直线，留下长直线；以图像I_input左上角为原点建立坐标系，图像宽度方向为x轴，图像高度方向为y轴，直线的角度为直线与x轴的角度。