[发明专利]基于深度学习的移动端类矩形物体边缘检测方法

权利要求书

1.基于深度学习的移动端类矩形物体边缘检测方法，其特征在于：所述方法具体过程为：

步骤一、对待测物体边缘图像进行粗提取；

步骤二、对步骤一中粗提取后的图像使用OpenCV的HoughLinesP函数检测线段；

步骤三、将检测到的线段延长成直线，利用直线间的角度、距离约束条件，对相等、相似的直线利用求均值方法合成一条直线；

所述相似为角度相差小于等于5度，距离小于3个像素；

步骤四、计算直线或直线延长线之间的交叉点的距离，将距离小于20像素距离的交叉点合并；计算不能合并直线之间的交叉点个数；

步骤五、利用矩形或类矩形的角度条件，对不能合并直线之间的所有交叉点，每次取出其中的4个，判断这4个点组成的四边形是否是一个矩形或类矩形；若不是矩形或类矩形则删除；若是矩形或类矩形则保留；判断保留的矩形或类矩形的个数；若为1，得到矩形或类矩形的边缘；若大于等于2，执行步骤六；

所述类矩形为平行四边形或内角和为360度的四边形；

步骤六、找出周长或面积最大的矩形或类矩形，得到矩形或类矩形的边缘。

2.根据权利要求1所述基于深度学习的移动端类矩形物体边缘检测方法，其特征在于：所述步骤一中对待测物体边缘图像进行粗提取；具体过程为：

步骤一一、建立训练集；

步骤一二、建立HED网络模型；

步骤一三、将训练集输入HED网络模型进行训练，得到训练好的HED网络模型；

步骤一四、将待测物体边缘图像输入训练好的HED网络模型，对待测物体边缘图像进行粗提取。

3.根据权利要求2所述基于深度学习的移动端类矩形物体边缘检测方法，其特征在于：所述步骤一一中建立训练集；具体过程为：

训练集包含合成图像与真实图像。

所述真实图像为：需要检测的含有矩形或类矩形的图像；

所述合成图像为：在前景图上添加旋转、平移、透视变换，对背景图进行随机裁剪，利用OpenCV中的addWeighted()函数生成合成图像。

所述前景图指的是真实图像，背景图随机选取。

4.根据权利要求3所述基于深度学习的移动端类矩形物体边缘检测方法，其特征在于：所述步骤一二中建立HED网络模型；具体过程为：

HED网络模型包括五个卷积块；

第一卷积块包括卷积层1、卷积层2、池化层1；卷积层1连接卷积层2，卷积层2连接池化层1，池化层1连接第二卷积块；

第二卷积块包括卷积层3、卷积层4、池化层2；卷积层3连接卷积层4，卷积层4连接池化层2，池化层2连接第三卷积块；

第三卷积块包括卷积层5、卷积层6、池化层3；卷积层5连接卷积层6，卷积层6连接池化层3，池化层3连接第四卷积块；

第四卷积块包括卷积层7、卷积层8、池化层4；卷积层7连接卷积层8，卷积层8连接池化层4，池化层4连接第五卷积块；

第五卷积块包括卷积层9、卷积层10、卷积层11；卷积层9连接卷积层10，卷积层10连接卷积层11；

对每个卷积块得到的特征图进行反卷积，得到每个卷积块对应的反卷积后的特征图，将每个卷积块对应的反卷积后的特征图与对应通道的对应像素加权，将五个卷积块对应的加权值相加，得到融合后的特征图；

裁剪HED网络，缩小通道数量：

第一卷积块由64通道裁剪为16通道，第二卷积块由128通道裁剪为32通道，第三卷积块由256通道裁剪为32通道，第四卷积块由512通道裁剪为64通道，第五卷积块由512通道裁剪为128通道。

5.根据权利要求4所述基于深度学习的移动端类矩形物体边缘检测方法，其特征在于：所述步骤一三中将训练集输入HED网络模型进行训练，得到训练好的HED网络模型；具体过程为：

融合过程使用反卷积(deconv)时，将卷积核的值初始化成双线性放大矩阵；

设置学习率；

对融合后得到的特征图进行损失计算，损失最小为最优结果，得到训练好的HED网络模型。