[发明专利]一种针对涂抹图像的藏匿物品场景检测方法

说明书

本发明公开了一种针对涂抹图像的藏匿物品场景检测方法，包括如下步骤：S1、获取图像；S2、涂抹区域分割，采用改进DDRNet‑23分割网络对S1中获取的图像的涂抹区域进行分割，以确定涂抹区域的特征和形状；S3、涂抹特征识别，对S2中涂抹区域的分割结果进行识别，将获取的分割结果，经Resize预处理后，送入到分类网络中进行分类；S4、整图场景识别，对S3中涂抹特征识别结果中正类样本索引对应的源图像缩放到的大小，并送入到分类网络进行识别，来判断该图像是否属于对应的类别。该种针对涂抹图像的藏匿物品场景检测方法，通过使用语义分割方法和分类网络模型，从多个维度分别对图像场景进行描述，来解决单一维度场景解析描述粗糙的问题。

技术领域

本发明涉及图像场景解析技术领域，具体为一种针对涂抹图像的藏匿物品场景检测方法。

背景技术

随着互联网的快速发展和智能手机的全面普及，极大地方便了人们的生活。其中也不乏一些通过无接触式的方法来交易一些用品。现实生活中，首先将违禁物品放置在预先指定的地方，然后通过手机拍照，并加以后期涂抹的方式，告知另一方实际的藏匿地点，另一方根据图片找到违禁物品，最终通过线上转账完成整个违禁物品交易。

目前，还没有针对涂抹图像的藏匿物品检测方法。现有的方法多为其中检测的一环，包括：涂抹图像的语义分割，室内外场景的分类方法。但在现有技术中，还存在以下两点不足之处：

1、单一的模型只能对图像中的一个维度进行描述，难以对图像场景解析进行一个多维度的描述；

2、没有形成一个藏匿物品检测的整体流程，缺少一个整体的解决方案。

发明内容

为了更加精准、快速的检测图像是否为藏匿物品场景，本发明提供了如下的技术方案：

本发明一种针对涂抹图像的藏匿物品场景检测方法，包括如下步骤：

S1、获取图像；

S2、涂抹区域分割，采用改进DDRNet-23分割网络对S1中获取的图像的涂抹区域进行分割，以确定涂抹区域的特征和形状，之后采用自动化的方式生成训练样本，对数据进行训练，得到训练好的分割网络模型；

S3、涂抹特征识别，对S2中涂抹区域的分割结果进行识别，将获取的分割结果，经Resize预处理后，送入到分类网络中进行分类，判断类别是否为负类，若不为负类，则将该图对应到源图像的索引保存到识别结果中，否则，将该图的索引进行丢弃；

S4、整图场景识别，对S3中涂抹特征识别结果中正类样本索引对应的源图像缩放到的大小，并送入到分类网络进行识别，来判断该图像是否属于对应的类别，若类别满足特定的场景，则表示该图像为藏匿物品场景。

作为本发明的一种优选技术方案，所述S2中的DDRNet-23分割网络属于实时语义分割方法，并使用双流特征提取方法，其中一流使用轻量级骨干网络ResNet-18，提取图像的深层抽象特征，另一流使用空洞卷积，并维持图像的分辨率，来提取图像的高分辨率细节特征，且在对双流特征求和后，将结果上采样到输入图像分辨率的1/4，来进行预测，以提高分割区域的精度。

作为本发明的一种优选技术方案，所述S2中自动化的方式生成训练样本的具体步骤为：

S2-1、选取一定数量的室内外场景和其他场景的图像，对每一张图片S，其图像尺寸为H×W，在图上随机选择一个点为圆心点；

S2-2、根据距离区间来确定箭头的尾部位置，在圆心和箭头尾部的区域之间随机选择一个点作为箭头头部和圆的轮廓交互点；

S2-3、构建一个尺寸为H×W，数值全部为0的掩码图M，在S和M的相同位置均画上圆和箭头，其中S中生成的涂抹区域使用随机颜色，M中生成的涂抹区域数值为1；

S2-4、在掩码图M中，根据圆和箭头的位置，分别对其进行裁剪，用于生成检测流程中的涂抹特征识别训练数据。