基于深度卷积神经网络的图像轮廓检测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN107194938A(43)申请公布日2017.09.22(21)申请号201710250081.4(22)申请日2017.04.17(71)申请人上海大学地址200444上海市宝山区上大路99号(72)发明人沈为王兴刚赵凯(74)专利代理机构上海上大专利事务所(普通合伙)31205代理人何文欣(51)Int.Cl.G06T7/13(2017.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书5页附图4页(54)发明名称基于深度卷积神经网络的图像轮廓检测方法(57)摘要本发明涉及一种基于深度卷积神经网络的图像轮廓检测方法。本轮廓检测方法的步骤为：1）数据提取和处理；2）训练深度卷积神经网络特征提取器；3）训练结构森林轮廓检测器；4）提取测试图像特征；5）检测测试图像轮廓。本发明的轮廓检测方法基于深度学习和模式识别技术，可实现快速精准的轮廓检测。CN107194938ACN107194938A权利要求书1/1页1.一种基于深度卷积神经网络的图像轮廓检测方法，其特征在于具体操作步骤如下：1)数据提取和处理；2)训练深度卷积神经网络特征提取器；3)训练结构森林轮廓检测器；4)提取测试图像特征；5)检测测试图像轮廓。2.根据权利要求1所述的基于深度卷积神经网络的图像轮廓检测方法，其特征在于所述步骤1)数据提取和处理：从训练图像和对应的轮廓图像中剪裁出50像素长宽的图像块Xi和轮廓块，并根据轮廓块的形态为其指定类别yi。3.根据权利要求1所述的基于深度卷积神经网络的图像轮廓检测方法，其特征在于所述步骤2)训练深度卷积神经网络特征提取器的具体操作步骤：①数据提取和处理：根据权利要求2中所述方法得到图像块Xi和轮廓块类别yi；②输入神经网络：将图像块Xi输入到深度卷积神经网络中，得到神经网络预测该图像块属于各类别的概率分别为图像块Xi属于0到K类的概率；③计算预测误差：与步骤①中指定的轮廓块类别yi计算预测误差J：公式中λ是一个常数，取为0.9，N为训练图像块总个数，K为步骤①中指定轮廓块类别总数，i是训练图像块编号，j是类别编号，是卷积神经网络预测图像块Xi属于类别j的概率，即卷积神经网络预测图像块Xi属于类别0的概率；④迭代训练：通过反复迭代训练来减小预测误差J，得到训练好的深度卷积神经网络。4.根据权利要求1所述的基于深度卷积神经网络的图像轮廓检测方法，其特征在于所述步骤3)训练结构森林轮廓检测器的具体操作步骤：①数据提取和处理：根据权利要求2中所述方法得到图像块Xi和轮廓块类别yi；②输入神经网络：将训练图像块Xi输入到步骤2)训练出的卷积神经网络中；③提取特征：取卷积神经网络第一个全连接层的输出作为图像块Xi的特征；④训练结构森林：用图像块特征与相应的轮廓块一起训练结构森林轮廓检测器。5.根据权利要求1所述的基于深度卷积神经网络的图像轮廓检测方法，其特征在于所述步骤4)提取测试图像特征：将测试图像分块输入到步骤2)训练出的卷积神经网络中，取第一个全连接层的输出作为该图像块的特征。6.根据权利要求1所述的基于深度卷积神经网络的图像轮廓检测方法，其特征在于所述步骤5)检测测试图像轮廓的具体操作步骤：①图像分块：与步骤1)类似地将测试图像分成50像素长宽的图像块；②提取图像块特征：用步骤4)所述方法提取测试图像块特征；③检测图像块轮廓：将图像块特征逐一输入步骤3)训练出的结构森林，得到检测出的轮廓块；④轮廓拼接：将各图像块检测结果按顺序拼接，得到整幅图像的检测结果。2CN107194938A说明书1/5页基于深度卷积神经网络的图像轮廓检测方法技术领域[0001]本发明涉及一种基于深度卷积神经网络的图像轮廓检测方法，该方法利用经训练的深度卷积神经网络全连接层的输出作为图像特征进行图像轮廓检测。背景技术[0002]神经网络是一种模仿人类神经系统的机器学习模型，深度学习是近年来兴起的基于多层神经网络的机器学习算法。随着计算机运算速度的加快，复杂的深度神经网络不再难以训练，使得深度学习发展迅速，在图像识别领域有着广泛运用。[0003]图像轮廓检测是计算机视觉中的一项基础而又有挑战性的任务。轮廓广泛存在于图像中物体与背景的边界处，轮廓提取的准确性对于图像分割，物体检测意义重大。由于轮廓处往往伴随着图像亮度的剧烈变化，因此传统的轮廓检测方法主要集中在设计基于梯度的各种图像特征，然后利用这些特征去区分轮廓与非轮廓点。[0004]由于深度神经网络具有强大的学习能力，本发明设计了一种基于神经网络模型的轮廓提取算法，通过训练深度神经网络，提取神经网络学习到的特征，然后进行轮廓检测。发明内容[0005]本发明的目的在于针对已有技术存在的不