一种基于深度卷积神经网络的特定目标轮廓图像分割方法.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CN105787482A(43)申请公布日2016.07.20(21)申请号201610109536.6(22)申请日2016.02.26(71)申请人华北电力大学地址102206北京市昌平区朱辛庄北农路2号(72)发明人王震宇宋纯锋于彬(74)专利代理机构北京众合诚成知识产权代理有限公司11246代理人朱琨(51)Int.Cl.G06K9/34(2006.01)G06K9/46(2006.01)G06T7/00(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书3页附图1页(54)发明名称一种基于深度卷积神经网络的特定目标轮廓图像分割方法(57)摘要本发明属于图像识别技术领域，尤其涉及一种基于深度卷积神经网络的特定目标轮廓图像分割方法，包括：将用于训练的图像归一化到相同像素大小，对应的特定目标轮廓标注图像也归一化，送入卷积神经网络，经过数层卷积层与全连接层，在全连接层的最后一层得到图像表达，并与对应的标注图像比较得到预测误差；采用反向传播算法和随机梯度下降法来减小预测误差以训练该神经网络，得到特定目标轮廓图像分割的训练模型；将测试特定目标图像归一化到与训练图像相同的像素大小后送入训练模型，在全连接层的最后一层得到预测的图像表达从而得到整张特定目标轮廓图像分割，有效解决了复杂背景下的特定目标轮廓分割问题，可用于车型识别，车流量统计，车辆检测。CN105787482ACN105787482A权利要求书1/1页1.一种基于深度卷积神经网络的特定目标轮廓图像分割方法，其特征在于，包括：步骤S11、将用于训练的图像归一化到相同像素大小，对应的特定目标轮廓标注图像也归一化到相同像素大小，从而得到用于训练的图像与标注图像的成对的样本；步骤S12，将步骤1归一化得到的训练的图像送入一个卷积神经网络，经过数层卷积层与全连接层，在全连接层的最后一层得到图像表达，并与对应的标注图像进行比较得到预测误差；步骤S13，采用反向传播算法和随机梯度下降法来减小预测误差以训练该神经网络，得到特定目标轮廓图像分割的训练模型；步骤S21，将测试特定目标图像归一化到与训练图像相同的像素大小；步骤S22，将测试特定目标图像送入特定目标轮廓图像分割的训练模型，在全连接层的最后一层得到预测的图像表达；该图像表达每一个点的响应值表示该点属于特定目标轮廓区域内的概率，如果该响应值大于阈值，则判定该像素点属于特定目标轮廓内区域，反之则判定该像素点属于特定目标轮廓外区域；这样就可以得到整张图像的特定目标轮廓的图像分割。2CN105787482A说明书1/3页一种基于深度卷积神经网络的特定目标轮廓图像分割方法技术领域[0001]本发明属于图像识别技术领域，尤其涉及一种基于深度卷积神经网络的特定目标轮廓图像分割方法。背景技术[0002]当前在特定目标轮廓图像识别领域，对于高精度高速度的特定目标轮廓分割具有很大需求。在特定目标轮廓分割方法中，传统方法大多基于聚类算法，计算复杂度较高，且精度较低，其他基于局部特征分析的方法也很难达到实际应用的准确率；另外的形态学算法容易受到背景的影响。[0003]深度学习技术在语音识别、图像分类与检测等领域都取得了非常好的结果，尤其是深度卷积神经网络具有极强的自主学习能力和高度的非线性映射，这为设计复杂的高精度高速度且具有一定鲁棒性的分割模型提供了可能性。基于深度学习的特定目标轮廓分割方法可以极大提高精确度，同时可以保证快速的分割速度。发明内容[0004]针对现有技术在处理特定目标轮廓图像分割时遇到的困难，本发明提出了一种基于深度卷积神经网络的特定目标轮廓图像分割方法，包括：[0005]步骤S11、将用于训练的图像归一化到相同像素大小，对应的特定目标轮廓标注图像也归一化到相同像素大小，从而得到用于训练的图像与标注图像的成对的样本；[0006]步骤S12，将步骤1归一化得到的训练的图像送入一个卷积神经网络，经过数层卷积层与全连接层，在全连接层的最后一层得到图像表达，并与对应的标注图像进行比较得到预测误差；[0007]步骤S13，采用反向传播算法和随机梯度下降法来减小预测误差以训练该神经网络，得到特定目标轮廓图像分割的训练模型；[0008]步骤S21，将测试特定目标图像归一化到与训练图像相同的像素大小；[0009]步骤S22，将测试特定目标图像送入特定目标轮廓图像分割的训练模型，在全连接层的最后一层得到预测的图像表达；该图像表达每一个点的响应值表示该点属于特定目标轮廓区域内的概率，如果该响应值大于阈值，则判定该像素点属于特定目标轮廓内区域，反之则判定该像素点属于特定目标轮廓外区域；这样就可以得到整张图像的特定目标轮廓的图像分割。