一种基于深度学习的车辆外观部件图像分割方法技术

本发明专利技术是关于一种基于深度学习的车辆外观部件图像分割方法，包括：根据图像中的分割目标对原始图像进行手工分割标定，获得分割标签；将所述原始图像和分割标签输入到深度学习神经网络中,结合回归模型对所述深度学习神经网络进行训练，获得深度学习网络模型，其中，所述深度学习神经网络包括依次连接的编码层、解码层和卷积层；将待分割图像输入到所述深度学习网络模型中进行分割，获得分割图像。所述神经网络模型包括依次连接的编码层、解码层和卷积层，相对其它的神经网络结构，删除了全连接层，更加适用于车辆外观部件、这种大面积且平整的图像分割。同时，本实施例提供的该方法，不需要先验条件进行初始化，准确率高且不受先验条件的限制。

【技术实现步骤摘要】

本专利技术涉及图像处理
，尤其涉及一种基于深度学习的车辆外观部件图像分割方法。
技术介绍
近年来，随着我国经济的不断发展，机动车数量也在迅猛增长，同时，关系车辆安全的汽车运行安全检测也越来越受到人们的重视。其中，车辆的外观状态，如漆面锈蚀和剥落、钣金凹陷和裂痕等，是车辆安全行驶中的重要因素。由于不同的车辆外观部件通常有不同的功能及维修方式，因此，对车辆外观部件图像进行分割和识别，是车辆外观检测的一个重要步骤。具体的，车辆外观部件的分割和识别，是将车辆图像按照车辆外观部件分割成为多个区域并进行识别，由于部件分割是后续进行部件识别的基础，所以车辆外观图像分割越来越受到人们的重视。现有技术中，常用的图像分割算法包括：基于颜色和亮度的方法、基于区域的分割方法、基于图论的方法和基于能量泛函的方法。基于颜色和亮度的方法是通过颜色或者亮度对图像的每个像素点进行分类，例如，K-Means算法将图像看作由RGB三维特征组成的点集，对图像中所有像素进行聚类从而达到分割图像的目的。基于区域的分割方法，包含区域生长法和分水岭方法等，是按照相似性准则将图像分割为多个区域。基于图论的方法将图像映射为带权无向图，移除特定的边，将图划分为若干子图从而实现分割；基于能量泛函的方法主要指活动轮廓模型以及其衍生方法。上述方法通常需要先验条件进行初始化，例如，K-Means算法在分类前要指定分割区域的数量，分水岭方法必须指定分割部件的关键点，活动轮廓模型需要设置初始的轮廓。然而，在汽车外观部件图像分割的过程中，由于图像拍摄时的角度、距离以及车型差异等因素的影响，导致算法既不能够指定分割区域的数量，也不能够确定初始的关键点或轮廓，所以现有技术中的图像分割算法受到了很大的限制。
技术实现思路
为克服相关技术中存在的问题，本专利技术提供一种基于深度学习的车辆外观部件图像分割方法。一种基于深度学习的车辆外观部件图像分割方法，包括：根据图像中的分割目标对原始图像进行手工分割标定，获得分割标签；将所述原始图像和分割标签输入到深度学习神经网络中,结合回归模型对所述深度学习神经网络进行训练，获得深度学习网络模型，其中，所述深度学习神经网络包括依次连接的编码层、解码层和卷积层；将待分割图像输入到所述深度学习网络模型中进行分割，获得分割图像。可选地，所述方法还包括：利用PCA滤波对所述分割图像中进行修正，计算出所述初步分割图像中各像素点的分割标签，获得修正分割图像。可选地，所述方法还包括：通过形态学分割运算，去除所述分割图像中各分割区域的噪声点，获得去噪声分割图像；通过高斯滤波和二值化处理，平滑所述去噪声分割图像中各分割区域的边缘轮廓，获得最终分割图像。可选地，根据图像中的分割目标对原始图像进行手工分割标定，获得分割标签，包括：根据车辆外观部件对车辆的原始图像进行手工分割，获得原始分割图像；对所述原始分割图像中的各分割区域进行着色，获得着色后的分割图像，其中，不同分割区域的像素值对应不同的标签值；根据不同颜色像素值对应的所述标签值，将所述着色后的分割图像转换为分割标签。可选地，所述方法还包括：将所述原始图像进行固定像素大小的n次裁剪，获得裁剪后的原始图像；将所述裁剪后的原始图像中各像素点的像素值由变换为I'xy＝Ixy+[p1,p2,p3][α1λ1,α2λ2,α3λ3]T，其中，pi和λi分别为Ixy协方差矩阵的特征向量和特征值，αi为满足均值为0、方差为0.1的高斯分布的随机数。可选地，所述深度学习神经网络中的编码层包括五个子编码层、且相邻的子编码层之间设有池化层，所述深度学习神经网络中的解码层包括五个子解码层、且相邻的子解码层之间设有逆池化层，其中：所述五个子编码层中的靠近所述图像输入层的第一子编码层和第二子编码层中均设有两个子卷积层、两个子BN(Batch Normalization，批归一化)层和两个子ReLU(Rectified Linear Units，修正线性单元)层；所述五个子编码层中的靠近所述解码层的第三子编码层、第四子编码层和第五子编码层中均设有三个子卷积层、三个子BN层和三个子ReLU层；所述五个子解码层中的靠近所述编码层的第三子解码层、第四子解码层和第五子解码层中均设有三个子逆卷积层、三个子BN层和三个子ReLU层；所述五个子解码层中的靠近所述卷积层的第一子解码层和第二子解码层中均设有两个子逆卷积层、两个子BN层和两个子ReLU层。可选地，将所述原始图像和分割标签输入到深度学习神经网络中,结合回归模型对所述深度学习神经网络进行训练，包括：利用深度学习神经网络中的编码层对所述原始图像进行卷积和池化处理，获得特征图像；利用所述深度学习神经网络中的解码层对所述特征图像进行逆卷积和逆池化处理，获得与所述原始图像大小相同的解码图像；利用深度学习神经网络中的卷积层对所述解码图像进行卷积运算，得到P个滤波后的图像，其中，P等于所述原始图像中的车辆部件类别数量；利用回归模型的假设函数，计算所述P个滤波后的图像中各像素点类别；利用回归模型的损失函数计算所述各像素点类别与所述分割标签之间的误差；判断所述误差是否大于预设值；如果所述误差大于预设值，则对所述损失函数反向求导，分别调节所述深度学习神经网络中的解码层、编码层和卷积层中的权值。可选地，利用深度学习神经网络中的编码层对所述原始图像进行卷积和池化处理，获得特征图像，包括：通过N个卷积核对所述原始图像进行卷积运算，获得N组初始特征图像；对所述初始特征图像进行归一化处理，其中，归一化公式为μ为特征的均值，σ为特征的方差，ε为常量，一般为10-5；将归一化后的初始特征图像中进行激活处理，其中，激活公式为f(x)＝max(0，x)；通过池化层对激活后的初始特征图像进行下采样处理，获得特性图像。可选地，利用PCA滤波对所述分割图像中进行修正，计算出所述分割图像中各像素点的分割标签，获得修正分割图像，包括：取KxK大小的滤波窗口，重新排列滤波窗口内所述分割图像的数据得到NxK2的二维矩阵，其中，N为滤波窗口内车辆部件的类别数量，K大于等于3、且小于等于13；对所述二维矩阵进行特征值分解，将最大特征值对应的Nx1的特征向量作为该窗口中心像素的分割标签计算结果；根据所述分割图像中各像素点的分割标签计算结果，获得修正分割图像。可选地，通过形态学分割运算，去除所述分割图像中各分割区域的噪声点，获得去噪声分割图像，包括：依次取出所述分割图像中各分割区域识别结果；用K1xK1大小的核依次对各分割区域中的联通区域进行腐蚀运算和膨胀运算；计算经过膨胀运算后的各联通区域的面积，按面积大小排序，筛选出前N个联通区域作为去噪声分割图像。由以上技术方案可见，本专利技术实施例提供的一种基于深度学习的车辆外观部件图像分割方法，基于深度学习理论，通过大量的车辆外观部件的原始图像进行训练和学习，形成深度学习神经网络模型，利用所述神经网络模型便可实现对待分割图像中的每个像素进行分类，从而实现待分割图像中的部件分割，在分割的同时，也完成了对该区域的识别。其中，本专利技术实施例提供神经网络模型包括依次连接的编码层、解码层和卷积层，相对于其它的神经网络结构，删除了全连接层，所以更加适用于车辆外观部件这种大面积平整的图像分割。进一步的，本专利技术实施例提供本文档来自技高网...

【技术保护点】
一种基于深度学习的车辆外观部件图像分割方法，其特征在于，包括：根据图像中的分割目标对原始图像进行手工分割标定，获得分割标签；将所述原始图像和分割标签输入到深度学习神经网络中，结合回归模型对所述深度学习神经网络进行训练，获得深度学习网络模型，其中，所述深度学习神经网络包括依次连接的编码层、解码层和卷积层；将待分割图像输入到所述深度学习网络模型中进行分割，获得分割图像。

【技术特征摘要】
1.一种基于深度学习的车辆外观部件图像分割方法，其特征在于，包括：根据图像中的分割目标对原始图像进行手工分割标定，获得分割标签；将所述原始图像和分割标签输入到深度学习神经网络中，结合回归模型对所述深度学习神经网络进行训练，获得深度学习网络模型，其中，所述深度学习神经网络包括依次连接的编码层、解码层和卷积层；将待分割图像输入到所述深度学习网络模型中进行分割，获得分割图像。2.根据权利要求1所述的车辆外观部件图像分割方法，其特征在于，所述方法还包括：利用PCA滤波对所述分割图像中进行修正，计算出所述分割图像中各像素点的分割标签，获得修正分割图像。3.根据权利要求1所述的车辆外观部件图像分割方法，其特征在于，所述方法还包括：通过形态学分割运算，去除所述分割图像中各分割区域的噪声点，获得去噪声分割图像；通过高斯滤波和二值化处理，平滑所述去噪声分割图像中各分割区域的边缘轮廓，获得最终分割图像。4.根据权利要求1所述的车辆外观部件图像分割方法，其特征在于，根据图像中的分割目标对原始图像进行手工分割标定，获得分割标签，包括：根据车辆外观部件对车辆的原始图像进行手工分割，获得原始分割图像；对所述原始分割图像中的各分割区域进行着色，获得着色后的分割图像，其中，不同分割区域的像素值对应不同的标签值；根据不同颜色像素值对应的所述标签值，将所述着色后的分割图像转换为分割标签。5.根据权利要求1所述的车辆外观部件图像分割方法，其特征在于，所述方法还包括：将所述原始图像进行固定像素大小的n次裁剪，获得裁剪后的原始图像；将所述裁剪后的原始图像中各像素点的像素值由变换为I'xy＝Ixy+[p1,p2,p3][α1λ1,α2λ2,α3λ3]T，其中，pi和λi分别为Ixy协方差矩阵的特征向量和特征值，αi为满足均值为0、方差为0.1的高斯分布的随机数。6.根据权利要求1所述的车辆外观部件图像分割方法，其特征在于，所述深度学习神经网络中的编码层包括五个子编码层、且相邻的子编码层之间设有池化层，所述深度学习神经网络中的解码层包括五个子解码层、且相邻的子解码层之间设有逆池化层，其中：所述五个子编码层中的靠近所述图像输入层的第一子编码层和第二子编码层中均设有两个子卷积层、两个子BN层和两个子ReLU层；所述五个子编码层中的靠近所述解码层的第三子编码层、第四子编码层和第五子编码层中均设有三个子卷积层、三个子BN层和三个子ReLU层；所述五个子解码层中的靠近所述编码层的第三子解码层、第四子解码层和第五子解码层中均设有三个子逆卷积层、三个子BN层和三个子ReLU层；所...

【专利技术属性】
技术研发人员：史方，邹佳运，王标，
申请(专利权)人：史方，
类型：发明
国别省市：四川;51