一种用于目标检测的图像样本生成方法、系统及检测方法技术方案

本发明专利技术属于目标检测技术领域，公开了一种用于目标检测的图像样本生成方法、系统及其检测方法。本发明专利技术包括以下步骤：获得包含目标的物品和不包含目标的物品的图像并进行预处理；选取上述预处理后的图像进行拼接，再得到拼接图像的最小外接矩形并处理得到的新图像的集合作为训练数据集的组成。本发明专利技术解决了深度学习训练样本数据采集、标注难且数据量大的问题，通过解决在背景单一情况下负样本采样效果较差的问题，提高利用深度学习方法执行目标检测过程中的检测效率以及准确率。

【技术实现步骤摘要】
一种用于目标检测的图像样本生成方法、系统及检测方法
本专利技术属于目标检测
，具体涉及一种用于目标检测的图像样本生成方法、系统及检测方法。
技术介绍
近年来，随着人工智能技术的不断发展，深度学习技术已经在计算机视觉领域的分类、识别、检测、分割、跟踪等任务都取得了突破性的进展。相较于传统的机器视觉方法，深度卷积神经网络在大数据的训练下，从大量数据中学习出有用的特征，具有速度快、精度高、成本低等优势。但是虽然深度学习能达到这种优于传统方法的很大一部分原因是因为深度学习是建立在大量数据的基础上的，特别是在目标检测领域，深度学习更是需要大量的、有效的数据。如何克服深度学习依赖数据集的特点，当前主流的做法就是数据增强，但是并不是一味的增加数据量就能够提升模型的检测性能，还需要受到检测目标的放置角度、背景环境等外界因素影响的样本来还原真实场景下的用于检测的图像数据，训练检测网络才能提高目标检出准确率和召回率，这就更加加重了采集数据和标注数据所需的成本。在一些特定场景中，采集的图像除去目标外的背景常常非常单一，造成此图在算法训练中采样的负样本的也几乎是单一的空白图片，使得算法的对于负样本的学习效果较差，算法在实际运用中较难分辨复杂背景，容易把背景误检为目标影响了目标检测效果。
技术实现思路
本专利技术所要解决的技术问题是针对
技术介绍
中所涉及到的技术缺陷，提供一种用于目标检测的图像样本生成方法、系统及其检测方法，解决深度学习训练样本数据采集、标注难且数据量大的问题，使用简单算法为目标的检测快速提供有效的训练样本，解决在背景单一情况下负样本采样较差的问题，以提高利用深度学习方法执行目标检测过程中的检测效率以及准确率。根据本专利技术的一个方面，提供一种用于目标检测的图像样本生成方法，包括：S1:获得包含目标的物品的图像并进行第一预处理，得到目标数据集；S2：获得不包含目标的物品的图像并进行第二预处理，得到背景数据集；S3：从目标数据集中任选一张或多张图像，与背景数据集中任选的一张或多张图像进行拼接，并以拼接后的最小外接矩形得到中间图像；其中，拼接后所得图像与中间图像间的新增区域以背景色填充；S4：对中间图像尺寸进行处理，长、宽均增至原图的1-1.5倍，增加的部分以背景色填充，得到新图像；S5:重复步骤S3-S4，得到的新图像的集合作为训练数据集的组成。所述第一预处理包括对图像中目标进行标注及对包含目标的物品的图像进行数据增广后裁剪，获得物品的最小外接正置矩形图像。优选的，数据增广方式中，若进行旋转，旋转角度为m*90°（m任选自0，1，2,3）。所述第二预处理包括对不包含目标的物品的图像进行数据增广后裁剪。作为举例，所述物品包括行李、快递、包裹、大件货物、车辆、工厂生产的产品等。作为举例，与上述物品相对应，目标包括行李中的违禁品、快递包裹中的违禁品、大件货物中的违禁品、车辆上的车牌、工厂生产的产品中的瑕疵等。优选的，所述拼接为S3所得图像进行共边拼接，以减少所述新增区域的面积。进一步优选的，所述共边拼接使所选图像的长边进行共边拼接。进一步优选的，对任选的一张或多张目标数据集中图像和/或任选的一张或多张背景数据集中图像进行n*90°翻转，所述n任选自0，1，2，3。所述背景色可以与采集图像的设备相关，也可以与单一的均质背景相关，可预采集无物品部分的图像数据获取。根据本专利技术的又一方面，提供一种用于目标检测的图像样本生成系统，包括：目标数据生成模块、背景数据生成模块、图像拼接融合模块，新样本生成模块。根据本专利技术的再一方面，提供一种目标检测方法，包括：步骤1：获取物品的图像，并对图像预处理；步骤2：通过预设的卷积神经网络提取所述预处理后图像的图像特征；步骤3：通过预设的目标检测模型得到图像的目标区域；所述预设的目标检测模型通过包括了上述用于目标检测的图像样本生成方法所得的图像样本训练得到；步骤4：输出图像的检测结果，包括目标的种类、位置等信息。与现有技术相比，本专利技术至少具有以下有益效果：本专利技术针对深度学习算法在一些背景单一情况下负样本采样较差的问题，提出拼接训练图片和背景图片的一种数据增强方法。在训练图片上拼接复杂的背景图片，增加算法训练时能够采样到复杂负样本的比例，使算法能够较好分辨背景，减少误检，进而提高了智能检测方法中的目标检测任务的效率以及准确率。同时，本技术可以快速低成本实现降低具体某个物品的误检，一旦某物品发生误检，只要把误检的物品图片放入用于拼接的背景图片数据中，重新训练算法，就可使得算法不再会误检此物品，极大的降低了算法迭代人力成本。附图说明图1为本专利技术实施例提供的一种用于目标检测的图像样本生成方法的流程框图。图2为本专利技术实施例提供的一种用于目标检测的图像样本生成方法中的图像示例。图3为本专利技术实施例提供的一种用于目标检测的图像样本生成方法中拼接后图像示例。图4为本专利技术实施例提供的一种用于目标检测的图像样本生成方法所得新图像示例。具体实施方式为了使本
的人员更好地理解本说明书一个或多个中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一个或多个一部分实施例，而不是全部的实施例。基于本说明书一个或多个中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书一个或多个保护的范围。实施例1：为了解决上述技术问题，如图1所示，本专利技术提出的一种用于目标检测的图像样本生成方法，包括：S1:获得包含目标的物品的图像并进行第一预处理，得到目标数据集。S2：获得不包含目标的物品的图像并进行第二预处理，得到背景数据集。所述第一预处理包括对图像中目标进行标注及包含目标的物品的图像进行数据增广后裁剪，获得物品的最小外接正置矩形图像，其中，数据增广方式中，若进行旋转，旋转角度为m*90°（m任选自0，1，2,3）。第二预处理包括对不包含目标的物品的图像数据增广后裁剪。所述正置矩形即为不发生偏转的矩形。作为举例，所述物品包括行李、快递、包裹、大件货物、车辆、工厂生产的产品等。作为举例，与上述物品相对应，目标包括行李中的违禁品、快递包裹中的违禁品、大件货物中的违禁品、车辆上的车牌、工厂生产的产品中的瑕疵等。所述数据增广方法包括几何变换操作和/或像素变换操作；作为优选，所述的几何变换操作包括旋转操作、缩放操作、裁剪操作中的一种或多种；所述的像素变换操作包括加噪操作、模糊变换、透视操作、亮度操作及对比度操作中的一种或多种。所述旋转操作：将图像顺/逆时针旋转一定角度，减少图像有个倾角就识别失败的概率。所述缩放操作：在通过抠图产生的图像样本时，输入缩放比例，然后在原图抠取缩放后尺寸的图像再压缩成原图大小。所述裁剪操作：通过将抠图图像本文档来自技高网...

【技术保护点】
1.一种用于目标检测的图像样本生成方法，其特征在于，包括：/nS1:获得包含目标的物品的图像并进行第一预处理，得到目标数据集；/nS2：获得不包含目标的物品的图像并进行第二预处理，得到背景数据集；/nS3：从目标数据集中任选一张或多张图像，与背景数据集中任选的一张或多张图像进行拼接，并以拼接后的最小外接矩形得到中间图像；其中，拼接后所得图像与中间图像间的新增区域以背景色填充；/nS4：对中间图像尺寸进行处理，长、宽均增至原图的1-1.5倍，增加的部分以背景色填充，得到新图像；/nS5:重复步骤S3-S4，得到的新图像的集合作为训练数据集的组成；/n所述第一预处理包括对图像中目标进行标注及对包含目标的物品的图像进行数据增广后裁剪，获得物品的最小外接正置矩形图像，其中，数据增广方式中，若进行旋转，旋转角度为m*90°（m任选自0,1,2,3）；/n所述第二预处理包括对不包含目标的物品的图像进行数据增广后裁剪。/n

【技术特征摘要】
1.一种用于目标检测的图像样本生成方法，其特征在于，包括：
S1:获得包含目标的物品的图像并进行第一预处理，得到目标数据集；
S2：获得不包含目标的物品的图像并进行第二预处理，得到背景数据集；
S3：从目标数据集中任选一张或多张图像，与背景数据集中任选的一张或多张图像进行拼接，并以拼接后的最小外接矩形得到中间图像；其中，拼接后所得图像与中间图像间的新增区域以背景色填充；
S4：对中间图像尺寸进行处理，长、宽均增至原图的1-1.5倍，增加的部分以背景色填充，得到新图像；
S5:重复步骤S3-S4，得到的新图像的集合作为训练数据集的组成；
所述第一预处理包括对图像中目标进行标注及对包含目标的物品的图像进行数据增广后裁剪，获得物品的最小外接正置矩形图像，其中，数据增广方式中，若进行旋转，旋转角度为m*90°（m任选自0,1,2,3）；
所述第二预处理包括对不包含目标的物品的图像进行数据增广后裁剪。


2.根据权利要求1所述的一种用于目标检测的图像样本生成方法，其特征在于，所述拼接是指共边拼接。<...

【专利技术属性】
技术研发人员：程愉，李一清，
申请(专利权)人：浙江啄云智能科技有限公司，
类型：发明
国别省市：浙江;33