[發明專利]一種基于頻域濾波處理的自然場景下陰影識別檢測方法

有效

• 申請號: 202011109331.0
• 申請日: 2020-10-16
• 公開（公告）號: CN112257766B
• 公開（公告）日: 2023-09-29
• 發明（設計）人: 呂飛霄;王蕊;操曉春;鄒聰
• 申請（專利權）人: 中國科學院信息工程研究所
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/80;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 北京君尚知識產權代理有限公司 11200
• 代理人: 司立彬

本發明公開了一種基于頻域濾波處理的自然場景下陰影識別檢測方法，其步驟包括：1)頻域選擇模塊對數據集中的圖片進行處理，為對應圖片構造頻域范圍內的人工特征低頻圖；所述數據集包含多個圖片及其二值掩模圖；2)基于UNet網絡構造陰影檢測網絡，所述陰影檢測網絡的損失函數包含用于計算生成圖片與對應二值掩膜圖的相似度的Dice損失函數；3)利用各圖片及其對應的人工特征低頻圖、二值掩膜圖對所述陰影檢測網絡進行訓練；4)將待檢測圖片輸入訓練后的陰影檢測網絡，檢測得到該待檢測圖片的陰影。本發明大大提高了陰影檢測的準確性。

技術領域

本發明屬于計算機視覺技術領域，具體涉及一種基于頻域濾波處理的自然場景下陰影識別檢測的方法，能夠在自然場景圖片中準確識別陰影。

背景技術

陰影是場景中不可回避的元素，它是由于光源和投射光源的表面之間存在一個遮擋對象而形成的。圖像中的陰影之所以重要，有多種原因。一方面，陰影可能會導致圖像分析過程的失敗，也會導致信息質量的惡化，進而導致許多計算機視覺任務的性能降低，使得諸如分割任務、目標檢測和跟蹤任務等許多應用的算法出現問題。但是，另一方面，它們在建筑物檢測、路徑發現等方面可以帶來各種信息，陰影可以作為一種用于感知深度和幾何形狀的視覺線索，知道陰影的位置可以讓我們獲得照明方向、相機參數和場景中幾何體形狀等信息。由于陰影有時會對圖像產生不良影響，因此陰影消除任務是計算機視覺中的一項重要任務，而陰影檢測是實現這一目標的第一步。此外，圖像中的陰影還對許多任務起到輔助作用，例如土地監測、遙感、變化檢測、圖像分割、人臉識別等。

早期的方法通過建立物理模型來檢測和消除陰影，分析顏色和照明的統計信息。然而，這些方法建立在物理模型上而提出，在場景中難免遇到不合物理模型假設的情況。為了從真實圖像中提取陰影，數據驅動方法通過使用人工制作的特征或通過使用深層神經網絡學習特征來學習和理解陰影。目前來看，數據驅動的方法已經能夠以87％到90％的精度檢測陰影并恢復大多數陰影區域，但這種完全基于統計的方法可能會將黑色物體誤解為陰影并產生各種適得其反的效果。

傳統的單圖像陰影檢測方法較多的利用光照和顏色的物理模型。然而，這種方法往往只對寬動態范圍的圖像產生令人滿意的結果。另一類方法使用基于標定陰影圖像的手工特征來學習陰影的各種屬性。它首先用特征描述部件來描述圖像區域中的各種特征，然后利用人工選取的特征將圖像區域分為陰影區域和非陰影區域。這些特征一般包括顏色、紋理、邊緣和T形連接等。在這之后使用決策樹和支持向量機等進行分類。然而，由于手工制作的特征在描述陰影方面的能力有限，這種方法在復雜情況下常常失敗。

近年來，隨著人工智能技術的高速發展，利用深度學習的方法去學習單張圖片的各種特征進而進行陰影的檢測和去除的工作漸漸嶄露頭角。這種方法相信陰影區域與非陰影區域之間存在一定的上下文關聯信息，并且在挖掘圖像更深層的語義信息上表現得更加出色。比如卷積神經網絡(CNN)最近被證明是一個用于檢測陰影的非常強大的工具。它用于提取圖片的相關特征來識別陰影區域，其結果明顯優于以前的方法。這種基于大數據驅動的方法相對于傳統方法而言顯得更加智能和靈活。但是自然場景的多樣性同時也給這種深度學習的方法的泛用性增加了難題。數據量的大小和特性往往對網絡的性能產生一定的影響。因此，基于深度學習的方法仍然需要與現有的人工特征相結合，才能更好地作用于陰影的檢測任務。

發明內容

針對自然場景中的圖像識別檢測存在的問題，本發明的目的在于提供一種基于頻域濾波處理的自然場景下陰影識別檢測方法。

本發明采用了深度神經網絡中的UNet結構，基于自然場景圖片的紋理特征信息，在不同層次提取圖片的陰影區域特征并重建陰影區域的二值化掩膜，進而對圖片中陰影的像素進行檢測。特別的，由于陰影相對于圖片中的高頻細節信息，更加側重于大片色塊亮度較暗的區域，因此圖像中的低頻分量，即圖像強度(亮度/灰度)變換平緩的區域更加值得注意。在網絡結構中加入了頻域范圍內的人工特征，加強了圖像中的低頻信息特征，提高了陰影檢測的準確性。

本發明采用的技術方案如下：