[發明專利]一種基于Faster-RCNN的測量標志自動提取方法

在審

• 申請號: 202110794715.9
• 申請日: 2021-07-14
• 公開（公告）號: CN113505837A
• 公開（公告）日: 2021-10-15
• 發明（設計）人: 陳鵬;童小華;汪本康;謝歡;馮永玖;劉世杰;金雁敏;柳思聰;許雄;葉真;王超
• 申請（專利權）人: 同濟大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46;G06K9/32;G06N3/04;G06N3/08
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 應小波

本發明涉及一種基于Faster?RCNN的測量標志自動提取方法，該方法采用Faster?RCNN目標識別框架，對高速視頻測量系統中引入的人工標志點進行自動識別定位，所述方法包括如下步驟：步驟1：對含目標點的高速相機影像進行數據集整理，包括樣本制作和樣本增強，形成訓練樣本集；步驟2：采用基于Faster?RCNN目標識別框架對分類模型進行訓練；步驟3：利用訓練后的分類模型對實驗中的目標識別影像進行目標識別。與現有技術相比，本發明具有識別精度高、效率高等優點。

技術領域

本發明涉及圖像識別領域，尤其是涉及一種基于Faster-RCNN的測量標志自動提取方法。

背景技術

高速視頻攝影測量方法通過非接觸式測量的方式對具有高速運動特性的被測目標進行拍攝，通過對序列影像的動態分析，可以解析出被測目標在高速運動過程中的幾何、運動和形變等參數。其中目標點的選擇方式有兩種，一種為直接選取影像中明顯的特征點作為需要解析的目標點，該方式要求被測量對象紋理清晰，能夠準確的提取出特征點的像平面坐標，因此具有一定的使用局限性且解算精度不高，而且在對序列影像處理時不利于目標點的跟蹤；另一種方式是引入人工標志作為目標觀測點，將其粘貼在被測物的關鍵節點上，用于精確獲取人工標志的像平面坐標。人工標志的使用不僅能提高高速視頻影像攝影測量的速度和精度，而且還能提高人工標志點的自動識別和匹配，提高測量的自動化程度。但是由于引入了人工目標點，在處理過程中使用現有的特征點提取算法無法準確的對目標點進行提取，所以傳統的高速視頻攝影測量算法通過使用目標點人工識別這一手動處理的方式，對目標點進行提取這種方式由于人工的干預，解算效率大大減小。

目前主流的目標檢測算法主要是基于深度學習模型。Faster R-CNN針對R-CNN網絡中對興趣區特征提取時會有重復計算以及選擇性搜索算法找出所有的候選框耗時長的缺點，進行了改進，使得其能夠高效的進行目標定位與識別。

經過檢索，中國專利CN202010579892.0公開了一種基于FPGA的faster-RCNN目標檢測方法，該發明基于現有的深度學習網絡和計算機視覺技術，使用FPGA根據faster-RCNN模型進行深度定制，對faster-RCNN模型并行計算，精確識別物體以及解決識別速度慢的問題。但是該發明重點在于使用FPGA對faster-RCNN目標進行加速檢測，并沒有就高速視頻影像中的目標點識別進行分析考慮，此外該發明沒有采用目標點人工識別，直接選取影像中明顯的特征點作為需要解析的目標點，該方式要求被測量對象紋理清，具有一定的使用局限性，會對高速視頻影像攝影測量精度產生不利影響。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種基于Faster-RCNN的測量標志自動提取方法。

本發明的目的可以通過以下技術方案來實現：

一種基于Faster-RCNN的測量標志自動提取方法，該方法采用Faster-RCNN目標識別框架，對高速視頻測量系統中引入的人工標志點進行自動識別定位，所述方法包括如下步驟：

步驟1：對含目標點的高速相機影像進行數據集整理，包括樣本制作和樣本增強，形成訓練樣本集；

步驟2：采用基于Faster-RCNN目標識別框架對分類模型進行訓練；

步驟3：利用訓練后的分類模型對實驗中的目標識別影像進行目標識別。

優選地，所述目標點包括人工目標點。

優選地，所述人工標志點由白色圓和黑色背景組成。

優選地，所述樣本增強過程包括對樣本集進行擴充。

優選地，所述樣本集進行擴充包括對影像進行整體的平移、旋轉、縮放。

優選地，所述樣本集進行擴充還包括根據平移距離、旋轉角度、縮放尺度對目標點坐標進行相應變換。