[发明专利]一种生成深度学习样本的方法

权利要求书

1.一种生成深度学习样本的方法，其特征在于：包括以下步骤：

S1.采集纯色背景下拍摄的初始图像；

S2.从初始图像中获取到目标图像的位置及轮廓，并截取出目标图像；

S3.对截取出的目标图像进行数据增广，得到目标图像的初始数据集；

S4.从初始数据集中选取任一目标图像后，将当前目标图像随机放置于预设的背景图形中并进行泊松图形融合，然后记录当前目标图像在预设背景图像中的位置；

S5.重复步骤S4，形成深度学习的目标检测数据集。

2.根据权利要求1所述的生成深度学习样本的方法，其特征在于：所述的步骤S2中，首先计算初始图像的形态学梯度，接着进行阈值分割，然后获取到目标图像的位置及轮廓。

3.根据权利要求2所述的生成深度学习样本的方法，其特征在于：计算初始图像的形态学梯度时，根据公式：

dst(x,y)＝max{src(x-r:x+r,y-r:y+r)}-min{src(x-r:x+r,y-r:y+r)}；

其中，src为初始图像，src(x-r:x+r,y-r:y+r)为方形邻域，方形邻域的四个角坐标分别为(x+r，y+r)、(x-r，y-r)、(x+r，y-r)及(x-r，y+r)，dst(x,y)即为该方形邻域内的最大值与最小值的差。

4.根据权利要求1所述的生成深度学习样本的方法，其特征在于：所述的步骤S3中，进行数据增广时，对截取出的目标图像进行几何变换操作和/或像素变换操作；所述的初始数据集中的目标图像的数量为截取出的目标图像的数量的千倍以上。

5.根据权利要求4所述的生成深度学习样本的方法，其特征在于：所述的几何变换操作包括旋转操作、翻转操作、裁剪操作及仿射操作；所述的像素变换操作包括加噪操作、透视操作、亮度操作及对比度操作。

6.根据权利要求3所述的生成深度学习样本的方法，其特征在于：所述的步骤S4中，进行泊松融合时，步骤如下：

S41.分别计算背景图像的梯度与当前目标图像的梯度，其中，梯度包括x方向的x梯度及y方向的y梯度；

S42.在背景图像中随机选取放置当前目标图像的位置，将当前位置的背景图像的梯度替换成目标图像的梯度，得到初始融合图像的初始梯度mix_grad_x和mix_grad_y，然后将目标图像复制至当前位置，得到初始融合图像mix；

S43.通过迭代法对初始融合图像mix进行更新操作，当前后两次更新操作中初始融合图像mix的差值小于预设参数时结束更新操作，得到融合图像及其梯度，并记录融合图像及其梯度与当前目标图像在融合图像中的位置。

7.根据权利要求6所述的生成深度学习样本的方法，其特征在于：所述的步骤S41中，计算背景图像的梯度时，采用的公式为：

bg_grad_x＝filter(bg,k_x),k_x＝[0,-1,1]，bg_grad_y＝filter(bg,k_y),k_y＝[0；-1；1]，

其中，bg_grad_x是背景图像的初始x方向的梯度，bg_grad_y是背景图像的初始y方向的梯度，filter(*,*)是滤波操作；

计算目标图像的梯度时，采用的公式为：

obj_grad_x＝filter(obj,k_x)，obj_grad_y＝filter(obj,k_y)，

其中，obj_grad_x是目标图像的初始x方向的梯度，obj_grad_y是目标图像的初始y方向的梯度，filter(*,*)是滤波操作。

8.根据权利要求7所述的生成深度学习样本的方法，其特征在于：所述的步骤S43中，通过Jacobi迭代法对初始融合图像mix进行更新操作。

9.根据权利要求8所述的生成深度学习样本的方法，其特征在于：所述的步骤S43中，通过Jacobi迭代法对初始融合图像进行更新操作，具体如下：

S431.采用以下公式计算初始融合图像的散度lap：

lap＝filter(mix_grad_x,k_x)+filter(mix_grad_y,k_y)；

S432.结束更新操作时，前后两次更新操作中初始融合图像的差值需满足以下公式：

maxabsdiff(mix,premix)epsilon，premix＝(filter(mix,k)+lap)/4，

其中，epsilon为预设参数，k＝[0,1,0；1,0,1；0,1,0]，maxabsdiff(*,*)是求前后两次更新操作中初始融合图像的差值的最大值，并根据该最大值判断是否停止更新操作，premix为前次初始融合图像。