[发明专利]一种图像处理方法、目标识别模型训练方法和目标识别方法

权利要求书

1.一种图像处理方法，其特征在于：包括以下步骤：

提取待处理图像的边缘特征，得到梯度先验图Fg；

提取待处理图像的纹理特征，得到纹理特征图Fv；

提取待处理图像的结构特征，得到结构特征图Fs；

将梯度先验图Fg、纹理特征图Fv和结构特征图Fs进行Concat拼接，得到多特征拼接图Fc；

对多特征拼接图Fc进行卷积融合操作，得到多特征融合图Ff；

对待处理图像进行结构特征提取时采用以下步骤：

S11：对待处理图像进行1次卷积操作，得到卷积层s1；

S12：对卷积层s1进行两次连续m-1次的卷积操作，分别得到卷积层s2、卷积层s3、……、卷积层sm和卷积层s2＇、卷积层s3＇、……、卷积层sm＇；

S13：将步骤S12中的卷积层sm与卷积层sm＇通过Concat拼接，得到卷积层sm+1；

S14：将步骤S13中的卷积层sm+1与步骤S12中的卷积层sm-1＇、卷积层sm-2＇、……、卷积层s2＇通过Concat连续拼接，最终得到卷积层s2m-1；

S15：将S11中的卷积层s1与步骤S14中的卷积层s2m-1通过Concat拼接，得到卷积层s2m，并对卷积层s2m进行一次卷积操作，得到Fs。

2.根据权利要求1所述的一种图像处理方法，其特征在于：采用梯度变换算法提取待处理图像的边缘特征，梯度变换算法提取边缘特征的方法为：

设f(x,y)为待处理图像上(x,y)点的灰度值，G(x)为待处理图像x方向上边缘检测的图像灰度值，G(y)为待处理图像y方向上边缘检测的图像灰度值，a为G(x)的卷积因子，b为G(y)的卷积因子，则梯度先验图Fg上每个像素点的图像灰度值为：

通过每个像素点的灰度值来呈现梯度先验图Fg上的边缘特征。

3.根据权利要求2所述的一种图像处理方法，其特征在于：对待处理图像进行纹理特征提取时采用以下步骤：

S1：对待处理图像进行连续n次卷积操作，依次得到卷积层v1、卷积层v2、……、卷积层vn；

S2：再对卷积层v1进行一次卷积操作，得到卷积层v1＇；

S3：将卷积层vn与卷积层v1＇通过相加运算得到纹理特征图Fv。

4.根据权利要求3所述的一种图像处理方法，其特征在于，所述步骤S1中，对待处理图像进行第一次卷积操作，得到卷积层v1时卷积核为3*3的矩阵，所述步骤S2中卷积操作的卷积核为5*5的矩阵。

5.根据权利要求1所述的一种图像处理方法，其特征在于，所述步骤S15中对卷积层s2m的卷积操作采用卷积核为1*1的矩阵。

6.一种目标识别模型训练方法，其特征在于，包括以下步骤：

S21：将地质雷达检测获得的若干图像进行裁剪得到隧道扫描图I；

S22：将隧道扫描图I作为待处理图像经过权利要求1-5中任一项的图像处理方法处理得到多特征融合图Ff；

S23：将多特征融合图Ff进行下采样操作，得到对应的下采样特征图Ff＇；

S24：在Ff和Ff＇上选择不同长宽比的先验框，并将每个先验框在Ff和Ff＇图中所处位置信息和对应异常状态类型作为标签进行标记；

S25：将带有标签的先验框作为训练样本输入预识别模型进行训练，得到目标识别模型。

7.根据权利要求6所述的一种目标识别模型训练方法，其特征在于，所述预识别模型为机器自学模型，包括卷积神经网络、深度神经网络、反馈神经网络中的一种或多种组合。

8.根据权利要求6所述的一种目标识别模型训练方法，其特征在于，所述步骤S23中多特征融合图Ff进行下采样一倍的操作得到Ff＇。

9.一种目标识别方法，其特征在于，包括以下步骤：

接收待处理图像；

利用目标识别模型识别所述待处理图像中的目标对象；其中，所述目标识别模型利用权利要求6-8中任一项所述的目标识别模型训练方法预先训练得到。