[发明专利]基于改进FasterR-CNN的岩画检测方法

权利要求书

1.一种基于改进Faster R-CNN的岩画检测方法，其特征在于：基于改进Faster R-CNN的岩画检测方法包括以下步骤：

步骤一，制作岩画数据集，采集岩画信息，并将岩画信息按照岩画的物种对岩画进行分类保存；

步骤二，数据集的采集与增强；

步骤三，利用空间金字塔池化；

步骤四，建立金字塔卷积模块；

步骤五，设计RoIAlign构造基于改进Faster R-CNN目标检测算法，通过空间金字塔池化，提取出岩画图像的多尺度特征，金字塔卷积模块利用不同类型的核进行信息互补，将原来的RoI Pooling替换成RoIAlign，构造出基于改进Faster R-CNN目标检测算法；

步骤一中，使用摄影设备寻找相关岩画信息并进行实地拍摄，并且在拍摄过程中，注意拍摄位置的光照，避免其他物体的遮挡，确保相机的准确对焦，调整拍摄距离的远近和拍摄角度，通过对岩画的图像进行提取；通过搜索引擎搜索相关图像并对其进行保存；对图像的数据进行筛除，之后对图像进行人工分类，按照物种进行分类并命名；

步骤二中，使用深度神经网络对岩画数据集进行训练，在训练阶段利用在线数据增强技术对训练集中的图像进行处理，生成等价的数据；

步骤二中具体使用的增强方法为：调整图像大小、翻转、归一化和填充；

步骤一中，岩画数据集按照VOC2007数据格式进行制作，首先，通过运行Python代码将获取到的图像全部转换为JPG格式的图像，并按照VOC2007数据集的图像命名要求进行统一批量重命名，之后创建名为JPEGImages的文件夹，将统一命名好的JPG格式的岩画图像全部放入；其次，创建名为Annotations的文件夹，该文件夹下存放标注岩画图像生成的XML文档，该文档包含了图像及图像中目标的相关信息，然后创建名为ImageSets的文件夹，并在该文件夹下新建Main文件夹，该文件夹下存放数据集按比例划分后的训练验证集、测试集、训练集和验证集的相关txt文档；采用LabelImg图像标注软件对岩画进行标注，用sheep、monkey_face、sun_spirit和human_face分别表示羊像、猴面像、太阳神像和人面像，标注完后岩画图像及图中目标的信息以XML文件格式进行保存，将产生的XML文件通过相应的代码按比例随机分配，其中训练集占整体数据集的十分之九，测试集占整体数据集的十分之一，之后再将训练验证集按照一定比例随机分配，其中训练集占训练验证集的五分之四，验证集占训练验证集的五分之一；

步骤三中，首先通过ResNet101对输入岩画图像进行处理，生成特征图，在ResNet101的卷积组的一层的输出后加入空间金字塔池化结构，对岩画图像的多尺度特征进行提取，池化操作输出大小计算公式：

式一中，W_i和H_i分别为输入的宽和高，池化核的大小记为f×f，S为步长大小，W_o和H_o分别为输出的宽和高，在上述公式中加入填充操作，并对步长的计算公式进行修正：

之后利用带有填充的池化操作输出大小计算公式：

式二中(P_W,P_h)为填充padding，size_w为空间金字塔池化核的宽度大小，size_h为空间金字塔池化核的长度大小，式三中，stride_w为步长宽度大小，stride_h为步长长度大小，式二和式三中的w、h分别为空间金字塔的宽度和长度，n为图像输出的宽度和长度，核的大小设置为3、5、7三种尺度，池化操作的步长设置为1并进行填充操作，之后将池化后的特征与原始特征进行合并；

步骤四中，在FPN后增加金字塔卷积模块，金字塔卷积从底部到顶部共两层，每层的输入为256，输出为128；第一层卷积核的空间大小为3×3，第二层卷积核的空间大小为5×5；每层使用了相同深度的卷积，其组数都设置了分组数64，即输入特征图被分成64组，每组独立的应用卷积进行计算，步长采用相同的大小，默认设置为1，第一层和第二层填充的大小分别设置为1和2；

将原来的RoIPooling替换成RoIAlign，其将取整操作替换成双线性插值，将RoI取得的特征和原图对齐。