[发明专利]基于改进FasterR-CNN的岩画检测方法

说明书

一种基于改进Faster R‑CNN的岩画检测方法，包括以下步骤：制作岩画数据集，采用摄影设备拍摄岩画信息，并将岩画信息按照岩画的物种对岩画进行分类保存；数据集的采集与增强；利用空间金字塔池化；建立金字塔卷积模块；设计RoI Align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RoI Align，构造出基于改进Faster R‑CNN目标检测算法。本发明相比于Faster R‑CNN目标检测算法实现了识别精度和检测性能的提升，改进后的算法回归的边界框将羊像更完整的包含在内，置信度由0.69增加到了0.96，改进后的算法没有产生误检，生成的边界框将羊像完整地包含且置信度高达0.99。

技术领域

本发明涉及深度学习的目标检测算法领域技术领域，具体地，涉及一种基于改进Faster R-CNN的岩画检测方法。

背景技术

贺兰山岩画是人类祖先留给后人的宝贵文化遗产，具有巨大的人文价值。贺兰山岩画大部分是使用石材工具或者金属器具凿刻在石壁上，因此前景和背景的区分度较低；因为贺兰山连绵不绝，北起石嘴山，尾抵中卫，贺兰山岩画分布在不同地方的山石之上，这里先后有很多古代少数民族在此游牧、狩猎，不同地区、不同民族、不同时期的人们对于同一事物的看法和认知不同，并且作画工具和手法也各不相同；贺兰山岩画历史悠久，并且制作在裸露的岩壁之上，长期面临着风吹雨打、盐碱侵蚀和自然灾害等破坏，导致岩画内容不完整，有残缺。传统的贺兰山岩画检测是依靠人力通过目视来完成，这就要求相关人员具有很强的专业性，并且人为的一张张检测耗时较长、效率低下。

在对贺兰山岩画进行目标检测识别之前，通过网络查阅相关资料发现，现有的公开的数据集当中，没有和贺兰山岩画相关的数据集。

为了减轻人力识别的劳动强度，为了给保护岩画争取更多的时间，为了使岩画资料更加精准的保存下来，文章将基于深度学习的目标检测算法应用于贺兰山岩画的检测中，一方面利用深度学习较强的学习能力和表征能力提高检测的准确率，另一方面利用计算机较强的运算能力解放人力并且加速检测的进程。

近些年来，随着卷积神经网络(Convolutional Neural Networks，CNN) 的不断发展以及计算机相关硬件设备计算和存储等能力的提升，深度学习有了突破性的进展，基于深度学习的目标检测算法取得了良好的效果和性能，渐渐取代了传统的目标检测算法，成为了该领域的主流算法。基于深度学习的目标检测算法主要分基于候选区域的目标检测算法(即两级目标检测器)和基于回归的目标检测算法(即单级目标检测器)。

2014年，Ross Grishick等人提出了R-CNN(Region based CNN)算法，该算法是将深度学习引用到目标检测领域的开山之作。

R-CNN算法选择性搜索和CNN对输入的待检测图像进行候选区域生成和特征提取，之后分别使用SVM分类器和回归器对目标的类别和位置进行分类和回归。在VOC2007数据集上R-CNN的平均精度均值达到了 58.5％，其检测效果大大超过了传统的目标检测算法。但是，由于R-CNN 对所有候选区域分别使用CNN进行提取特征，导致计算量大、耗时严重。此外，R-CNN中的全连接层要求输入固定维度大小，因此，对输入图像进行了裁剪和扭曲，这对检测的精度造成了一定影响。

2015年Kaiming He等人提出了SPP-Net，该网络仅对输入的整张待检测图像进行一次卷积操作，然而，在训练阶段SPP-Net的候选区域生成、特征提取、特征分类和边界框回归这些步骤是独立的，需要分别训练，导致训练繁琐、耗时久。