[发明专利]一种基于多目标检测的图像数据处理方法及装置

说明书

本发明公开了一种基于多目标检测的图像数据处理方法及装置，所述方法包括获取图像，对图像进行预处理，经过基础卷积神将网络提取图像特征，得到图像的特征图；将特征图经过预先构建的区域建议网络产生大量默认的建议框，对特征图和建议框进行分类；基于面积的非极大值抑制算法，对分类后的建议框进行去重，完成处理，本发明通过自适应预处理算法以提高图像的亮度和对比度以及对复杂环境图像的适应性；基于面积的A‑NMS算法以解决单目标多检测框的问题以提高算法对微小特征差异的判别能力；以及采用切分检测方法提升了算法对小目标的识别能力，降低了远景目标的漏检率，获得了更准确的对复杂背景下航拍图像中多目标的故障检测。

技术领域

本发明涉及一种基于多目标检测的图像数据处理方法及装置，属于数据处理技术领域。

背景技术

电力安全是国家经济平稳运行的保障。由于输电线路长期暴露在野外，环境恶劣，需定期对输电线路进行巡检以查找出故障或隐患部件进行及时更换。目前传统的人工巡线方式已逐渐被无人机和监控摄像头所替代，电力工作者无需亲临巡线，而只需在监控室里进行图片的识别。面对海量的回传图像，纯粹的人工识别又将消耗大量的人力和精力，因此如何利用计算机技术实现故障的自动识别是当前研究人员的热门课题。

早期的研究人员大多利用传统的图像识别和机器学习方法对无人机拍摄到的高压输电线路的图片进行数据挖掘，然后对挖掘得到的信息作出故障定位和检测。以绝缘子为例，孙晋等利用绝缘子的外观特性提出了斜坡模型，用该模型在图像上进行匹配，将符合模型特点的区域认定为绝缘子；张凤羽等提取图像的HSV色彩空间中的H分量图像进行轮廓匹配，赵俊梅等利用像素统计法对绝缘子图像进行二值分割，将绝缘子凸显为目标，然后提取灰度共生矩阵、不变距以及小波系数等纹理特征对绝缘子进行描述。在得到特征向量之后，搭建神经网络模型，如RBF神经网络或者BP神经网络进行故障判别。以上所采取的模型或算法仅针对某一类目标进行特定设计，无法同时识别多种目标。而且在目标与环境融为一体的复杂背景下，算法在分割前景与背景时效果不佳，适应性不足。

深度学习理论最早由Hinton等人在2006年提出，经过多年的发展，在卷积神经网络(CNN)和目标检测领域取得了巨大突破。王万国等利用无人机巡检图像，以常见的电力部件为目标，分别测试了多种目标检测算法对部件定位与分类的效果，达到了92.7％的正确率，但没有实现故障判别。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种基于多目标检测的图像数据处理方法及装置，解决上述问题。

为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了一种基于多目标检测的图像数据处理方法，包括：

获取图像，对图像进行预处理，经过基础卷积神将网络提取图像特征，得到图像的特征图；

将特征图经过预先构建的区域建议网络产生大量默认的建议框，对特征图和建议框进行分类；

基于面积的非极大值抑制算法，对分类后的建议框进行去重，完成处理。

进一步的，所述对图像进行预处理包括：将图像的亮度和对比度调整到合适的区间。

进一步的，所述将图像的亮度和对比度调整到合适的区间，包括：

使用图像中像素的标准差来表示对比度，公式如下：

其中表示图像的像素均值，这里X∈R^r×c×3，表示X是一张长为r，宽为c的3通道彩色图像；

采用OTSU算法找到前景和背景的最佳分割点，找到一个灰度级T，使前景和背景的类间方差最大，使用灰度级图像，遍历从0到255共256个值，找到最佳分割点T，利用式(2)和式(3)分别求出大于分割点的所有像素均值m₀和小于分割点的所有像素均值m₁：