(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210864872.7 (22)申请日 2022.07.21 (71)申请人 哈尔滨工程大 学 地址 150001 黑龙江省哈尔滨市南岗区南 通大街145号 申请人 青岛哈尔滨工程大 学创新发展中心 (72)发明人 郑岩　刘惊险　张勋　邢文　刘阳　 陈涛　徐健　吴迪　李本银　 (74)专利代理 机构 哈尔滨市松花江专利商标事 务所 23109 专利代理师 张换男 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/82(2022.01) G06V 10/422(2022.01)G06V 10/80(2022.01) G06V 10/75(2022.01) (54)发明名称 基于多维多通道卷积神经网络的形状分类 方法 (57)摘要 基于多维多通道卷积神经网络的形状分类 方法， 本发明涉及形状分类方法。 本发明的目的 是为了解决现有方法在小样本数据集下数据集 缺乏时， 因图像噪声造成图像轮廓不完整时的形 状分类准确率低问题。 过程为： 一、 计算轮廓角度 和轮廓单元曲度， 基于轮廓角度和轮廓单元曲度 进行轮廓角度编码与轮廓单元曲度编码； 基于轮 廓角度编码与轮廓单元曲度编码， 计算出在不同 尺度级下的描述子； 二、 建立训练集与测试集； 三、 建立多维多 通道网络模型； 四、 将训练集和测 试集输入多维多通道网络模型， 获得训练好的多 维多通道网络模型； 五、 将待测图像输入训练好 的多维多通道网络模型， 完成图像分类。 本发明 用于图像分类领域。 权利要求书5页 说明书10页 附图10页 CN 115170886 A 2022.10.11 CN 115170886 A 1.基于多维多通道卷积神经网络的形状分类方法， 其特 征在于： 所述方法具体过程 为： 步骤一、 计算轮廓角度和轮廓单元曲度， 基于轮廓角度和轮廓单元曲度进行轮廓角度 编码与轮廓单元曲度编码； 基于轮廓角度编码与轮廓单元曲度编码， 计算出在不同尺度级 下的描述子； 步骤二、 建立训练集与测试集； 步骤三、 建立多维多通道网络模型； 步骤四、 将训练集和测试集输入多维多通道网络模型， 获得训练好的多维多通道网络 模型； 步骤五、 将待测图像输入训练好的多维多通道网络模型， 完成图像分类。 2.根据权利要求1所述的基于多维多通道卷积神经网络的形状分类方法， 其特征在于： 所述步骤一中计算单元轮廓角度和轮廓单元曲度， 基于轮廓角度和轮廓单元曲度进行单元 轮廓角度编码与轮廓单元曲度编码； 基于单元轮廓角度编码与单元轮廓曲度编码， 计算出 在不同尺度级下的描述子； 具体过程 为： 给定一幅RGB图像， 将给定的RGB图像处 理为一幅二进制灰度图像； 一幅二进制灰度图像可以由一系列轮廓线组成； 因此一幅二进制图像可以被一系列采样点描述为Ω＝{pi＝(xi,yi),i＝1,2,3,..., N}， 其中， Ω为一幅二进制图像， pi为第i个采样点， xi,yi为采样点对应 的坐标， N为采样点 的总数量； 由于采样轮廓为封闭的曲线因此pN+i＝pi； 采样点以顺时针进行采样； 在轮廓线上取三点pi+1＝(xi+1,yi+1)， pi＝(xi,yi)， pi‑1＝(xi‑1,yi‑1)， 计算以pi＝(xi,yi) 点为角顶点， 与相邻二个点pi+1＝(xi+1,yi+1)和pi‑1＝(xi‑1,yi‑1)形成的角度， 即计算曲线内 三点所形成的单 元轮廓角度； 计算公式如下： 其中， ai为pi+1与pi两点之间的长度， bi为pi与pi‑1两点之间的长度， ci为pi+1与pi‑1两点之 间的长度， θi为曲线内三 点所形成的单 元轮廓角度； 基于公式(1)、 (2)、 (3)、 (4)计算后形成一个角度 序列{ θi}； 计算以pi＝(xi,yi)点为中心点， 与相邻二个点pi+1＝(xi+1,yi+1)和pi‑1＝(xi‑1,yi‑1)形成 的长度累加， 即计算曲线内三 点所形成的单 元轮廓曲度； 公式为： li＝ai+bi                          (5)权　利　要　求　书 1/5 页 2 CN 115170886 A 2其中， li为单个单 元轮廓曲度； 对li进行归一 化 其中， 为对单个单元轮廓曲度归一化后结果， min{ls}为所有点形成的单元轮廓曲度 的最小值， max{ls}为所有点形成的单 元轮廓曲度的最大值； 由上可定义单 元轮廓角度编码与单 元轮廓曲度编码为： 取轮廓采样点{p1,p2,...,pN}， 设每个尺度级为r， 在不同尺度级下轮廓采样点 坐标为： 其中， 为尺度级r下对应采样点的坐标； 由上述不同尺度级下轮廓点 坐标可以计算出在不同尺度级下的描述子为： 其中， 为尺度级r下的单元轮廓角度； 为尺度级r下的单元轮廓曲度， 为尺度级 r下的单元轮廓角度编码与单 元轮廓曲度编码。 3.根据权利要求2所述的基于多维多通道卷积神经网络的形状分类方法， 其特征在于： 所述步骤二中建立训练集与测试集； 具体过程 为： 获取数据集， 将数据集中70％为训练集， 3 0％作为测试集； 训练集中单个二进制图像中轮廓的采样点总个数为N， 其中每一次循环丢掉小部分连 续轮廓点， 剩余大部分的轮廓点作为全部轮廓； 所述丢掉小部分连续轮廓点占总个数N的5％、 10％和15％； 剩余大部分的轮廓点数为恒定值25 6； 其中， 每一 次循环丢掉小部分连续轮廓点， 剩余大部分的轮廓点作为全部轮廓； 具体过 程为： 训练集中单个二进制图像中先以第一个轮廓采样点为起点， 连续丢掉5％的轮廓采样 点， 剩余95％的轮廓采样点作为全部轮廓采样； 在以第一个轮廓采样点为起点， 连续丢掉 10％的轮廓采样点， 剩余90％的轮廓采样点作为全部轮廓采样点； 再以第一个轮廓采样点 为起点， 连续丢掉 15％的轮廓采样点， 剩余8 5％的轮廓采样点作为全部轮廓采样点； 以此类 推， 单个二进制图像中先以第N个轮廓采样点为起点， 连续丢掉5％的轮廓采样点， 剩余95％ 的轮廓采样点作为全部轮廓采样点； 在以第N个轮廓采样点为起点， 连续丢掉 10％的轮廓采 样点， 剩余90％的轮廓采样点作为全部轮廓采样点； 再以第N个轮廓采样点为起点， 连续丢 掉15％的轮廓采样点， 剩余85％的轮廓采样点作为全部轮廓采样点； 为适应网络模型输入数据的尺寸大小5 ×1×256， 单个二进制图像在丢失不同的轮廓权　利　要　求　书 2/5 页 3 CN 115170886 A 3