[发明专利]一种基于边沿检测的伪装目标检测方法

说明书

本发明公开了一种基于边沿检测的伪装目标检测方法，包括：将待检测伪装图像进行分层标注，将分层标注后的待检测伪装图像输入构建并已训练好的伪装目标检测网络模型，伪装目标检测网络模型完成伪装目标的检测；其中伪装目标检测网络模型包括主干网络、RF模块、EF模块、SA模块以及PDC模块；主干网络提取待检测的伪装图像的多尺度特征图，并对多尺度特征图采用稠密连接策略来保存不同特征层的信息；稠密连接的多尺度特征输入RF模块，利用RF模块扩大感受野；本发由于额外增强边沿特征的思想，能够进一步突出伪装的显著性目标并且细化边沿特征，这有利于提高伪装目标检测的能力，拓展了本发明的使用场景。

技术领域

本发明涉及伪装目标检测技术领域，具体涉及一种基于边沿检测的伪装目标检测方法。

背景技术

“伪装者”通过伪装自己捕食或者伪装掩藏自身、保护自己。由于伪装者与周边的背景环境极为相似，因此一般的目标检测算法以及显著性目标检测算法，都无法检测出伪装的目标。原因如下：1、目标检测算法在通常情况下使用COCO数据集对算法模型进行训练，由于训练集中的样本越多，算法的鲁棒性越好，检测和识别的功能越强。而COCO数据集中只有极少部分的目标与周边环境极为相似，因此算法模型缺少了标签信息的指导，目标检测算法基本不具备检测伪装目标的功能。2、通用的显著性目标检测算法是用于检测的图像中一个或多个吸引人注意的目标，而伪装目标检测算法是用于检测经过伪装后的目标，只有通过仔细辨别才能够检测到目标，因此显著性目标检测算法从设计目的、以及原理就与伪装目标检测算法不一致。3、在卷积神经网络中池化、下采样等操作在对图像进行缩小时会丢失一部分的像素点，而这些像素点会包含一部分的边沿特征，而边沿特征的丢失会导致目标与背景衔接，算法无法将目标从背景环境中分离。综上所述，现有算法检测伪装目标的能力有待提高。

发明内容

本发明的目的是为了克服以上现有技术存在的不足，提供了一种提高伪装目标检测的能力的基于边沿检测的伪装目标检测方法。

本发明的目的通过以下的技术方案实现：

一种基于边沿检测的伪装目标检测方法，包括：将待检测伪装图像进行分层标注，将分层标注后的待检测伪装图像输入构建并已训练好的伪装目标检测网络模型，伪装目标检测网络模型完成伪装目标的检测；其中伪装目标检测网络模型包括主干网络、RF模块、EF模块、SA模块以及PDC模块；主干网络提取待检测的伪装图像的多尺度特征图，并对多尺度特征图采用稠密连接策略来保存不同特征层的信息；稠密连接的多尺度特征输入RF模块，利用RF模块扩大感受野；EF模块提取待检测的伪装图像的边沿特征和检测特征，并将边沿特征E以及检测特征S融合、输出；SA模块消除检测特征的无关特征干扰，增强主干网络的中间特征层L3；最后PDC聚合不同层的特征，完成伪装目标的检测。

优选地，将待检测伪装图像进行分层标注包括：根据待检测伪装目标图像的类别、包围盒、属性对各类别伪装目标图像进行分层标注。

优选地，构建并训练伪装目标检测网络模型包括：

S11，将预先采集的各类别伪装目标图像进行分层标注，得到伪装图像数据集；将伪装图像数据集划分为训练集和测试集；

S12，构建伪装目标检测网络模型；

S13，使用训练集对已构建的伪装目标检测网络模型进行训练；

S14，使用测试集对已训练的伪装目标检测网络模型进行测试。

优选地，主干网络包括L1，L2，L3,L4-1,L4-2,L5-1,L5-2，其中，L4-1和L4-2、L5-1和L5-2均为并行结构。

优选地，RF模块包括五条并行的分支结构，每条分支结构在操作之前都经过尺寸为(1，1)的卷积，前三条并行分支分别经过膨胀系数为Dk＝k的膨胀卷积之后与第四条并行分支拼接，拼接后的结果经过尺寸为(1，1)的卷积与第五条并行分支相加，得到最后的输出，k＝3，5，7。