[发明专利]一种基于边缘细化的伪装物体检测方法

权利要求书

1.一种基于边缘细化的伪装物体检测方法，其特征在于，包括如下步骤：

S1、利用各类伪装物体的原始图像来构建伪装物体图像数据集；

S2、构建伪装物体检测网络；

所述伪装物体检测网络包括特征提取模块、感受野模块、特征编码模块、特征解码模块以及边缘细化模块，其中，特征提取模块、感受野模块、特征编码模块、特征解码模块和边缘细化模块依次连接，感受野模块连接至边缘细化模块；

对于第一阶段：特征提取模块以原始图像作为输入，输出对应的一组特征，该组特征经感受野模块扩大搜索范围，再经特征编码模块和特征解码模块进行融合，特征解码模块输出初始的伪装图；

对于第二阶段：特征提取模块所获取到的特征中的较低层特征经感受野扩大搜索范围后，和初始伪装图同时作为边缘细化模块的输入，边缘细化模块输出最终的伪装图；

所述特征编码模块的处理过程如下：

首先，对扩大感受野范围的低层特征组进行双线性上采样，再进行卷积操作，表示为：

其中，UP(·)表示如果输入特征尺寸不一致，则进行双线性上采样操作,使尺寸为输入的最大尺寸；BConvN(·)是结合了标准的N×N卷积运算和批量归一化的顺序操作；为处理后的特征，每个特征也相应是一张特征图像；

然后，采用逐像素相乘的方法来增强特征图像中的公共像素，并且消除部分模糊像素，再将增强后的特征和特征拼接起来，得到携带了较丰富的上下文信息的特征

其中，Π表示逐元素累乘符号，表示通道间的拼接操作；

最后，对拼接后的特征采用残差的思想进行卷积操作，从而获得编码后的低层特征图

其中，ConvN表示标准的N×N卷积操作；表示逐元素加法操作，表示ReLU激活函数；

同理，对于扩大感受野范围的高层特征组按照上述过程完成特征编码操作，最终获得高层特征图

S3、训练模型：使用伪装物体图像数据集对构建的伪装物体检测网络进行迭代训练，该伪装物体检测网络将伪装物体检测任务分成两个阶段，第一阶段负责伪装物体检测，第二阶段负责细化伪装物体边缘，训练完成后得到伪装物体检测模型；

S4、测试模型：以待预测的伪装物体原始图像作为训练完成后的伪装物体检测模型的输入，利用该伪装物体检测模型输出对应的有区分出图像背景和伪装物体的伪装图。

2.根据权利要求1所述的伪装物体检测方法，其特征在于，特征提取模块的处理过程如下：

对于输入图像I∈R^H×W×3，利用ResNet50网络从输入图像提取出一组多尺度特征{x₁,x₂,x₃,x₄}，该组多尺度特征中的低级特征保留了用于构建物体边缘的空间信息，高级特征保留了用于定位目标的语义信息；

然后，将多尺度特征按层次划分为低级特征组L:{x₁,x₂,x₃}和高级特征组H:{x₂,x₃,x₄}，其中，x₁为低级特征，x₂,x₃为中级特征，x₄为高级特征。