[发明专利]一种基于卷积神经网络的人形靶分割方法

说明书

本发明公开了一种基于卷积神经网络的人形靶分割方法，属于计算机视觉识别领域，用以解决目前人形靶分割精度不高，人形靶识别分割速度慢及对复杂场景的适应能力较低的问题。方法包括：确定人形靶目标图像数据集，通过深度卷积网络提取图像特征，并利用得到的特征图构建FPN网络；将FPN网络特征同时输入一个分类网络及一个分割网络，两个网络并行执行；将两个网络的输出结果融合之后得到分割后的人形靶特征图，最后通过确定人形靶的位置信息，将人形靶区域从图像中截取出来，剔除背景的干扰，提高后续的弹孔检测速度与精度。该方法实现了快速高效且适应力强的人形靶分割，提高了人形靶分割精度及速度，为后续的打靶检测处理提供正确的靶面数据。

技术领域

本发明属于计算机视觉识别技术领域，尤其涉及一种基于卷积神经网络的人形靶分割方法。

背景技术

目前的自动报靶系统多采用基于图像处理的报靶原理，其中人形靶的分割是非常重要的一步。现有的人形靶分割技术多采用基于图像的颜色、纹理及形状特点通过传统的图像处理技术完成，对复杂场景的适应能力较低，靶面分割的精度还有待提升。并且粗糙的靶面分割会影响弹孔是否落在有效区域内的判断，从而导致报靶统计错误。

随着深度学习卷积神经网络的迅速发展以及计算机硬件的大幅提升，使得利用神经网络进行人形靶分割的技术得以实现。因此本发明提出一种基于卷积神经网络的人形靶分割方法，该方法能够有效区分人形靶区域与背景，并能快速将人形靶区域识别分割，为后续的打靶检测处理提供正确的靶面数据。

发明内容

为解决现有技术人形靶分割不准确，人形靶识别速度慢的问题，本发明提出了一种基于卷积神经网络的人形靶分割方法，该方法通过深度卷积网络提取图像特征，并利用得到的特征图构建FPN网络；将FPN网络特征同时输入一个分类网络及一个分割网络，两个网络并行执行；将两个网络的输出结果融合之后得到分割后的人形靶特征图，最后通过确定人形靶的位置信息，将人形靶区域从图像中截取出来，剔除背景的干扰，提高后续的弹孔检测速度与精度。其具体技术方案如下：

本发明首先提供了一种基于卷积神经网络的人形靶分割方法，其包括以下步骤：

1)将图像输入以ResNet101或ResNet50为Backbone的深度卷积网络中，依次提取图像特征层C1,C2,C3,C4和C5，其中C1为ResNet经过conv1卷积模块得到的特征层，C2为ResNet经过conv2_x卷积模块得到的特征层，C3为ResNet经过conv3_x卷积模块得到的特征层，C4为ResNet经过conv4_x卷积模块得到的特征层，C5为ResNet经过conv5_x卷积模块得到的特征层；

2)构建FPN网络，将图像特征层C5经过单次卷积得到P5，将图像特征层C4经过单次卷积，并将P5进行一次双线性插值法，将两者结果相加得到P4，将图像特征层C3经过单次卷积，并将P4进行一次双线性插值法，将两者结果相加得到P3，将P5进行卷积下采样得到P6，将P6进行卷积下采样得到P7；

3)将得到的图像特征层送入Protonet网络和Prediction Head网络，两个网络为并行网络；

4)将经过Protonet网络得到的原型掩码P(h×w×k)和Prediction Head网络得到的mask的掩码系数C(n×k)相乘，再将结果使用sigmod激活函数σ，得到图片中人形靶目标的mask为M，公式表示如下：

M＝σ(PC^T)

5)将得到的mask进行Crop操作，将边界外的mask清零，之后执行Cut操作，从图像中截取人形靶区域。

优选的，步骤3)具体为：

3.1)将P3送入Protonet网络用于生成原型掩膜，Protonet网络为若干层卷积网络，最终输出卷积层维度为138×138×k，其中k为生成的原型掩膜个数；