[发明专利]一种基于卷积神经网络的靶面弹着点的检测和定位方法

权利要求书

1.一种基于卷积神经网络的靶面弹着点的检测和定位方法，其特征在于，所述卷积神经网络包括依次连接的池化层、全连接层、分类器和回归器，其中，全连接层包括两层，分别记为H1层和H2层，H1层和H2层顺次连接，且每层都有1024个神经单元；所述检测和定位方法采用该卷积神经网络对靶面弹着点进行检测和定位，具体的，包括以下步骤：

步骤1，通过摄像头获得原始图像，然后对原始图像进行格式转换后得到用像素点阵列表述的目标图像，将该像素点阵列记为A，像素点阵列A的尺寸为M×N，M为长度，N为宽度；设像素点阵列A中包括n个像素点，将n个像素点中的任意一个像素点记为像素点A_j，j为像素点的序号，j＝1，2，...，n；

步骤2，设定一个预设亮度分界值B_ri，并以此为准，对像素点阵列A中n个像素点的亮度进行检测，得到一个候选矩形框集；

步骤2.1，检测像素点阵列A中n个像素点的亮度，得到n个像素点的亮度值，将像素点A_j的亮度值记为P_j，j＝1，2，...，n；

步骤2.2，将像素点A_j的亮度值P_j与预设亮度分界值B_ri进行对比，并作出以下判定：

若P_j≥B_ri，提取该像素点A_j为候选像素点；

若P_j＜B_ri，舍弃该像素点；

步骤2.3，按照步骤2.2的方法对像素点阵列A中n个像素点的亮度逐一进行判定，得到一个候选像素点阵列B，该候选像素点阵列B中包括m个候选像素点，m≤n；

步骤2.4，在候选像素点阵列B中的每一个候选像素点的外围构建矩形框，并将该矩形框记为候选矩形框，则得到一个候选矩形框集C，该候选矩形框集C中包括m个候选矩形框，将m个候选矩形框中的任意一个记为候选矩形框C_λ，λ为候选矩形框的序号，λ＝1，2...m；

步骤3，将步骤2得到的候选矩形框集C中的每一个候选矩形框通过池化层和全连接层；

步骤3.1，将候选矩形框C_λ通过池化层后，得到一个与候选矩形框C_λ对应的纬度值并记为候选纬度值W_λ，候选纬度值W_λ为16×256维向量；所述池化层采用空间尺度为4×4的池化方式；

步骤3.2，将步骤3.1获得的候选纬度值W_λ作为H1层的输入，从H2层输出一个与候选矩形框C_λ对应的特征向量并记为候选特征向量E_λ，候选特征向量E_λ为1×1024维向量；

步骤3.3，采用3.1和3.2对候选矩形框集C中m个候选矩形框进行相同操作，得到m个候选特征向量E_λ；

步骤4，基于分类器对步骤3得到的m个候选特征向量E_λ进行判定，得到选定矩形框；

步骤4.1，将步骤3得到的m个候选特征向量E_λ输入分类器，分类器输出与m个候选特征向量E_λ对应的m个候选特征向量值M_λ，λ＝1，2...m；

步骤4.2，预先设定一个阈值F，将步骤4.1得到的m个候选特征向量值M_λ按照λ的排序与阈值F进行比较：

若M_λ＜F，进行下一个候选特征向量值Mλ的比较；

若M_λ≥F，将与该候选特征向量值M_λ对应的候选矩形框C_λ记为选定矩形框S，并不再将其他候选特征向量值M_λ与预设阈值F进行比较，直接进入步骤5；

步骤5，将沿着靶面弹着点外围构建的矩形框记为目标矩形框D，基于回归器对选定矩形框S进行调整，定位目标矩形框D的位置；

步骤5.1，用回归向量T表达所述卷积神经网络中的回归器，其表达式为：

T＝{t_x，t_y，t_w，t_h}

其中，t_x为横坐标移动值，t_y为纵坐标移动值，t_w为宽度值，t_h为高度值；

用选定表征向量J表达选定矩形框S，其表达式为：

J＝{x_q，y_q，w_q，h_q}

式中，(x_q，y_q)为选定矩形框S的中心坐标，w_q为选定矩形框S的宽度，h_q为选定矩形框S的高度；

步骤5.2，将表征向量J输入回归器，输出即为目标矩形框D的特征向量，并记为目标表征向量K，目标表征向量K的表达式为：

K＝{x_p，y_p，w_p，h_p}

其中，(x_p，y_p)为目标矩形框D的中心坐标，w_p为目标矩形框D的宽度，h_p为目标矩形框D的高度，其计算公式分别如下：

x_p＝t_x×w_q+x_q

y_p＝t_y×h_q+y_q

该目标矩形框D对应的位置即靶面弹着点的位置。

2.根据权利要求1所述的一种基于卷积神经网络的靶面弹着点的检测和定位方法，其特征在于，所述卷积神经网络预先构建并训练完成，所述训练指的是利用损失函数对所述卷积神经网络进行训练，以获得池化层、全连接层、分类器和回归器的参数，所述损失函数的表达式如下：

Z_lof＝Z_tc+Z_rs

其中，

Z_lof为卷积神经网络的损失函数；

Z_tc为分类器的损失函数，其表达式为：

Z_rs为回归器的损失函数，其表达式为：

式中，s为选定矩形框S的选定表征向量J的值，d为经过回归器处理后的目标矩形框D的目标表征向量K的值。