一种基于卷积神经网络的人形靶分割方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113642608A(43)申请公布日2021.11.12(21)申请号202110797637.8(22)申请日2021.07.14(71)申请人浙江工商大学地址310018浙江省杭州市下沙高教园区学正街18号(72)发明人徐晓刚余新洲陈雨杭徐冠雷(74)专利代理机构杭州求是专利事务所有限公司33200代理人郑海峰(51)Int.Cl.G06K9/62(2006.01)G06K9/34(2006.01)G06N3/04(2006.01)G06T7/194(2017.01)权利要求书1页说明书4页附图2页(54)发明名称一种基于卷积神经网络的人形靶分割方法(57)摘要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。CN113642608ACN113642608A权利要求书1/1页1.一种基于卷积神经网络的人形靶分割方法，其特征在于，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PredictionHead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PredictionHead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(PCT)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。2.根据权利要求1所述的一种基于卷积神经网络的人形靶分割方法，其特征在于，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；3.2)将P3‑P7送入PredictionHead网络用于生成位置偏移参数，类别置信度及mask的掩码系数，PredictionHead网络采用共享卷积网络结构设计，经过若干卷积操作之后对同一网络特征层分别进行三类卷积，得到对应的位置偏移参数W×H×4a、类别置信度W×H×ca及mask掩码系数W×H×ka；3.3)通过PredictionHead网络之后利用FastNMS筛选得到最优的ROI，首先对每个类别的前n个检测框计算一个c×n×n的IoU矩阵X，并对每个类别按置信度降序排序，得到n×n的对角矩阵，删除矩阵X的下三角和对角线元素，公式为：并取剩余每列的最大值，公式为：将K与阈值t比较，当K<t时，保留该检测框，若K≥t，则删除该检测框。2CN113642608A说明书1/4页一种基于卷积神经网络的人形靶分割方法技术领域[0001]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[0002]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。[0003]随着深度学习卷积神经网络的迅速发展以及计算机硬