一种基于卷积神经网络的人形靶分割方法与流程

技术特征：
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。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prediction head网络用于生成位置偏移参数，类别置信度及mask的掩码系数，prediction head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prediction head网络之后利用fast nms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。

技术总结
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。正确的靶面数据。正确的靶面数据。


技术研发人员：徐晓刚 余新洲 陈雨杭 徐冠雷
受保护的技术使用者：浙江工商大学
技术研发日：2021.07.14
技术公布日：2021/11/14