[发明专利]基于特征融合和稠密连接网络的红外面目标实例分割方法

说明书

本发明公开了一种基于特征融合和稠密连接网络的红外面目标实例分割方法，采集并构建实例分割所需的红外图像数据集，获得原有已知的红外标签图像；对所述红外图像数据集作图像增强的预处理；对预处理后的训练集进行处理获得分类结果、边框回归结果和实例分割掩膜结果图；使用随机梯度下降法在卷积神经网络中根据预测损失函数进行反向传播，并更新卷积网络的参数值；每次选取固定数量的红外图像数据训练集送入网络进行处理，重复对卷积网络参数进行迭代更新，直至最大迭代次数完成对卷积网络的训练；对测试集图像数据进行处理，获取实例分割的平均精度和所需时间，以及最终实例分割结果图。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于特征融合和稠密连接网络的红外面目标实例分割方法。

背景技术

目标实例分割是对图像中的每个像素点，给出该像素点的实例类别，并预测类别标签和像素级实例掩码以定位图像中不同数量的实例。对图像进行实例分割可以获取图像的目标信息，更好的理解图像的高层次内容和代表的信息，实例分割是最重要、最具挑战性的任务之一，对图像中特定目标的定位、图像搜索、自动驾驶中道路场景的识别和视频监控等很有用，在实际应用中具有很高的实用价值。实例分割现有的基本思路都是目标检测加上语义分割来进行对个体的分割。

目前，主要的目标检测方法可以大致分为两类，一类是基于传统机器学习的目标检测方法，一类是基于深度学习的目标检测方法。在深度学习流行之前，基于传统的机器学习的方法都是首先通过人工设计的特征提取器，将其送入分类器中进行分类。代表性的有：1、方向梯度直方图(Historgram of Oriented Gradient,Hog)+支持向量机(SVM)；2、Harr+abdboost分类器；3：基于可形变的组件模型(DPM)。但基于传统机器学习的目标检测算法的检测性能很大依赖于特征提取器设计的优劣，鲁棒性和适应性较差。

近年来，由于深度学习在计算机视觉和自然语言处理上的卓越表现，卷积神经网络在计算机视觉基础任务上获得的突出成就，使得深度学习在目标检测等计算机视觉任务上获得更为广泛的应用。目前，检测精度最高的目标检测算法都是基于卷积神经网络。

基于深度学习的目标检测方法大致思想为：使用卷积神经网络通过卷积层、池化层以及改良的网络结构提取目标的特征，送入全连接层进行目标分类和坐标位置回归，所得到的预测值与真实的标定信息进行对比，计算损失函数，通过随机梯度下降的方法，更新网络提取的特征卷积参数，使其更符合实际情况。不断重复训练，直到达到预期的检测效果。

Jonathan Long,Evan Shelhamer和Trevor Darrell在其发表的论文“FullyConvolutional Networks for Semantic Segmentation”(《arXiv》1411.4038)中提出了一种基于深度学习的目标语义分割方法，简称全卷积网络—FCN。FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层输出的特征图进行上采样，使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测，同时保留了原始输入图像中的空间信息，最后在上采样的特征图上进行逐像素分类。但是网络使用的上采样的结果还是比较模糊和平滑，对图像中的细节不够敏感。

发明内容

为了解决现有技术中的上述问题，本发明提供了一种基于特征融合和稠密连接网络的目标实例分割方法。

为达到上述目的，本发明的技术方案是这样实现的：

本发明实施例提供一种基于特征融合和稠密连接网络的红外面目标实例分割方法，该方法通过以下步骤实现：

步骤(1)采集并构建实例分割所需的红外图像数据集，在包含所需分割目标的红外图像数据集中标定所需分割目标的像素级轮廓与种类，获得原有已知的红外标签图像；

步骤(2)对所述红外图像数据集作图像增强的预处理，并分为训练集和验证集两部分；