[发明专利]一种基于深度神经网络的靶心定位方法及系统

说明书

本发明公开了一种基于深度神经网络的靶心定位方法及系统，包括：建立与预设对象匹配的仿真模型，得到仿真图像数据；采集预处理后的真实图像数据；对仿真图像数据和真实图像数据做数据增强处理，得到数据集；训练深度神经网络；将数据集输入训练后的深度神经网络，得到目标类别判定与目标区域判定结果；筛选目标类别判定与目标区域判定结果得到圆孔目标；提取圆孔目标对应的区域内每个像素点的图像坐标；计算圆孔目标区域像素点横纵坐标的平均值，得到预设对象靶心的图像位置坐标。本发明解决了当前基于传统图像处理技术方法在低清晰度图像难以定位、倾斜角度拍摄图像难以识别的问题。

技术领域

本发明涉及计算机视觉应用领域，具体地，涉及一种基于深度神经网络的靶心定位方法及系统。

背景技术

在实际的生产过程中，存在着大量无法用接触式方式测量的目标。特别是在恶劣的工业环境中，一些运动目标是无法用常规传感器测量的，所以采用非接触式的方式实时测量运动目标是目前研究的热点之一。近年来CCD图像传感器已在航空航天，卫星侦察，遥感遥测，光学图像处理等领域得到广的应用。基于DIM硬件设备基础的靶心识别是当前图像识别领域亟待解决的问题之一。

当前识别方法在低清晰度、复杂背景的图像上使用边缘检测算法难以精准地检测出目标的边缘，进而难以定位靶心。其次，由于拍摄角度的不同，目标形状会变化，难以通过单一规则判断。基于以上限制，目前难以做到全自动靶心识别，必须依赖人工处理，效率低且侦察结果一致性较差。

随着深度学习技术的迅速发展，在语音识别、图像识别等领域已经有成熟应用案例。实时数字摄影测量的关键技术之一就是二维图像的实时处理。因此利用深度学习技术实现自动图像目标检测与识别成为可能。

发明内容

本发明针对真实复杂情况下的图像，提供了一种基于深度神经网络的靶心定位方法及系统，旨在解决当前基于传统图像处理技术方法在低清晰度图像难以定位、倾斜角度拍摄图像难以识别的问题。

因真实场景下的数据采集难度较大，图像质量较低，直接使用神经网络模型定位靶目标效果较差。本发明使用创建仿真图像数据的方式，增大神经网络模型的训练样本量，从而达到提升神经网络模型性能和模型的泛化能力。

为实现上述发明目的，本发明一方面提供了一种基于深度神经网络的靶心定位方法，包括：

步骤1采集仿真图像数据：

步骤1.1创建3D柱形靶模型，柱形靶模型上下底面均为椭圆形，且上下底面上均有圆孔，而柱身为细长型圆柱；

步骤1.2设置光源照向柱形靶模型，光源类型使用点光源或自然光源；使用光源的目的是为了模拟黑暗场景下所观测到的目标形状与特征，光照方向射向目标；

步骤1.3设置柱形靶模型材质，使之呈现金属材质质感；

步骤1.4设置不同视点观察柱形靶模型，并截取图像得到不同角度的二维图像；

步骤1.5为步骤1.4得到的图像分别添加高斯噪声、泊松噪声、椒盐噪声、乘性噪声。

步骤2数据预处理与数据增强：

步骤2.1对标注后的真实图像数据使用直方图均衡化，通过均匀图像的灰度值分布达到增强对比度的效果；

步骤2.2将真实图像数据进行上下翻转、左右翻转、调节图片明暗度等方式进行数据增强，扩充数据集；

步骤2.3将仿真图像数据进行上下翻转、左右翻转、调节图片明暗度等方式进行数据增强，扩充数据集。

步骤3网络模型学习：

步骤3.1使用ResNext网络提取图像的特征，分别提取第一特征向量，第二特征向量，第三特征向量，第四特征向量；