[发明专利]重叠遮挡的目标物的分割识别方法及系统

权利要求书

1.一种重叠遮挡的目标物的分割识别方法，其特征在于，包括：

获取待识别的图像，所述待识别的图像包括含有被遮挡物遮挡的目标物；其中，遮挡目标物的所述遮挡物与目标物为同一种物体；

采用被遮挡目标物识别模型识别所述待识别图像中的被遮挡物遮挡的目标物是否为与所述遮挡物相同的物体，其中，训练所述被遮挡目标物识别模型时使用遮挡感知的双层GCN网络，对遮挡区域进行建模，由训练样本训练获得；所述训练样本包括：多个被遮挡物遮挡后的目标物图像，以及标注该图像中被遮挡物遮挡后的目标物为与所述遮挡物为同一种物体的标签。

2.根据权利要求1所述的重叠遮挡的目标物的分割识别方法，其特征在于，所述被遮挡目标物识别模型由训练样本训练获得，包括：

获取多个被遮挡物遮挡后的目标物图像；

提取目标物图像特征，并进行语义信息和位置信息的多尺度特征融合；

对融合后的特征使用自适应样本选择法ATSS来区分遮挡物样本和被遮挡物遮挡的目标物样本，得到遮挡物样本区域，并根据遮挡物样本的类别和位置预测获取检测框；

将提取到的特征图与检测框相结合，检测框所对应的特征即为感兴趣区域ROI特征；

根据ROI特征，获得遮挡物特征，将遮挡物特征ROI特征进行融合，得到融合后的遮挡感知特征，根据融合后的遮挡感知特征，获取被遮挡物遮挡的目标物特征；

根据遮挡物特征和被遮挡物遮挡的目标物特征，分别计算边界检测损失函数和掩模预测分割损失函数，来训练遮挡模型检测边界与掩模，梯度反向传播，使用Swish激活函数，更新参数，对遮挡模型进行迭代，得到最终的被遮挡目标物识别模型。

3.根据权利要求2所述的重叠遮挡的目标物的分割识别方法，其特征在于：

使用无锚框目标检测模型FoveaBox的ResNet-50网络，对目标物图像进行特征提取；

利用特征金字塔网络，将提取的特征进行语义信息和位置信息的多尺度特征融合；

利用FoveaBox的头部网络，对融合后的特征使用自适应样本选择法ATSS来区分遮挡物样本和被遮挡物遮挡的目标物样本，得到遮挡物样本区域，并根据遮挡物样本的类别和位置预测获取检测框。

4.根据权利要求2所述的重叠遮的挡目标物的分割识别方法，其特征在于，

使用单反相机，采集实际环境下不同角度和光照条件下的存在多种被遮挡物重叠遮挡情况的目标物图像；

对采集的图像数据进行筛选和预处理，使用Mosaic方法，以任意四张图像组合成一张的形式对数据进行扩充；

制作数据集。

5.根据权利要求2所述的重叠遮挡的目标物的分割识别方法，其特征在于，获取被遮挡物遮挡的目标物特征包括：

通过点积运算提出每两个图结点之间的成对相似性，使用softmax函数来构建邻接矩阵；

每个图结点代表特征图中的单个像素，针对表示结点相邻关系的邻接图，进行图卷积神经网络GCN的图卷积操作；

将ROI特征输入到第一个GCN中，获得遮挡物的特征，将其与ROI特征进行融合，得到融合后的遮挡感知特征并作为第二个GCN的输入，获取被遮挡的目标物的特征。

6.根据权利要求5所述的重叠遮挡的目标物的分割识别方法，其特征在于，通过使用第一个GCN层检测遮挡果实的轮廓和掩模来建模遮挡区域；

分别计算边界检测损失函数和掩模预测分割损失函数，来训练遮挡模型检测边界与掩模；

通过梯度反向传播，使用Swish激活函数，更新参数，对模型进行迭代；

第一个GCN层进行遮挡物边界和掩模分割的预测；

利用第一层GCN提供的遮挡物的边界和掩模信息信息，进行被遮挡目标物的边界和掩模分割的预测；

分别将两层遮挡物和被遮挡物的预测边界与预测掩模相结合，获得目标物分割结果。