[发明专利]一种基于边界交替引导的伪装物体检测方法

说明书

本发明公开了一种基于边界交替引导的伪装物体检测方法包括：构建基于边界交替引导的伪装检测模型，增加初始定位模块提取骨干网络多尺度深层特征，得到伪装物体的粗略定位图；增加多尺度感受野模块扩大粗略定位图的感受野提升语义信息提取能力；增加边界交替引导模块逐层提取区域图和边界图并彼此进行约束细化得到精确的伪装物体预测图；本发明能够在相似背景下精确的定位到伪装物体，而且基于边界交替引导的结构能够利用边界约束得到更圆滑的伪装物体预测图，也能够利用预测图约束边界得到连续清晰的边界图，有效提高了伪装物体检测的精度。

技术领域

本发明属于计算机视觉与数字图像处理领域，具体为一种基于边界交替引导的伪装物体检测方法。

背景技术

自然界中，伪装是一项能够让生物与背景融为一体，避免遭受天敌袭击的重要技能。伪装物体检测旨在识别与周围环境相似度极高的物体。伪装物体与背景的低对比性能够极大的欺骗人类的视觉系统，因此，伪装物体检测比传统显著性检测更有挑战性。

近年来，许多基于颜色、纹理特征的算法被提出运用于伪装物体检测。当伪装物体颜色与背景颜色相似时，用纹理特征来区分伪装物体与背景；当伪装物体纹理与背景纹理相似时，用颜色特征来区分伪装物体与背景。但是这种方法的局限性在于不适用于所有伪装物体检测，比如纹理和颜色都相似的任务。

受人类视觉特性启发，用神经网络从广泛的训练图像中学习到的特征来提取伪装物体，具有普适性。其中效果较好的方法有边界融合方法，但是现有的目标物体检测模型大多采用边界融合进行目标物体的提取(如EGNet，SCRN等)，但是此类方法仍然存在以下弊端：缺乏区域对于边界的进一步细化，可能导致边界的模糊以及缺失，引导模型学习错误的目标区域。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有文本检测过程中存在的问题，提出了本发明。

因此，本发明解决的技术问题是：目前的目标物体检测模型缺乏区域对于边界的进一步细化，会导致边界的模糊以及缺失，甚至引导模型学习错误的目标区域的问题。

为解决上述技术问题，本发明提供如下技术方案：一种基于边界交替引导的伪装物体检测方法，包括：

构建基于边界交替引导的伪装检测模型，在骨干网络的基础上，增加并使用初始定位模块提取骨干网络多尺度深层特征，得到伪装物体的粗略定位图；

增加并使用多尺度感受野模块扩大粗略定位图的感受野提升语义信息提取能力；

增加并使用边界交替引导模块逐层提取区域图和边界图并彼此进行约束细化得到精确的伪装物体预测图；

进行模型训练，将待检测图像输入所述伪装检测模型，采样至原始图像大小，构建损失函数计算各预测图和真实标注图的误差，并反向传播更新所述伪装检测模型；

进行模型检测，将待检测图像输入至更新后的伪装检测模型，预测其对应的伪装物体预测图，并输出最终伪装物体预测图。

作为本发明所述的基于边界交替引导的伪装物体检测方法的一种优选方案，其中：所述骨干网络采用ResNet-34网络。

作为本发明所述的基于边界交替引导的伪装物体检测方法的一种优选方案，其中：所述初始定位模块，包括：

移除所述ResNet-34网络中最后一层全连接层；

所述初始定位模块将第五层测输出S₅分别输入平均池化分支和最大池化分支；