[發(fā)明專利]一種基于人體骨骼關(guān)鍵點(diǎn)檢測算法的X射線源檢測方法

有效

• 申請?zhí)枺?/td>: 202010544700.2
• 申請日: 2020-06-15
• 公開（公告）號: CN111695529B
• 公開（公告）日: 2023-04-25
• 發(fā)明（設(shè)計(jì)）人: 余先川;朱猛;秦晉;梁玉晨;陳思瑩;閆瑞清
• 申請（專利權(quán)）人: 北京師范大學(xué)
• 主分類號: G06V20/00
• 分類號: G06V20/00;G06V10/82;G06V10/44;G06V10/46;G06V10/764;G06N3/0464;G06N3/08
• 代理公司: 北京睿智保誠專利代理事務(wù)所(普通合伙) 11732
• 代理人: 周新楣

本發(fā)明公開了一種基于人體骨骼關(guān)鍵點(diǎn)檢測算法的X射線源檢測方法，屬于天體源的發(fā)現(xiàn)、識別技術(shù)領(lǐng)域，包括以下步驟：S10、基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建X射線源檢測網(wǎng)絡(luò)；X射線源檢測網(wǎng)絡(luò)包括依次設(shè)置的定位網(wǎng)絡(luò)、局部極大值提取算法、關(guān)鍵點(diǎn)區(qū)域特征提取算法和強(qiáng)度預(yù)測網(wǎng)絡(luò)；S20、使用寬視場巡天望遠(yuǎn)鏡觀測圖像訓(xùn)練樣本對X射線源檢測網(wǎng)絡(luò)進(jìn)行訓(xùn)練；S30、將待識別的寬視場巡天望遠(yuǎn)鏡觀測圖像輸入訓(xùn)練完成的X射線源檢測網(wǎng)絡(luò)，得到待識別的寬視場巡天望遠(yuǎn)鏡觀測圖像的流量強(qiáng)度預(yù)測值。本發(fā)明能夠從觀測圖像中排除噪聲提取出源的數(shù)據(jù)信息，支持延展源，具有對距離相近的源分辨能力；同時(shí)，在測試數(shù)據(jù)上定位準(zhǔn)確率和召回率均能達(dá)到99％以上。

技術(shù)領(lǐng)域

本發(fā)明屬于天體源的發(fā)現(xiàn)、識別技術(shù)領(lǐng)域，具體涉及一種基于人體骨骼關(guān)鍵點(diǎn)檢測算法的X射線源檢測方法。

背景技術(shù)

現(xiàn)有X射線源檢測算法主要為滑動(dòng)單元格法，該方法建立滑動(dòng)單元格后，將格子正中心位置對應(yīng)的像素作為信號值對觀測圖像進(jìn)行掃描，同時(shí)將中心點(diǎn)相鄰位置(8鄰域)的像素標(biāo)記為用于計(jì)算信噪比的噪聲，如果當(dāng)前滑動(dòng)格計(jì)算出的信噪比大于給定的閾值，則將當(dāng)前的位置標(biāo)記為一個(gè)X射線源候選位置。然后將圖像中的X射線源候選位置和一部分隨機(jī)背景扣除，記為“奶酪(cheese)”圖，扣除的位置利用插值算法(通常為雙線性插值)填補(bǔ)從而生成平滑的背景圖，最后重復(fù)第一步的掃描，但是計(jì)算信噪比時(shí)使用插值后的背景圖來代表噪聲強(qiáng)度，從而給出X射線源列表。

滑動(dòng)單元格法執(zhí)行速度快且不依賴先驗(yàn)假設(shè)，但是核心問題是由于其將中心像素作為候選源，故僅對點(diǎn)源友好、只在亮源上置信度高，這使得該系列方法對很多復(fù)雜的延展源不具有很好的識別能力。

因此，急需一種能夠從觀測圖像中排除噪聲提取出源的數(shù)據(jù)信息，可支持延展源且具有對距離相近的源分辨能力的X射線源檢測方法。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種能夠從觀測圖像中排除噪聲提取出源的數(shù)據(jù)信息，可支持延展源且具有對距離相近的源分辨能力的X射線源檢測方法，本發(fā)明采取了如下技術(shù)方案：

一種基于人體骨骼關(guān)鍵點(diǎn)檢測算法的X射線源檢測方法，包括以下步驟：

S10、基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建X射線源檢測網(wǎng)絡(luò)；所述X射線源檢測網(wǎng)絡(luò)包括依次設(shè)置的定位網(wǎng)絡(luò)、局部極大值提取算法、關(guān)鍵點(diǎn)區(qū)域特征提取算法和強(qiáng)度預(yù)測網(wǎng)絡(luò)；

S20、使用寬視場巡天望遠(yuǎn)鏡觀測圖像訓(xùn)練樣本對所述X射線源檢測網(wǎng)絡(luò)進(jìn)行訓(xùn)練；訓(xùn)練過程包括以下步驟：

S21、將所述寬視場巡天望遠(yuǎn)鏡觀測圖像訓(xùn)練樣本輸入所述定位網(wǎng)絡(luò)，所述定位網(wǎng)絡(luò)輸出位置概率熱圖；

S22、將所述位置概率熱圖輸入局部極大值提取算法，得到X射線源坐標(biāo)；

S23、將所述X射線源坐標(biāo)輸入關(guān)鍵點(diǎn)區(qū)域特征提取算法，得到X射線源區(qū)域局部圖；

S24、將所述區(qū)域局部圖輸入所述強(qiáng)度預(yù)測網(wǎng)絡(luò)，得到流量強(qiáng)度預(yù)測值；

S25、當(dāng)所述流量強(qiáng)度預(yù)測精度符合要求時(shí)，所述X射線源檢測網(wǎng)絡(luò)訓(xùn)練完成；

S30、將所述待識別的寬視場巡天望遠(yuǎn)鏡觀測圖像輸入訓(xùn)練完成的所述X射線源檢測網(wǎng)絡(luò)，得到所述待識別的寬視場巡天望遠(yuǎn)鏡觀測圖像的流量強(qiáng)度預(yù)測值。

進(jìn)一步地，所述關(guān)鍵點(diǎn)區(qū)域特征提取算法為人體骨骼關(guān)鍵點(diǎn)檢測算法。

進(jìn)一步地，所述定位網(wǎng)絡(luò)為ResNet殘差網(wǎng)絡(luò)，所述ResNet殘差網(wǎng)絡(luò)包括依次排列的4個(gè)ResBlock模塊。

進(jìn)一步地，所述區(qū)域局部圖為以X射線源為中心的9×9局部圖像。

進(jìn)一步地，所述強(qiáng)度預(yù)測網(wǎng)絡(luò)包括依次排列的dense全連接層、relu激活、dense全連接層和sigmoid激活。