[發(fā)明專利]一種基于雙向級(jí)聯(lián)網(wǎng)絡(luò)的邊緣檢測(cè)方法、裝置及設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 202011363964.4
• 申請(qǐng)日: 2020-11-27
• 公開（公告）號(hào): CN112581486A
• 公開（公告）日: 2021-03-30
• 發(fā)明（設(shè)計(jì)）人: 孫悅;李天馳;王帥
• 申請(qǐng)（專利權(quán)）人: 深圳點(diǎn)貓科技有限公司
• 主分類號(hào): G06T7/13
• 分類號(hào): G06T7/13;G06K9/62;G06N3/04
• 代理公司: 廣東良馬律師事務(wù)所 44395
• 代理人: 張柯

本發(fā)明公開了一種基于雙向級(jí)聯(lián)網(wǎng)絡(luò)的邊緣檢測(cè)方法、裝置及設(shè)備，該方法包括：構(gòu)建雙向級(jí)聯(lián)網(wǎng)絡(luò)；獲取待識(shí)別的圖像，將待識(shí)別的圖像輸入雙向級(jí)聯(lián)網(wǎng)絡(luò)進(jìn)行特征提取，生成特征圖；將特征圖進(jìn)行采樣生成邊緣圖像；將待檢測(cè)目標(biāo)的所有邊緣圖像進(jìn)行融合生成目標(biāo)邊緣信息圖像。本發(fā)明實(shí)施例的邊緣檢測(cè)方法通過雙向級(jí)聯(lián)網(wǎng)絡(luò)實(shí)現(xiàn)，可實(shí)現(xiàn)較簡(jiǎn)單的網(wǎng)絡(luò)結(jié)構(gòu)，減少算法復(fù)雜度，提升邊緣提取準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，尤其涉及一種基于雙向級(jí)聯(lián)網(wǎng)絡(luò)的邊緣檢測(cè)方法、裝置及設(shè)備。

背景技術(shù)

隨著人工智能行業(yè)的興起，基于深度學(xué)習(xí)的視頻目標(biāo)跟蹤技術(shù)越來越受大家的關(guān)注。視頻目標(biāo)跟蹤方法大多是通過邊界檢測(cè)來進(jìn)行目標(biāo)的跟蹤。邊界檢測(cè)的目標(biāo)在于提取對(duì)象的邊界，保留圖像的邊界信息，忽略不重要的東西，

現(xiàn)在技術(shù)中的邊緣提取根據(jù)提取的輪廓有關(guān)，例如一個(gè)人的邊緣中手部的輪廓和頭部的輪廓尺度就不一樣，手部彎曲的曲度很小，這樣的邊緣很難學(xué)習(xí)；但頭部或者身體，就很寬很大，很好學(xué)習(xí)。因此多尺度問題就是邊緣提取的重點(diǎn)。現(xiàn)有技術(shù)中使用超深層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)實(shí)現(xiàn)邊緣提取，但是超深層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行邊緣提取造成了大規(guī)模參數(shù)訓(xùn)練困難、耗時(shí)多、成本高的問題，還有一種方法采用圖像金字塔與多級(jí)特征融合的方法，帶來了冗余計(jì)算的問題。除網(wǎng)絡(luò)結(jié)構(gòu)問題外，還有訓(xùn)練策略的問題，在一定程度上都影響了最終的準(zhǔn)確率。

因此現(xiàn)有技術(shù)中的邊緣提取方法網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，存在大量冗余計(jì)算，邊緣提取準(zhǔn)確率低。

因此，現(xiàn)有技術(shù)還有待于改進(jìn)和發(fā)展。

發(fā)明內(nèi)容

鑒于上述現(xiàn)有技術(shù)的不足，本發(fā)明的目的在于提供一種基于雙向級(jí)聯(lián)網(wǎng)絡(luò)的邊緣檢測(cè)方法、裝置及設(shè)備，旨在解決現(xiàn)有技術(shù)中邊緣提取方法網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，存在大量冗余計(jì)算，邊緣提取準(zhǔn)確率低的技術(shù)問題。

本發(fā)明的技術(shù)方案如下：

一種基于雙向級(jí)聯(lián)網(wǎng)絡(luò)的邊緣檢測(cè)方法，所述方法包括：

構(gòu)建雙向級(jí)聯(lián)網(wǎng)絡(luò)；

獲取待識(shí)別的圖像，將待識(shí)別的圖像輸入雙向級(jí)聯(lián)網(wǎng)絡(luò)進(jìn)行特征提取，生成特征圖；

將特征圖進(jìn)行采樣生成邊緣圖像；

將待檢測(cè)目標(biāo)的所有邊緣圖像進(jìn)行融合生成目標(biāo)邊緣信息圖像。

進(jìn)一步地，所述構(gòu)建雙向級(jí)聯(lián)網(wǎng)絡(luò)，包括：

構(gòu)建初始卷積神經(jīng)網(wǎng)絡(luò)；

將初始卷積網(wǎng)絡(luò)進(jìn)行級(jí)聯(lián)生成雙向級(jí)聯(lián)網(wǎng)絡(luò)；

對(duì)雙向級(jí)聯(lián)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，采用雙向損失函數(shù)對(duì)雙向級(jí)聯(lián)網(wǎng)絡(luò)進(jìn)行監(jiān)督，生成目標(biāo)雙向級(jí)聯(lián)網(wǎng)絡(luò)。

進(jìn)一步優(yōu)選地，所述將待識(shí)別的圖像輸入雙向級(jí)聯(lián)網(wǎng)絡(luò)進(jìn)行特征提取，生成特征圖，包括：

將待識(shí)別的圖像輸入雙向級(jí)聯(lián)網(wǎng)絡(luò)；

獲取雙向級(jí)聯(lián)網(wǎng)絡(luò)中的各個(gè)隱含層；

控制每個(gè)隱含層分別提取不同層次的邊緣對(duì)應(yīng)的特征，生成特征圖。

進(jìn)一步優(yōu)選地，所述雙向級(jí)聯(lián)網(wǎng)絡(luò)的隱含層包括淺層的隱含層和深層的隱含層；

所述控制每個(gè)隱含層分別提取不同尺度的邊緣對(duì)應(yīng)的特征，生成特征圖，包括：

控制淺層的隱含層獲取第一尺度的邊緣對(duì)應(yīng)的特征，生成第一特征圖；

控制深層的隱含層獲取第二尺度的邊緣對(duì)應(yīng)的特征，生成第二特征圖。

優(yōu)選地，所述將特征圖進(jìn)行采樣生成邊緣圖像，包括：

將第一特征圖進(jìn)行采樣生成第一邊緣圖像；

將第二特征圖進(jìn)行采樣生成第二邊緣圖像。