[發明專利]一種生物啟發式多級多層次反饋式輪廓檢測方法

有效

• 申請號: 202110936730.2
• 申請日: 2021-08-16
• 公開（公告）號: CN113673538B
• 公開（公告）日: 2023-07-14
• 發明（設計）人: 林川;袁奧;吳海晨;謝智星;古家虹;陳永亮;喬亞坤;張貞光;李福章;潘勇才;韋艷霞
• 申請（專利權）人: 廣西科技大學
• 主分類號: G06V10/44
• 分類號: G06V10/44;G06V10/80;G06V10/82;G06N3/044;G06N3/0455;G06N3/084
• 代理公司: 長沙正奇專利事務所有限責任公司 43113
• 代理人: 周晟

本發明旨在提供一種生物啟發式多級多層次反饋式輪廓檢測方法，包括以下步驟：構建深度神經網絡結構，結構如下：編碼網絡、解碼網絡；其中，編碼網絡包括VGG16、預處理模塊P、反饋網絡；VGG16網絡以池化層為分界線，分為五個階段；預處理模塊P對應VGG16網絡中五個階段設有5個；反饋網絡設有依次連接的四個橫向反饋階段；解碼網絡包括多個反饋模塊F和加法層；原始圖像依次經過編碼網絡、解碼網絡，獲得最終輸出輪廓。本發明保證了目標輪廓的完整性，能夠有效解決輪廓不連續問題。

技術領域

本發明涉及圖像處理領域，具體涉及一種生物啟發式多級多層次反饋式輪廓檢測方法。

背景技術

輪廓檢測旨在提取一幅圖像中背景和目標之間的分界線，通常作為多種中、高級計算機視覺任務的前端處理的關鍵步驟，是計算機視覺研究領域的基本任務之一。目前，輪廓檢測有以下兩種方式：

深度學習方法：通常采用公開的VGG-Net、Res-Net等模型進行遷移學習，作為編碼網絡表征特征，然后研究并設計與之匹配的解碼網絡來解析特征最終得到目標輪廓。卷積神經網絡本身受生物機制啟發得到，但在后來的發展中沒有很好的與之結合。

生物學方法：簡單地模擬視覺系統中生理特性的一部分，在輪廓提取的過程中，對于一些視覺的動態特性并不能較好地進行模擬，造成了一定程度上輪廓信息的缺失以及紋理信息的增強這類問題，從而不能較好地保證目標輪廓的完整性。

應用于計算視覺任務中的卷積神經網絡沒有很好的與視覺機制相結合，而傳統的仿生算法大多是通過公式來模擬細胞的某一項功能，無法達到普適性。如何克服兩種方式本身所具有的缺陷，提升目標輪廓檢測完整性，是本領域技術研發的一個重要方向。

發明內容

本發明旨在提供一種生物啟發式多級多層次反饋式輪廓檢測方法，該方法細化了卷積功能，為卷積神經網絡設計和網絡連接提供了新的思路，進一步消除了背景中紋理邊緣的響應，減少了無關成分的影響，保證了目標輪廓的完整性，有效解決了不連續問題。

本發明的技術方案如下：

所述的生物啟發式多級多層次反饋式輪廓檢測方法，包括以下步驟：

A、構建深度神經網絡結構，深度神經網絡結構具體如下：

編碼網絡、解碼網絡；

其中，編碼網絡包括VGG16、預處理模塊P、反饋網絡；

VGG16網絡以池化層為分界線，分為五個階段；

所述的預處理模塊P對應VGG16網絡中五個階段設有5個；

所述的反饋網絡設有依次連接的L1、L2、L3、L4四個橫向反饋階段，L1橫向反饋階段中設置4個反饋模塊F，L2橫向反饋階段中設置3個反饋模塊F，L3橫向反饋階段中設置2個反饋模塊F，L4橫向反饋階段中設置1個反饋模塊F；

所述的解碼網絡包括多個反饋模塊F和加法層；

B、原始圖像輸入VGG16網絡中，依次經五個階段卷積處理，得到的輸出結果分別輸入預處理模塊P，獲得前饋信息FF₁、FF₂、FF₃、FF₄、FF₅；