[發明專利]基于神經輪廓演化的目標識別方法及系統

在審

• 申請號: 202211469282.0
• 申請日: 2022-11-22
• 公開（公告）號: CN115830050A
• 公開（公告）日: 2023-03-21
• 發明（設計）人: 王斌;林雅敏;夏程豪;江麗琴;雷希燕
• 申請（專利權）人: 浙江圖訊科技股份有限公司
• 主分類號: G06T7/13
• 分類號: G06T7/13;G06T7/12;G06V10/764;G06V10/82;G06N3/047;G06N3/08
• 代理公司: 北京康達聯禾知識產權代理事務所(普通合伙) 11461
• 代理人: 尚婷

本發明涉及圖像處理識別技術領域，公開了基于神經輪廓演化的目標識別方法，包括：獲取目標圖像I中目標物體的形狀先驗參數；通過基于形狀先驗參數的變分分割模型得到水平集函數根據預設公式計算得到最優分割方案根據最優分割方案獲得目標物體的識別輪廓；對識別輪廓在目標圖像中的區域進行歸一化，得到提取圖片；對提取圖片進行分類識別，因此能夠保證后續在針對目標物體進行分類識別的過程中，能夠擁有更高的識別準確度。

技術領域

本發明涉及圖像處理識別技術領域，具體涉及基于神經輪廓演化的目標識別方法及系統。

背景技術

神經網絡是一種模仿人類神經系統的機器學習模型，深度學習是近年來興起的基于多層神經網絡的機器學習算法。隨著計算機運算速度的加快，復雜的深度神經網絡不再難以訓練，使得深度學習發展迅速，在圖像識別領域有著廣泛運用。

受限玻爾茲曼機(restricted Boltzmann machine，RBM)是一種可通過輸入數據集學習概率分布的隨機生成神經網絡。受限玻茲曼機在降維、分類、協同過濾、特征學習和主題建模中得到了應用。根據任務的不同，受限玻茲曼機可以使用監督學習或無監督學習的方法進行訓練。

圖像輪廓檢測是計算機視覺中的一項基礎而又有挑戰性的任務。輪廓廣泛存在于圖像中物體與背景的邊界處，輪廓提取的準確性對于圖像分割，物體檢測意義重大。由于輪廓處往往伴隨著圖像亮度的劇烈變化，如何能夠較為準確的將目標物體的輪廓從目標圖片中提取出來，并進行準確的識別，是需要解決的問題。

發明內容

本發明的目的在于提供基于神經輪廓演化的目標識別方法及系統，解決以下技術問題：

如何提升基于神經網絡的目標識別過程中的輪廓分割精準度。

本發明的目的可以通過以下技術方案實現：

基于神經輪廓演化的目標識別方法，包括：

獲取目標圖像I中目標物體的形狀先驗參數；

通過基于所述形狀先驗參數的變分分割模型得到水平集函數

根據預設公式計算得到最優分割方案

根據所述最優分割方案獲得所述目標物體的識別輪廓；

對所述識別輪廓在所述目標圖像中的區域進行歸一化，得到提取圖片；

對所述提取圖片進行分類識別；

其中，所述預設公式包括：

其中，將條件概率最大時的分割方案作為所述最優分割方案

通過上述技術方案，本發明先通過對目標圖像I中的目標物體進行分析，得到目標物體對應分類的形狀先驗參數，根據形狀先驗參數指導來生成水平集函數以此來對分割方案進行評估，當條件概率最大時說明當前的分割方案最可能是正確，因此能夠保證后續在針對目標物體進行分類識別的過程中，能夠擁有更高的識別準確度。

作為本發明進一步的方案：所述預設公式包括：

其中，能量項E_data表征所述目標圖像自身的能量，E_shape表征形狀約束項，用于評估當前分割方案下的分割結果在結構上所具有的能量，兩者都是能量越大，對應概率越小，說明當前分割結果也就越不可能；故，當E_data+E_shape的和達到最小時，前分割方案為最優分割方案。

作為本發明進一步的方案：所述預設公式包括：

其中，α為加權系數，α＞1，用于調節所述最優分割方案的評價標準，α越大，評價標準越高。