[发明专利]一种基于深度学习的弹孔识别方法

说明书

本发明公开了一种基于深度学习的弹孔识别方法，该方法包括以下步骤：步骤一、模型构建；步骤二、数据采集；步骤三、数据处理及标注；步骤四、模型训练；步骤五、弹孔识别。该方法中用到的识别系统对靶面的要求很低；误检，漏检，重检的概率在1％以下，弹孔识别准确度高，达到使用要求；该方法中用到识别系统检测延迟小于40ms，在实时视频流上，同步显示检测结果；弹孔密集情况下，弹孔重叠小于50％，即能区分弹孔和重叠弹孔；靶纸相对摄像头晃动时，使用中心点对齐算法，使弹孔与中心的相对位置不变，解决了靶纸晃动对检测的影响；使用模糊检测算法，过滤掉子弹击中时模糊的画面帧，从而有效解决画面模糊导致的误识别。

技术领域

本发明涉及射击训练领域，特别提供了一种基于深度学习的弹孔识别方法。

背景技术

实弹射击是公安、武警、部队等部门的基础训练考核项目，而目前这些部门的报靶方式主要采用人工报靶，即射击完成后，目测靶面靶纸的弹着点，通过一个一个数弹着点的方式进行报靶。这种报靶方式比较影响射击训练的效率，对报靶人员素质要求较高，不能实时的上报环数信息。

现有技术中，弹孔的识别方法大都采用传统的图像处理方法，计算相邻两帧图像的侦差，利用边缘检测算法寻找帧差后图片的轮廓信息，计算每个轮廓的绝对面积置信度、长宽比置信度，以及面积占空比置信度等信息来识别弹孔。但这种方法对靶面的晃动，帧间模糊，光线变化，连孔等的数据，容易造成误判。

现有技术中，利用相邻两帧图像的帧差的弹孔识别也存在虚目标过滤的方法，基于干扰造成的帧差图上的虚目标一般较小的经验分析，对帧差图中的虚目标采用快速检测，二次判断，尖峰判断等对虚目标进行过滤；对虚目标过滤后的图像进行滤波，区域标记，特征匹配等方法对弹孔进行识别。但这种方法对靶位晃动较大造成的虚目标较大，图像模糊，连孔等的情况，会存在很多的误检，漏检。

因此，本领域技术人员提供了一种基于深度学习的弹孔识别方法，以解决上述背景技术中提出的问题。

发明内容

本发明的目的在于提供一种基于深度学习的弹孔识别方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于深度学习的弹孔识别方法，该方法包括以下步骤：

步骤一、模型构建

(1)使用残差网络结构作为特征提取器，特征图在原图上降采样16倍。

(2)将特征图输入到RPN(region proposal network)子网络，RPN网络采取滑动anchor的方式，遍历特征图，anchor选取为，以特征图中每个点为中心的正方形，取1倍，2倍，4倍，三种缩放，和1:1,1:2,2:1,三种长宽比的9个矩形框。RPN网络学习预测出每个框是不是弹孔的概率值，将概率值小于0.5的剔除，剩余的候选框，使用非极大值抑制的方式进一步筛选，具体做法为，遍历所有候选框，计算两两候选框之间重叠的面积，重叠面积比上两框面积和，若结果超过阈值0.8的，留下弹孔概率值更高的候选框，最后剩余的候选框即为RPN网络的输出。

(3)对特征提取器提取出的特征图，使用large separable conv卷积操作的进一步提取特征，并减小特征纬度。

(4)使用候选框截取上述特征图中对应区域，将截取区域输入到后面，分类出是否为弹孔的概率，回归出弹孔包围框。

步骤二、数据采集

(1)将摄像头架设好，使得靶纸在摄像头的视野内，清晰，无遮挡。

(2)选择不同的时间段，如早中晚，不同的光线条件下，采集射手的射击视频。

(3)一个靶面射击10-20发子弹，换一次靶纸，确保能够采集到靶面弹孔清晰的图片。

步骤三、数据处理及标注