[发明专利]一种基于视觉整体和局部特征融合的轮廓检测方法

说明书

本发明涉及一种基于视觉整体和局部特征融合的轮廓检测方法。首先针对轮廓待检测图像，分别提取表征其整体特性的低分辨子图I₁和表征其局部特征的边界响应子图I₂。然后构建包含池化模块的卷积神经网络G，实现整体轮廓信息的快速提取。接着构建包含空洞卷积模块的卷积神经网络L，实现局部轮廓信息提取。其中L由四个单元、一个融合层和一个损失层构成；最后将I₁和I₂分别输入到网络G和网络L中，获得整体轮廓信息和局部轮廓信息。以L(i,j)的尺寸为基准，对G(i,j)进行双线性插值。根据L(i,j)各像素的对比度关系，对整体轮廓信息G(i,j)进行融合，从而获取精细轮廓。

技术领域

本发明属于机器视觉领域，具体涉及一种基于视觉整体和局部特征融合的轮廓检测方法。

背景技术

图像中目标的显著性边缘构成了图像的轮廓信息，它是图像理解和分析的关键特征。传统的轮廓检测方法主要基于光强变化、对比度、方向选择以及固定大小的方向滤波模块，通常利用局部关联性实现轮廓像素的识别。而神经生理实验表明，生物视觉信息流在传递和处理过程中，一方面具有视网膜、外膝体和视皮层的分层特性，能够快速表达视觉的整体特征；另一方面并非只是简单的层层信息串行传递，多个通路所刻画的视觉信息传递到视皮层进行互补整合运算，用来精细表达视觉的细节特征。虽然近年来卷积神经网络成为了研究热点，通过卷积、池化和语义分类从全局理解轮廓的特征，利用网络深度来提高检测的准确性。但必须指出的是，现有的卷积神经网络更多地将视觉模型视为黑盒，检测任务只关注于输入与输出之间的匹配准确性，回避了视觉整体和局部特征融合的特性。

发明内容

本发明针对轮廓待检测图像，通过提取表征其整体特性的低分辨子图I₁和表征其局部特征的边界响应子图I₂，分别送入包含池化模块的卷积神经网络G和包含空洞卷积模块的卷积神经网络L。网络G的输出满足快速获取整体轮廓的需求；网络L的输出对应于局部轮廓信息；最后实现整体和局部轮廓信息的融合，获取精细轮廓。本发明提出了一种基于视觉整体和局部特征融合的轮廓检测方法，包括如下步骤：

步骤(1)针对轮廓待检测图像，提取表征其整体特性的低分辨子图I₁。首先利用双线性插值法，对轮廓待检测图像进行尺寸扩展，使扩展后图像I的长和宽相等，长和宽均等于M，其中M为2的整数幂次值。然后利用高斯金字塔方法，对I进行分解层数为n的尺度分解，得到分解后的低分辨率子图I₁，用来表征轮廓待检测图像的整体特性。I₁尺寸记为N₁×N₁(N₁的默认值为64)。因此可根据图像I的长和宽，获得分解层数n的具体数值。例如当M为1024的情形，此时分解层数n等于4。

步骤(2)针对轮廓待检测图像，提取表征其局部特征的边界响应子图I₂。设置具有方向选择特性的经典感受野(默认设置8个方向：0°，45°，90°，135°，180°，225°，270°，315°)，分别利用二维高斯导函数模型提取扩展后图像I在中心水平、中心垂直、正对角线、负对角线上的方向响应；然后针对I的某个像素，获得所有方向上的最大响应，并结合方向响应的响应强度系数确定最终的边界响应，从而得到具有局部特征的边界响应子图I₂。

步骤(3)构建包含池化模块的卷积神经网络G，实现整体轮廓信息快速提取。其中G由四个单元和一个损失层构成，前两个单元由双层普通卷积层和池化层组成，第三个单元由双层普通卷积层组成，第四个单元由上采样层和单层普通卷积层组成。构建具有上述结构特性的卷积神经网络G，其中初始卷积核权重随机设置。将步骤(1)获得的低分辨子图I₁训练样本输入卷积神经网络G，经sigmod函数激活后与训练样本轮廓标签做损失运算，沿损失减小方向反向传播更新卷积核权重，迭代多次，至损失值小于阈值￡,获得训练后的卷积神经网络G。