[发明专利]一种自然场景下的金丝猴躯体分割算法

权利要求书

1.一种自然场景下的金丝猴躯体分割算法，其特征在于，包括以下步骤：

构造语义分割网络，实现端到端的图像分割；对所述的语义分割网络进行训练，保存训练后的网络模型用于待分割图像的分割检测；

所述的语义分割网络包括分类网络、融合部分以及输出部分，其中：

语义分割网络从前至后依次为第一卷积层、第一最大池化层、第二卷积层c、第二最大池化层、第三卷积层、第三最大池化层、第四卷积层、第四最大池化层、第五卷积层、第五最大池化层、第六卷积层、第七卷积层；第一卷积层至第五卷积层的每层包括两次连续的卷积计算、第六卷积层包括一次卷积计算，作用是将输入的图像进行特征提取处理，得到特征图；第七卷积层包括一次卷积计算和分类激活函数，作用是进行特征提取处理并做像素级的分类，得到置信图；第一最大池化层至第五最大池化层的作用是在不损失特征的情况下减小数据维度；

融合部分包括第一特征融合层和第二特征融合层，第一特征融合层将第七卷积层的输出经过上采样后，与第五最大池化层的输出进行特征融合；第二特征融合层将第一特征融合层的输出结果和第四最大池化层提取的特征进行特征融合，得到融合后的置信图；

输出部分包括输出层，输出层包括一个上采样层和一个分类层，其中上采样层的输入为第二特征融合层的输出，作用是扩大所述融合后的置信图到原始输入图像的大小；分类层作用是对每个像素进行分类预测，最终得到与原始输入图像大小一致的高分辨率的类热力图。

2.如权利要求1所述的自然场景下的金丝猴躯体分割算法，其特征在于，所述的第一卷积层至第五卷积层的每一层卷积核大小均为2×2，步长为2；第六卷积层的卷积核大小为7×7，步长为1；第七卷积层的卷积核大小为1×1，步长为1。

3.如权利要求1所述的自然场景下的金丝猴躯体分割算法，其特征在于，所述的第一最大池化层至第五最大池化层的每一层池化核大小为2×2，步长为2。

4.如权利要求1所述的自然场景下的金丝猴躯体分割算法，其特征在于，所述的第一特征融合层将第七卷积层的输出经过上采样后，与第五最大池化层的输出进行特征融合，包括：

第一特征融合层包括一个上采样层和卷积层，上采样层的输入为第七卷积层的输出，上采样倍数为2倍，作用是扩大置信图的像素便于特征融合，得到维度扩大的置信图A2；卷积层的输入为第五最大池化层的输出，卷积核大小为1×1，步长为1，激活函数为Relu函数，得到第五最大池化层输出的置信图B；第一特征融合层最终的输出为置信图B与置信图A2的和，记为置信图C。

5.如权利要求1所述的自然场景下的金丝猴躯体分割算法，其特征在于，所述的第二特征融合层将第一特征融合层的输出结果和第四最大池化层提取的特征进行特征融合，得到融合后的置信图，包括：

第二特征融合层包括一个上采样层和卷积层，上采样层的输入为分割结果图C，上采样倍数为2倍，作用是扩大置信图的像素便于特征融合，得到维度扩大的置信图C2；卷积层的输入为第四最大池化层的输出，卷积核大小为1×1，步长为1，激活函数为Relu函数，得到第四最大池化层输出的置信图D；第二特征融合层最终输出为置信图D与置信图C2的和，记为置信图E，即为融合后的置信图。

6.如权利要求1所述的自然场景下的金丝猴躯体分割算法，其特征在于，所述的语义分割网络进行训练时，所采用的损失函数为：

其中，y^(i,j)表示输入图像对应的实际分类后的图像像素点(i,j)处的标签值，表示输入图像经语义分割网络处理后的输出图像像素点(i,j)处的预测值，height和width分别表示图像的高和宽，dw^(i,j)为距离约束权重函数，表示为：

其中，distance(I^(i,j),center^(i,j))表示像素点I^(i,j)距离其所在连通域中心center^(i,j)的距离，α和β是两个常数。