[发明专利]一种基于边缘和Fisher准则的学习方法

权利要求书

1.一种基于边缘和Fisher准则的学习方法，其特征在于：依托于U型深度网络；该深度网络包括编码器和解码器；编码器得到一组图片的特征图；解码器将特征图解码为掩码，并输出分割掩码图；

所述基于边缘和Fisher准则的学习方法，包括如下步骤：

步骤1、通过用摄像机对同一物体的不同角度拍摄，采集N张图片；

步骤2、对步骤1得到的N张图片通过深度网络进行编码，获取N张图片对应的特征图；

步骤3、通过深度网络对步骤2得到的特征图进行解码，得到N张双通道掩码图；两个通道上的每个点分别代表采集的N张图片对应位置上属于前景和背景的概率；

步骤4、分别计算步骤3得到的每张掩码图中真实前景和真实背景的平均概率；

用1减去真实前景对应的平均概率作为学习方法的损失项loss_pos，真实背景的平均概率直接作为学习方法的另一个损失项loss_neg；

步骤5、将步骤4得到的两个损失项loss_pos和loss_neg进行求平均得到类间距离损失项loss_e；

步骤6、分别在前景和背景区域中划分出物体三个像素宽的边缘邻近区域，并对前景边缘邻近区域和背景边缘邻近区域分别施加不同的权重，以获得理想的分割边缘效果，得到加入边缘权重的类间距离损失项loss_e；

步骤7、分别计算前景和背景的方差，且在计算方差的过程时也加上了边缘权重，计算方差时加入权重的方法与步骤6相同，即：对前景边缘邻近区域和背景边缘邻近区域分别乘上不同的权重值，得到加入边缘权重的类内距离损失项loss_v；

步骤8、对步骤6和步骤7得到的两个损失项加权求和，得到网络的学习方法；

步骤9、用步骤8得到的学习方法对网络进行学习，得到N张掩码图；

步骤10、用argmax的方法对步骤9得到的N张掩码图的每个像素点进行分类，得到N张分割掩码图,完成前景扣取过程。

2.根据权利要求1所述的一种基于边缘和Fisher准则的学习方法，其特征在于：步骤4中损失项loss_pos用公式(1)计算，损失项loss_neg由公式(2)实现：

其中，N_f为真实前景像素的个数，p_i为将第i个前景像素分类到前景的概率；N_b为真实背景像素的个数，p_j为第j个背景像素进入前景的概率。

3.根据权利要求1所述的一种基于边缘和Fisher准则的学习方法，其特征在于：步骤5将步骤4得到的两个损失项loss_pos和loss_neg通过公式(3)进行求平均得到类间距离损失项loss_e：

其中，N_f为真实前景像素的个数，p_i为将第i个前景像素分类到前景的概率；N_b为真实背景像素的个数，p_j为第j个背景像素进入前景的概率。

4.根据权利要求1所述的一种基于边缘和Fisher准则的学习方法，其特征在于：步骤6中得到加入边缘权重的类间距离损失项loss_e；如公式(4)：

其中，w_i和w_j分别表示前景边缘邻近区域和背景边缘邻近区域对应的权重值；w_i和w_j的范围均是[1,1.1]；N_f为真实前景像素的个数，p_i为将第i个前景像素分类到前景的概率；N_b为真实背景像素的个数，p_j为第j个背景像素进入前景的概率；

而除了边缘邻近区域的其他区域的权重均设为1。