[发明专利]一种基于深度神经网络的伪装目标检测识别方法

说明书

本发明提出了一种基于深度神经网络的端到端的伪装目标的检测识别方法。该方法设计了一种‘分割‑识别’的双路神经网络。‘分割’路利用目标的整体图像信息，以反注意力卷积模块为主体，加入了Receptive Field Block以保证网络获得更大的感受野，其整体设计上采用了U‑net网络结构，能够更有效、精准的捕获伪装目标的颜色、纹理等深度视觉特征。‘识别’路采用双分支的Resnet结构，将目标像素信息转换为语义信息，以识别具体的目标类型。实验结果表明，该方法能够有效解决常规目标检测识别方法对于伪装目标难以检测、难以完整分割等问题，在多种复杂环境下如海洋、丛林、雪地、沙漠等区域中，有效分离并识别多种伪装目标如动植物、人体、军事设施等。

技术领域

本发明涉及目标检测与计算机视觉技术领域，具体涉及一种基于深度神经网络的伪装目标检测与识别方法。

背景技术

伪装是指事物为了达到某种目的采用各种方法隐真示假的方式或者手段。伪装技术广泛存在于自然界和人类社会当中，如各种动植物采取伪装方式捕获食物或躲避天敌；现代军事上广泛采用伪装技术作为一种非常重要的反侦察手段，达到提供虚假的信息，迷惑对手的目的。根据伪装的特征种类可以将伪装类型分为：相似颜色与纹理伪装，假目标伪装，烟雾伪装，遮盖伪装等。目前主流伪装目标的检测与处理方法可以分为基于数字图像处理与机器学习相结合的伪装目标检测方法和基于深度学习的伪装目标检测方法。

数字图像处理与机器学习相结合的伪装目标检测方法主要是围绕相似颜色与纹理伪装这一具有较为明显的特征的伪装方式而进行研究的。其主要方法特点是，采用数字图像处理的方法人工的提取一些伪装信息的特征，比如纹理与颜色的不连续性、亮度差异、特征角点等。之后采用机器学习理论如PCA(Principal Component Analysis，主成分分析)降维、SVM(support vector machines，支持向量机)等方法进行特征分类，经图像的合成处理后得到分类检测结果。如Hongxing Guo等人提出了一种基于贝叶斯分类和高斯混合模型的背景在视觉监控应用中的伪装前景与背景划分方法，通过对视频帧进行序列平均来减小伪装目标图像帧方差，提高了对视频中伪装对象检测的准确率。如Galun等人提出了一种新的伪装目标的纹理分割方法，该方法首先识别纹理的子元素类型，利用相关参量表征它们，将它们应用于纹理伪装目标检测中，达到了较高的识别准确率。

基于深度学习的伪装目标检测较传统方法而言，其适用的伪装类型更广，识别的准确率也相对较高。在基于深度学习的方法中，采用深层神经网络的方式中取代了传统方法中的数字图像处理来提取伪装信息特征，和传统方式相比，这种方式适应能力更强，更有利于发掘更深层次的伪装特征。此外，深度学习方法的特征分类器也较传统方法更容易进行非线性激活，因而可以较好的处理非线性分类、回归问题，在伪装目标检测任务中表现为较好的图像分割效果与较高的识别准确率。如Jia-Xing Zhao等人提出EGNet，它改善了显著边缘信息和显著物体信息在全卷积神经网络中的不利表达，利用显著边缘特征帮助显著物体特征更准确的定位物体的边缘，其相关的方法与成果也可应用于伪装目标检测。又如Deng-Ping Fan等人建立COD10K伪装目标数据集，并提出了SINet网络，该网络融入了搜索和识别的思想方法，通用性比较强，并在伪装目标识别的准确率与分割的精度上均取得了很好的效果。

受制于伪装目标的图像背景和目标的信息复杂性，现有的神经网络结构仍然难以满足高精度的分割要求，会出现分割不完整或者分割区域与实际区域不符合等问题。另外，现有伪装目标检测模型大多着力于伪装目标图像的分割，进行伪装目标类别识别的工作的模型则相对较少。

发明内容

发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于深度神经网络的伪装目标检测识别方法，该方法能够在多种复杂的背景环境下，仅通过图像信息，准确的检测伪装目标是否存在，同时能够较为精准的从图像中分割出伪装目标的二值化区域，并识别多种如人、动物、军事目标等伪装物体。

为了解决上述技术问题，本发明公开了一种基于深度神经网络的伪装目标检测识别方法，包括如下步骤：