技术特征：
1.基于神经轮廓演化的目标识别方法，其特征在于，包括：获取目标图像中目标物体的形状先验参数；通过基于所述形状先验参数的变分分割模型得到水平集函数根据预设公式计算得到最优分割方案根据所述最优分割方案获得所述目标物体的识别轮廓；对所述识别轮廓在所述目标图像中的区域进行归一化，得到提取图片；对所述提取图片进行分类识别；其中，所述预设公式包括：其中，将条件概率最大时的分割方案作为所述最优分割方案2.根据权利要求1所述的基于神经轮廓演化的目标识别方法，其特征在于，所述预设公式包括：其中，能量项e
data
表征所述目标图像自身的能量，e
shape
表征形状约束项，用于评估当前分割方案下的分割结果在结构上所具有的能量，两者都是能量越大，对应概率越小，说明当前分割结果也就越不可能；故，当e
data
+e
shape
的和达到最小时，前分割方案为最优分割方案。3.根据权利要求2所述的基于神经轮廓演化的目标识别方法，其特征在于，所述预设公式包括：其中，α为加权系数，α＞1，用于调节所述最优分割方案的评价标准，α越大，评价标准越高。4.根据权利要求1所述的基于神经轮廓演化的目标识别方法，其特征在于，所述获取目标图像中目标物体的形状先验参数的方法包括：获取目标族数据，所述目标族数据包括目标图像pi、目标形状mi和目标类别标签yi，i为样本序列号；通过受限玻尔兹曼机学习、提取每个目标形状mi和目标类别标签yi的联合特征{h
j
}
j＝1，2...m
；其中，m为受限玻尔兹曼机隐藏层层数，{h
j
}为各个隐层单元的集合；基于所述联合特征在所述受限玻尔兹曼机的标签层k中学习对形状的识别；
其中，m
i
∈{0，1}
l
×
w
，l、w、c分别为第i个样本对应的目标图像pi的长、宽和通道数。5.根据权利要求4所述的基于神经轮廓演化的目标识别方法，其特征在于，还包括：所述受限玻尔兹曼机的能量表示为：其中，v为所述受限玻尔兹曼机的可视层结点，q为所述受限玻尔兹曼机的可视层单元，q
t
为当前分割结果，b
q
为所述受限玻尔兹曼机的可视层的偏置参数，b
h
为所述受限玻尔兹曼机的隐层的偏置参数，b
k
为所述受限玻尔兹曼机的标签层的偏置参数，w和u均为权重参数；联合特征的状态分布概率为：其中，z＝∑
q，h，k
exp(-e(q，h，k))为配分函数；在完成所述学习对形状的识别后，所述受限玻尔兹曼机在隐藏层h中捕捉、提取和保存目标的形状特征，同时在标签层k输出识别结果；当越小时，所述p(q，h，k)越大，当p(q，h，k)大于预设阈值时，将所述当前分割结果作为所述最优分割方案6.根据权利要求5所述的基于神经轮廓演化的目标识别方法，其特征在于，对各图像的最优分割方案对应的像素点进行特征提取，并使用分类模型建立外观表达模型，以表达所述目标物体的形状先验参数。7.根据权利要求1所述的基于神经轮廓演化的目标识别方法，其特征在于，所述归一化包括：从所述识别轮廓中随机挑选像素点作为第一像素点；将所述识别轮廓之外的部分全部替换为第一像素点的像素值；将识别轮廓中的像素统一替换为预设值；然后对替换的区域进行灰度处理。8.根据权利要求1所述的基于神经轮廓演化的目标识别系统，其特征在于，包括：获取模块，用于获取目标图像i中目标物体的形状先验参数；生成模块，用于通过基于所述形状先验参数的变分分割模型得到水平集函数处理计算模块，用于根据预设公式计算得到最优分割方案根据所述最优分割方案获得所述目标物体的识别轮廓；对所述识别轮廓在所述目标图像中的区域进行归一化，得到提取图片；识别模块，用于对所述提取图片进行分类识别；其中，所述预设公式包括：其中，将条件概率最大时的分割方案作为所述最优分割方案
技术总结
本发明涉及图像处理识别技术领域，公开了基于神经轮廓演化的目标识别方法，包括：获取目标图像I中目标物体的形状先验参数；通过基于形状先验参数的变分分割模型得到水平集函数根据预设公式计算得到最优分割方案根据最优分割方案获得目标物体的识别轮廓；对识别轮廓在目标图像中的区域进行归一化，得到提取图片；对提取图片进行分类识别，因此能够保证后续在针对目标物体进行分类识别的过程中，能够拥有更高的识别准确度。能够拥有更高的识别准确度。能够拥有更高的识别准确度。
技术研发人员：王斌 林雅敏 夏程豪 江丽琴 雷希燕
受保护的技术使用者：浙江图讯科技股份有限公司
技术研发日：2022.11.22
技术公布日：2023/3/21