一种基于边缘引导增强的伪装目标检测

本发明涉及计算机视觉技术伪装目标检测领域，具体涉及一种基于边缘引导增强的伪装目标检测的方法

背景技术：

1、伪装目标检测意为检测隐匿在图像背景区域中的伪装物体。例如，在一些战场作战的过程中，伪装者会出于对自己的保护，把自己伪装成与自己身边的自然物体一样的颜色开启保护，这对于去寻找目标造成了很大的干扰；以及在医疗中也有很大的用处，将伪装目标检测用在医疗的息肉分割；同时对于野生动物工作者也发挥着巨大的作用，一些野生动物会把自己隐藏起来以保护自己，工作者可以利用该技术及时发现隐藏起来的动物从而可以成功的进行野生动物的保护工作或者其他的工作。伪装目标检测有基于传统的手工特征方法主要是强度，颜色，纹理；传统的方法可能无法捕捉到伪装目标的细微差异或变化，限制了算法的性能、泛化能力、通用性以及增加了算法的开发和调试成本，并且难以适应不同场景和应用需求。还有基于深度学习的方法。伪装者由于背景与前景高度相似，一般的目标检测算法或者显著性目标检测无法检测出精确的伪装目标，然而现有方法对于检测复杂伪装物体仍然存在一些挑战。伪装物体伴随着弱边界，低对比度，与背景相似的图案，边界损坏或者身体轮廓伪装，现有方法不能非常清晰识别物体的结构和细节，因此现有算法检测伪装目标的能力有待提高。

技术实现思路

1、本发明的目的是在于克服现有方法存在的不足；提出了边缘引导增强的伪装目标检测。该方法可以准确快速的对伪装目标进行检测。

2、一种基于边缘引导增强的伪装目标检测方法，将含有待检测的伪装目标的图像输入到已经构造好并训练好的伪装目标检测模型，进行伪装目标检测，其中所说的伪装目标检测的模型包括主干网络用来提取特征，边缘增强模块(eem)，边缘指导模块(egm)以及跨级别融合模块(clfm)。将主干网络提取的特征分别输入到边缘增强模块和边缘指导模块，边缘增强模块获得的边缘预测图输入到边缘指导模块，由边缘指导模块输出的特征输入到跨级别融合模块进行多尺度的特征融合，以最后一个跨级别融合模块输出的预测图为最终的预测图。

3、本发明实现发明目的采用如下步骤：

4、s1将伪装的图像数据集划分为训练数据集和测试数据集

5、s2将训练数据集rh×h×3输入到已经训练好的伪装目标检测的模型中，然后利用主干网络对特征进行提取得到fi，i∈{1,2,3,4,5}

6、s3将主干网络输出的特征f2和f5送入边缘增强模块的一个分支边缘感知模块(eam)，f3,f4和f5送入边缘增强模块的另一个分支。

7、s4利用边缘增强模块获得边缘轮廓信息fe，然后得到了边缘预测图pe，通过伪装目标标签edge进行一个边界的监督。

8、s5将边缘轮廓信息与边缘增强块进行连接，加入空间通道注意力。

9、s6每个跨级别融合模块有两个输入一个输出二值图，一个是高级特征的边缘引导模块的输出，另一个是低水平特征的边缘引导模块的输出，最后得出二值图。

10、s7将步骤s6得到的各个二值图，通过伪装目标的二值标签图对其进行深度监督。

11、s8以测试集图像rh×w×3作为训练完成的伪装目标检测网络模型的输入，获取最后的预测效果图。

12、作为优选，本发明提供的一种基于边缘引导增强的伪装目标检测，所述步骤s2的方法为以resnet50为主干网络的特征提取，提取f1,f2,f3,f4,f5特征，f1,f2为低级特征包括边缘，纹理，亮度，轮廓，f3为中级特征即特征的状态信息，f4,f5为高级特征是一些最接近人类理解的东西即语义信息；

13、作为优选，本发明提供的一种基于边缘引导增强的伪装目标检测，所述步骤s3的方法为利用s2步骤所获得的特征，将f2和f5作为边缘增强块的一个分支边缘感知模块(eam)的输入得到fe1，将f3,f4和f5作为边缘增强块的另一个分支的输入，然后每个特征分支进行sobel算子以及1×1卷积之后进行连接得到fe2，再与上一个分支进行求和之后进行三个3×3的卷积得到边缘特征fe,可以用如下公式表示其流程：(此部分内容与从属权利要求3对应)；

14、fe1＝eam(f2,f5),(1)

15、f′e2＝cat(conv1(sobel(f3)),conv1(sobel(f4)),conv1(sobel(f5))),(2)

16、fe2＝(conv1(f′e2)),(3)

17、fe＝conv1(conv(conv(fe1+fe2))),(4)

18、其中sobel为边缘算子，cat为连接操作，conv1为1×1卷积，conv为3×3卷积。

19、作为优选，本发明提供的一种基于边缘引导增强的伪装目标检测，所述步骤s4的方法为利用边缘增强模块获得边缘轮廓信息fe，然后得到了边缘预测图pe,通过伪装目标标签edge进行一个边界的监督,边缘增强模块有四个特征的输入以及一个边缘预测图的输出。

20、作为优选，本发明提供的一种基于边缘引导增强的伪装目标检测，所述步骤s5的方法为将每一个特征的总通道划分为八个n/8的通道，其中一个n/8的通道通过1×1的卷积，然后分别与步骤s4得到的边缘预测图进行连接，然后通过1×1的卷积与下一个n/8的通道进行求和，重复八次同样的操作。最后对这个八个分支进行连接恢复其原有通道数，再与原来的输入特征进行残差连接，为了保证原有的特征，后经过一个1×1的卷积调整通道数，然后进行空间通道注意力，最后输出特征图，输入到跨级别的融合模块。用如下公式表示其流程：(此部分内容与从属权利要求3对应)；

21、

22、其中fik表示为第fi的特征被分为k组即被分为8组，每组的通道数为n/8；conv1k表示为第k组使用1×1的卷积操作，fi和分别表示为此模块的输入输出特征。

23、

24、作为优选，本发明提供的一种基于边缘引导增强的伪装目标检测，所述步骤s6方法为跨级别的特征融合模块,引入了多尺度通道注意力机制(msca)有效融合跨层次特征，可以利用多尺度信息来缓解尺度变化，msca具有两个分支，一个分支有全局平均池化获得全局上下文，强调全局的大目标，另一个分支保持原来的特征强调局部的目标。msca使用两个分支中的点卷积来压缩和恢复沿通道维度的特征，从而可以聚合多尺度通道上下文信息。用如下公式表示其流程：

25、f＝conv1(con(f')),(8)

26、作为优选，本发明提供的一种基于边缘引导增强的伪装目标检测，所述步骤s7的方法为得到的伪装目标检测的损失函数，交叉熵损失，为交并比损失，ldice为使用dice系数求得的边缘损失，整体损失用如下公式表示：

27、

28、有益效果：

29、本发明与现有技术相比，其有益效果体现在：

30、本发明利用了深度学习的技术实现了伪装目标的检测，由于增加了两个分支对边缘进行检测，进一步突出伪装目标并且更加的细化了边缘，有利于提高对伪装目标的检测。另外增加了一个边缘指导的模块，把每个特征进行细化，然后再进行相加融合，再把融合后的特征添加注意力机制，对伪装进行精确的提取并使用损失函数进行有效的监督，使得预测的结果更加的准确，有利于提高伪装目标检测的性能。