本發(fā)明屬于基于計(jì)算機(jī)視覺(jué)的無(wú)人機(jī)圖像識(shí)別分割，尤其涉及一種無(wú)人機(jī)場(chǎng)景用偽裝物目標(biāo)檢測(cè)模型及檢測(cè)方法。

背景技術(shù)：

1、在無(wú)人機(jī)技術(shù)不斷發(fā)展的今天，無(wú)人機(jī)在軍事、農(nóng)業(yè)、環(huán)境監(jiān)測(cè)等領(lǐng)域的應(yīng)用越來(lái)越廣泛。然而，在復(fù)雜環(huán)境中，識(shí)別和定位偽裝目標(biāo)仍然是一項(xiàng)艱巨的任務(wù)。偽裝目標(biāo)的邊界通常模糊不清，這一特性使得在復(fù)雜場(chǎng)景中準(zhǔn)確識(shí)別融入其中的偽裝對(duì)象變得相當(dāng)具有挑戰(zhàn)性。因此，需要克服模糊不清的邊界，確保對(duì)偽裝對(duì)象的精準(zhǔn)定位，尤其是在多變的環(huán)境中。

2、隨著計(jì)算機(jī)視覺(jué)的快速發(fā)展，在偽裝目標(biāo)檢測(cè)方法方面取得了顯著進(jìn)展。目前，這些方法可以廣泛分為三類主要類型。第一類涉及對(duì)網(wǎng)絡(luò)模塊或架構(gòu)進(jìn)行細(xì)致設(shè)計(jì)，以深入挖掘偽裝目標(biāo)的可辨識(shí)特征。第二類采用多任務(wù)聯(lián)合學(xué)習(xí)方法，從多個(gè)維度提取特征，包括圖像深度、頻域和偽裝目標(biāo)邊界。第三類采用仿生學(xué)方法，模擬捕食過(guò)程中的機(jī)制，以提高偽裝目標(biāo)檢測(cè)的性能。

3、盡管這些方法取得了相當(dāng)?shù)某删?，但一個(gè)艱巨的挑戰(zhàn)仍然存在：偽裝目標(biāo)的邊界通常天生模糊不清，使得在復(fù)雜場(chǎng)景中準(zhǔn)確識(shí)別融入其中的偽裝對(duì)象變得困難。此外，值得注意的是，盡管引入了邊界線索，但由于像bgnet類的模型對(duì)邊緣背景復(fù)雜性的考慮不足，未能有效過(guò)濾掉無(wú)關(guān)信息，導(dǎo)致在處理與邊界相關(guān)的細(xì)節(jié)時(shí)性能不佳。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述問(wèn)題，本發(fā)明了提出了一種創(chuàng)新性的門控邊界感知網(wǎng)絡(luò)gbnet，旨在解決偽裝目標(biāo)檢測(cè)領(lǐng)域面臨的各種挑戰(zhàn)。具體而言，gbnet引入了一種新穎的邊界增強(qiáng)模塊，通過(guò)門控卷積塊有選擇地過(guò)濾掉多余的背景信息，為準(zhǔn)確生成邊界提供了有效的引導(dǎo)。同時(shí)，還設(shè)計(jì)了一種新穎的邊界感知解碼器，通過(guò)注入邊界增強(qiáng)特征，進(jìn)一步豐富了解碼器的表征能力。

2、本發(fā)明第一方面提出了一種無(wú)人機(jī)場(chǎng)景用偽裝物目標(biāo)檢測(cè)模型，其特征在于：對(duì)于給定輸入圖像h*w*c，其空間分辨率為h*w，具有c個(gè)通道，每個(gè)像素被賦予一個(gè)類別標(biāo)簽，其中0代表背景，1代表偽裝對(duì)象；所述偽裝物目標(biāo)檢測(cè)模型旨在預(yù)測(cè)逐像素的標(biāo)簽映射，并包括依次連接的主干網(wǎng)絡(luò)、邊界增強(qiáng)模塊bem和邊界感知解碼器；

3、所述主干網(wǎng)絡(luò)，采用金字塔視覺(jué)變換器作為編碼器，用于提取不同階段的特征，并送到所述邊界增強(qiáng)模塊；

4、所述邊界增強(qiáng)模塊利用門控卷積模塊gcb生成高質(zhì)量的邊界線索，并將其整合到邊界感知解碼器中，從而豐富解碼器特征的表示能力；

5、所述邊界感知解碼器包含邊界注入模塊bib和上下文融合模塊cab；所述邊界注入模塊集成邊界信息以增強(qiáng)目標(biāo)特征的表示，所述上下融合模塊則進(jìn)行全面細(xì)粒度的特征捕捉，然后得到最終的輸出。

6、優(yōu)選的，所述主干網(wǎng)絡(luò)用于提取四個(gè)階段的特征，生成不同級(jí)別的特征，表示為：

7、

8、其中表示來(lái)自主干網(wǎng)絡(luò)第層提取的特征信息， f表示的集合。

9、優(yōu)選的，所述邊界增強(qiáng)模塊將特征表示通過(guò)通道縮減模塊傳遞，每個(gè)模塊包括三個(gè)3x3的卷積層，以提取多層次的邊界特征；通道大小設(shè)置為?64，表示為：

10、

11、其中，表示第層的邊界特征，表示邊界特征的集合；

12、隨后，將 ， ，上采樣到的大小，用于后續(xù)的拼接操作；然后，將相鄰的特征，組合在一起并饋送到門控卷積模塊，以全面地采樣邊界信息；然后，重復(fù)相同的操作，連接通過(guò)門控卷積模塊獲得的特征，得到；最后，將 ，相加，在進(jìn)行1x1卷積后，得到一個(gè)通道大小為1的掩碼，表示邊界，形式化為：

13、。

14、優(yōu)選的，所述門控卷積模塊gcb具體為：

15、首先沿著第一維度連接來(lái)自的低級(jí)別向量張量和高級(jí)別向量張量，形成臨時(shí)特征，隨后，對(duì)臨時(shí)特征進(jìn)行全局平均池化，得到全局聚合的特征；在此之后，通過(guò)兩個(gè)1x1的卷積層進(jìn)行特征轉(zhuǎn)換；隨后，由sigmoid函數(shù)生成的權(quán)重構(gòu)成一個(gè)門控機(jī)制；最后，將生成的注意力權(quán)重與原始的相乘，將結(jié)果加上，并通過(guò)一個(gè)1x1的卷積層，得到最終加權(quán)特征。

16、優(yōu)選的，所述邊界注入模塊bib具體為：

17、所述邊界注入模塊bib接受邊界增強(qiáng)特征和來(lái)自主干網(wǎng)絡(luò)的相應(yīng)特征兩個(gè)輸入；在第一個(gè)bib之后，剩余的輸入來(lái)自前一個(gè)bib的輸出，由于前一個(gè)已經(jīng)包含了邊界信息，隨后的輸入具有相同的特性；然后，在這兩個(gè)輸入上執(zhí)行逐元素乘法，然后進(jìn)行跳躍連接操作進(jìn)行相加；隨后應(yīng)用3x3卷積，得到帶有邊界信息注釋的特征圖；

18、隨后，特征圖經(jīng)過(guò)三次1x1卷積，旨在減小通道維度以減輕計(jì)算負(fù)擔(dān)，并分為三個(gè)分支，分別是 ，和；對(duì)于分支，經(jīng)過(guò)1x1卷積，然后是?3x3卷積，最后將結(jié)果添加到原始特征上，得到；

19、對(duì)于分支，該過(guò)特征圖進(jìn)行平均池化，然后進(jìn)行一維卷積進(jìn)行全局上下文融合，隨后，應(yīng)用sigmoid激活函數(shù)生成一個(gè)權(quán)重掩碼，然后使用此掩碼自適應(yīng)調(diào)整分支和的特征圖，強(qiáng)調(diào)偽裝對(duì)象檢測(cè)上下文中不同尺度的信息，得到的自適應(yīng)特征圖記為；

20、對(duì)于分支，特征直接與從分支獲得的注意力權(quán)重相乘，得到；

21、最后，和進(jìn)行連接，隨后進(jìn)行3x3卷積操作，得到融合的輸出特征。

22、優(yōu)選的，所述上下文融合模塊cab具體為：

23、cab從相鄰區(qū)域聚合信息，以處理先前獲得的融合的輸出特征；低級(jí)別特征和高級(jí)別特征經(jīng)歷一系列卷積和池化操作，分別獲取局部和全局信息，隨后，通過(guò)引入sigmoid激活函數(shù)，左右通道的輸出進(jìn)行動(dòng)態(tài)交互，sigmoid激活函數(shù)生成的權(quán)重范圍在0到1之間，用于調(diào)整低級(jí)別和高級(jí)別特征的貢獻(xiàn)；最終，通過(guò)卷積和批歸一化，調(diào)整后的特征被整合，產(chǎn)生更具表現(xiàn)力和針對(duì)性的表示。

24、本發(fā)明第二方面提供了一種無(wú)人機(jī)場(chǎng)景用偽裝物目標(biāo)檢測(cè)方法，包括以下過(guò)程：

25、通過(guò)無(wú)人機(jī)拍攝獲取圖像；

26、將圖像輸入如第一方面所述的無(wú)人機(jī)場(chǎng)景用偽裝物目標(biāo)檢測(cè)模型中進(jìn)行目標(biāo)檢測(cè)；

27、輸出分割處理后的目標(biāo)圖像。

28、本發(fā)明第三方面提供了一種無(wú)人機(jī)場(chǎng)景用偽裝物目標(biāo)檢測(cè)設(shè)備，所述設(shè)備包括至少一個(gè)處理器和至少一個(gè)存儲(chǔ)器，所述處理器和存儲(chǔ)器相耦合；所述存儲(chǔ)器中存儲(chǔ)有如第一方面所述的無(wú)人機(jī)場(chǎng)景用偽裝物目標(biāo)檢測(cè)模型的計(jì)算機(jī)執(zhí)行程序；所述處理器執(zhí)行存儲(chǔ)器中存儲(chǔ)的計(jì)算機(jī)執(zhí)行程序時(shí)，使處理器執(zhí)行一種無(wú)人機(jī)場(chǎng)景用偽裝物目標(biāo)檢測(cè)方法。

29、本發(fā)明第四方面提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中存儲(chǔ)有如第一方面所述的無(wú)人機(jī)場(chǎng)景用偽裝物目標(biāo)檢測(cè)模型的計(jì)算機(jī)程序或指令，所述程序或指令被處理器執(zhí)行時(shí)，使處理器執(zhí)行一種無(wú)人機(jī)場(chǎng)景用偽裝物目標(biāo)檢測(cè)方法。

30、與現(xiàn)有技術(shù)相比，本發(fā)明具有如下有益效果：

31、本發(fā)明的技術(shù)方案在無(wú)人機(jī)復(fù)雜場(chǎng)景下偽裝目標(biāo)的分割領(lǐng)域具有顯著的益處和效果，傳統(tǒng)上，無(wú)人機(jī)偽裝物目標(biāo)與背景相似度高，難以精確分割，而本發(fā)明的模型則突破了這一難題。本發(fā)明創(chuàng)新在于提高了分割準(zhǔn)確率，能夠更精細(xì)地區(qū)分相似度較大的物體，確保目標(biāo)邊界與背景之間的清晰分隔。這不僅有助于提升目標(biāo)檢測(cè)的精度，還能有效應(yīng)對(duì)復(fù)雜場(chǎng)景中的挑戰(zhàn)，如光照變化和視角扭曲。

32、在gbnet的設(shè)計(jì)中，邊界增強(qiáng)模塊的引入旨在針對(duì)偽裝目標(biāo)模糊邊界的問(wèn)題，通過(guò)門控卷積塊巧妙地實(shí)現(xiàn)對(duì)多余背景信息的有選擇性過(guò)濾。這不僅有助于提高網(wǎng)絡(luò)對(duì)偽裝目標(biāo)邊界的敏感性，同時(shí)有效減少了環(huán)境噪聲的影響，從而提升了整體性能。

33、邊界感知解碼器的設(shè)計(jì)則進(jìn)一步強(qiáng)調(diào)了邊界特征在識(shí)別偽裝目標(biāo)過(guò)程中的關(guān)鍵作用。通過(guò)巧妙注入邊界增強(qiáng)特征，加強(qiáng)了解碼器對(duì)復(fù)雜場(chǎng)景中偽裝目標(biāo)邊界的理解能力，從而更準(zhǔn)確地完成目標(biāo)的分割任務(wù)。