本发明专利技术公开了一种基于边缘特征提取的深度学习图像分割方法及系统，所述系统包括边缘卷积网络，用于提取输入图像的边缘特征，其包括语义型边缘卷积网络和实例型边缘卷积网络，所述语义型边缘卷积网络处理图像中的天空、道路等背景填充对象，所述实例型边缘卷积网络处理图像中的人物、车辆等前景实例对象；所述特征提取网络，包括同侧卷积特征提取网络和异侧卷积特征提取网络，所述同侧卷积特征提取网络实现对特征的逐层提取，保留不同层次下的特征属性，形成完整的特征层次体系；所述异侧卷积特征提取网络通过改变卷积结构和捷径的连接方法实现跨层次特征的融合，这有利于激发特征提取网络的学习潜力，达到特征提取能力的提升。升。升。
【技术实现步骤摘要】
一种基于边缘特征提取的深度学习图像分割方法及系统
[0001]本专利技术涉及计算机视觉应用中的图像分割领域，具体涉及一种基于边缘特征提取的深度学习图像分割方法及系统。
技术介绍
[0002]图像分割是场景理解的基础性技术，对智能驾驶、机器人认知层面的自主导航、无人机着陆系统以及智慧安防监控等无人系统具有至关重要的作用。图像分割目的是将图像中的每个像素点划分一个语义类别和一个实例标签，生成全局的、统一的分割图像，实现像素级分割。图像分割的关键是识别图像中物体的边缘像素，对不同物体进行区分，因此边缘特征的提取对图像分割任务至关重要。
[0003]传统的边缘特征提取方法侧重于图像的纹理梯度，计算量小，但是需要人工提取图像特征，且检测效果受到噪声的干扰严重，在检测图片的边缘时经常会发生误检或漏检的情况。随着半导体行业、计算机硬件的发展，算力瓶颈已被打破，推动了深度学习的发展，基于深度学习的边缘特征提取方法推动了边缘提取的新一轮潮流，许多基于深度学习的边缘特征提取方法取得了令人印象深刻的效果。名称为一种基于神经网络的图像边缘检测方法、装置及其设备，公开号为CN109118504A的专利技术专利申请利用卷积网络先对输入图像进行初级特征提取，然后提取不同层次的特征执行反卷积操作，最后将对不同层次的特征进行融合。名称为一种基于多粒度注意力分层网络的边缘检测系统和方法，公开号为CN112927250A的专利技术专利申请结合了注意力模块和多粒度特征分层模块，以解决深度神经网络预测边界过厚和背景干扰的问题，能够自然提取图像中清晰的边缘。以上网络都是通过复杂的卷积网络结构，融合不同深度的特征来提取边缘特征，容易引起网络计算量的大大增加，导致这些方法的移植性低，应用难度大。
技术实现思路
[0004]针对现有技术存在上述问题，本申请提供一种基于边缘特征提取的深度学习图像分割方法及系统，利用边缘卷积网络和特征提取网络的组合来完成图像分割任务，其结构灵活、即插即用，可被广泛应用于各类对边缘特征有需求的视觉感知任务中。
[0005]为实现上述目的，本申请的技术方案为：一种基于边缘特征提取的深度学习图像分割方法，包括：
[0006]通过同侧卷积特征提取网络对输入图像X进行预处理，获得初级特征和
[0007]将所述初级特征和送入语义型边缘卷积网络，得到特征和
[0008]将所述初级特征和经整合处理后送入实例型边缘卷积网络，得到特征
[0009]将所述特征送入异侧卷积特征提取网络，得到特征
[0010]将所述特征送入异侧卷积特征提取网络，得到特征
[0011]再将所述特征和所述特征进行分割预测，获取分割结果。
[0012]进一步的，所述同侧卷积特征提取网络中，卷积结构函数A对其输入信息x的计算表示为：
[0013]A(x)＝F
k*k
(F
k*k
(F
k*k
(F
k*k
(x))))
ꢀꢀꢀꢀ
(1)
[0014]同侧卷积特征提取网络对输入图像X进行预处理，得到初级特征其中，l1*w1为25*38，c1为256；具体实现公式为：
[0015][0016][0017][0018][0019]进一步的，所述语义型边缘卷积网络的第一个支路对输入该结构的初级特征的运算处理表示为：
[0020][0021][0022][0023]对得到的特征向量进行非线性激活操作：
[0024][0025][0026][0027]将和进行加法融合，并对融合结果执行批标准化操作，得到特征
[0028][0029]将特征和经批处理操作处理后的初级特征进行加法融合，得到特征
[0030][0031]同理，语义型边缘卷积网络的第二、三、四个支路分别对输入该结构的进行运算后，得到特征
[0032]进一步的，将所述初级特征和经整合处理后送入实例型边缘卷积网络，得到特征具体过程如式(14)～(22)所示，其中，l3*w3可以为14*14，c3可以为256。
[0033][0034][0035][0036][0037][0038][0039][0040]对得到的特征向量进行非线性激活操作：
[0041][0042][0043]进一步的，所述异侧卷积特征提取网络对输入该结构的特征进行特征萃取，得到特征具体为：
[0044][0045][0046][0047]同理，异侧卷积特征提取网络分别对进行特征萃取，得到特征
[0048]将特征进行合并获取特征
[0049]进一步的，所述异侧卷积特征提取网络对特征进行特征萃取，得到特征具体为：
[0050][0051][0052][0053]式(1)～(28)中，表示尺寸大小为l*w，通道数为c的特征向量X，F为卷积函数，
F
k*k
和分别表示卷积核为k*k的标准卷积和扩张率为r、卷积核大小为k*k的空洞卷积；R为非线性激活函数；B为批标准化函数；C为整合处理函数。
[0054]本申请还提供一种基于边缘特征提取的深度学习图像分割系统，包括：
[0055]边缘卷积网络，用于提取输入图像的边缘特征；按处理对象不同，分为语义型边缘卷积网络和实例型边缘卷积网络，所述语义型边缘卷积网络处理图像中的天空、道路等背景填充对象，所述实例型边缘卷积网络处理图像中的人物、车辆等前景实例对象；
[0056]特征提取网络，是融合单元的堆叠结构，根据堆叠方式不同，分为同侧卷积特征提取网络和异侧卷积特征提取网络，所述同侧卷积特征提取网络中各个融合单元的卷积结构位于网络的同侧，此种连接方式可实现对特征的逐层提取，保留不同层次下的特征属性，形成完整的特征层次体系；所述异侧卷积特征提取网络中相邻的融合单元卷积结构分别位于网络的两侧，与同侧卷积特征提取网络不同，此种连接方式没有对特征进行传统地逐层提取，而是通过改变卷积结构和捷径的连接方法实现跨层次特征的融合，这有利于激发特征提取网络的学习潜力，达到特征提取能力的提升。
[0057]进一步的，所述语义型边缘卷积网络包括四支相同的并行处理支路，每条支路由两层扩张率分别为1和2的空洞卷积层、一层标准卷积层和一条捷径并联而成。
[0058]进一步的，所述实例型边缘卷积网络由三层相同的标准卷积层串联而成，通过卷积层的堆叠对实例目标边缘特征进行提取。
[0059]本专利技术由于采用以上技术方案，能够取得如下的技术效果：
[0060](1)适用于自动驾驶、自主机器人等
[0061]本专利技术能够对视觉环境中的行人、车辆、建筑、道路等目标边缘进行准确识别，可应用于自动驾驶和自主机器人
，为无人车、无人机和自主机器人等提供视觉辅助和安全保障，防止危险的发生。
[0062](2)即插即用，使用灵活
[0063]本专利技术包含的边缘卷积网络和特征提取网络具有即插即用的特点，适用于所有具有边缘特征需求的任务，插入到网络模型中即本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于边缘特征提取的深度学习图像分割方法，其特征在于，包括：通过同侧卷积特征提取网络对输入图像X进行预处理，获得初级特征和将所述初级特征和送入语义型边缘卷积网络，得到特征和将所述初级特征和经整合处理后送入实例型边缘卷积网络，得到特征将所述特征送入异侧卷积特征提取网络，得到特征将所述特征送入异侧卷积特征提取网络，得到特征再将所述特征和所述特征进行分割预测，获取分割结果。2.根据权利要求1所述一种基于边缘特征提取的深度学习图像分割方法，其特征在于，所述同侧卷积特征提取网络中，卷积结构函数A对其输入信息x的计算表示为：A(x)＝F
k*k
(F
k*k
(F
k*k
(F
k*k
(x))))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)同侧卷积特征提取网络对输入图像X进行预处理，得到初级特征具体实现公式为：具体实现公式为：具体实现公式为：具体实现公式为：式中，表示尺寸大小为l*w，通道数为c的特征向量X，F
k*k
表示卷积核为k*k的标准卷积。3.根据权利要求1所述一种基于边缘特征提取的深度学习图像分割方法，其特征在于，所述语义型边缘卷积网络的第一个支路对输入该结构的初级特征的运算处理表示为：
对得到的特征向量进行非线性激活操作：对得到的特征向量进行非线性激活操作：对得到的特征向量进行非线性激活操作：将和进行加法融合，并对融合结果执行批标准化操作，得到特征进行加法融合，并对融合结果执行批标准化操作，得到特征将特征和经批处理操作处理后的初级特征进行加法融合，得到特征进行加法融合，得到特征同理，语义型边缘卷积网络的第二、三、四个支路分别对输入该结构的进行运算后，得到特征式中，表示尺寸大小为l*w，通道数为c的特征向量X，F为卷积函数，F
k*k
和分别表示卷积核为k*k的标准卷积和扩张率为r、卷积核大小为k*k的空洞卷积；R为非线性激活函数；B为批标准化函数；C为整合处理函数。4.根据权利要求1所述一种基于边缘特征提取的深度学习图像分割方法，其特征在于，
将所述初级特征和经整合处理后送入实例型边缘卷积网络，得到特征具体过程如式(...
【专利技术属性】
技术研发人员：杨大伟，任凤至，毛琳，张汝波，
申请(专利权)人：大连民族大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。