【技术实现步骤摘要】
本专利技术涉及图像指纹目标检测，特别是一种基于深度神经网络的多通道图像指纹目标检测系统。
技术介绍
1、由于rgb图像光谱波段数较少，包含信息不够丰富，因此在很多应用场合存在一定的局限性。在现实生活场景中，由于背景复杂或目标/背景光谱反射率接近，很多潜在目标在rgb图像域通常难以观测，因而无法有效检测。多通道图像由于光谱波段数众多，包含特征信息远比rgb图像丰富，因此可以有效解决这类问题。在复杂背景中存在的“指纹”目标，可以观察到rgb图像上指纹成像可能会有残缺，同时目标与背景混叠导致部分阴影区域的指纹几乎无法辨识，这为指纹检测带来很大挑战。
2、相比于常规rgb图像，多通道图像，如多光谱、高光谱图像，包含更多的光谱通道，因而在颜色、结构、纹理等特征表达上更有优势，这些特点决定了多通道图像能够在面对目标重叠、光照条件不足、背景复杂等场景时有更好的目标检测性能。然而现行的大多数多通道图像目标检测方法都只关注单像素或邻域像素光谱特征，这种方式没有充分利用空间信息，因而检测效果有限。基于单像素、邻域像素级特征的目标检测方法仅基于像素点的光谱值，缺乏图像中目标的高层次特征信息，导致检测效果不佳。相比而言，特征级目标检测对光照变化、噪声、遮挡等干扰因素更加鲁棒，同时能够更准确地描述目标的形态、纹理等特征。此外，特征级目标检测可以减少不必要的逐像素计算，从而提高检测速度，在实际中有更好的应用前景。
3、基于传统特征设计的多通道图像指纹目标检测方法在处理高质量指纹图像时具有令人满意的检测效果，然而面对低质量目标时，检测
技术实现思路
1、为解决现有技术中存在的问题，本专利技术的目的是提供一种基于深度神经网络的多通道图像指纹目标检测系统，本专利技术通过学习大规模数据的先验信息，在部分指纹块成像质量不好，甚至不可见时，仍能预测出较为完整、真实的结果。
2、为实现上述目的，本专利技术采用的技术方案是一种基于深度神经网络的多通道图像指纹目标检测系统，包括依次连接的指纹定位器、裁剪模块和纹理分离及通道融合器；其中：
3、指纹定位器用于逐通道定位和分类每个通道图像中的指纹目标；
4、裁剪模块用于将所有通道的预测框融合，然后对所有通道一次性裁剪得到只包含指纹区域的多通道图像；
5、纹理分离及通道融合器用于分离每个通道图像中的纹理成分，同时将所有通道的纹理图像融合起来得到最终的指纹检测结果。
6、作为本专利技术的进一步改进，所述指纹定位器从多通道图像中逐通道定位潜在指纹，然后利用最大边界框裁剪模块得到只包含指纹目标的多通道图像。
7、作为本专利技术的进一步改进，利用最大边界框裁剪模块得到只包含指纹目标的多通道图像具体包括：
8、记多通道输入图像为其中h×w表示空间分辨率，l表示通道数，对应的预测结果记为pre：
9、pre＝[(s，x1，y1，x2，y2)1，(s，x1，y1，x2，y2)2，...(s，x1，y1，x2，y2)l]
10、其中(s，x1，y1，x2，y2)i表示第i个通道的预测结果，s表示预测框的置信度，x1，y1和x2，y2分别表示预测框的左上点、右下点坐标；
11、设定置信度的闽值为τ，过滤出满足s≤τ的预测结果，得到：
12、pre＝[(s，x1，y1，x2，y2)1，(s，x1，y1，x2，y2)2，...(s，x1，y1，x2，y2)1]
13、其中l表示过滤之后剩余的预测结果数量；令：
14、x1＝min{(x1)1，(x1)2，...(x1)l}
15、y1＝min{(y1)1，(y)2，...(y1)l}
16、x2＝max{(x2)1，(x2)2，...(x2)l}
17、y2＝max{(y2)1，(y2)2，...(y2)l}
18、其中，min和max分别表示取集合中元素的最小值、最大值；
19、然后通过得到的最大边界框的坐标(x1，y1，x2，y2)一次性裁剪多通道输入图像x得到裁剪之后的潜在多通道指纹图像即：
20、xcrop＝x[y1：y2，x1：x2，：]。
21、作为本专利技术的进一步改进，潜在指纹分离与融合器通过输入裁剪得到的局部多通道指纹图像y1，得到最终的指纹检测结果，用公式表达为：
22、
23、其中，表示指纹检测结果，df表示提出的潜在指纹分离与融合器。
24、作为本专利技术的进一步改进，所述分离与融合器的采用u-net架构，在编码器部分利用在imagenet数据集上预训练的resnet骨干网；resnet骨干网具有4组由basicblock或bottleneck构成的残差块，对应4级降采样结构；在每级降采样结构中，特征图的空间分辨率和通道数分别被转换为原来的1/2、2倍；对应地，解码器部分由4级上采样结构组成；每级解码器有一个由一层转置卷积构成的上采样模块，用于将特征的空间分辨率增加为原来的2倍，将通道数降为1/2倍；然后通过u-net结构的跳线连接，将编码器的输出与上采样块的输出特征进行拼接，然后送入瘦身块进行通道数降维；其中，瘦身块由一层标准卷积构成，输入层和输出层分别用于将输入、输出调节到对应的通道数；
25、整体上，分离与融合器输入为xcrop，输出为单通道的网络的损失函数表达如下：
26、
27、其中，y表示指纹真值图像，similarities(·)表示任意一种可导的图像相似性度量，表示纹理真实图像。
28、本专利技术的有益效果是：
29、1、检测准确性更高：由于模型可以从大规模数据中学习到指纹目标的纹理规律，因此在面对残缺、模糊、强噪声等低质量成像场景时，可以预测重建出较为高质量的指纹图像。
30、2、处理速度更快：基于传统技术的检测方法需要对多通道数据进行预处理以及降维，然后逐个通道进行纹理/背景图像分解，最后将多通道图像中的纹理成分融合起来得到最终的检测结果。这种多步骤的方法在面对通道数众多的数据时，处理速度有限。相对于传统方法，基于深度神经网络的方法可以方便使用gpu芯片加速，通常具有更高的计算效率。因此它能够更快地处理大量的、通道数更多的多通道指纹图像数据。
31、3、自适应性更强：基于传统特征设计的方法需要为不同目标设计专门的特征提取参数，因此检测模式相对固定。而基于深度神经网络的方法可以对不同模式的特征自动建模，从而具有更强的自适应性。
32、4、可扩展性更好：基于深度神经网络的方法可以根据需要增加网络的深度、宽度等，以适应更复杂的任务和更大的数据集。因此，这类方法具有更强可扩展性，可以适应不同的应用场景。相对而言，基于传统技术的架构不易调整。
本文档来自技高网...【技术保护点】
1.一种基于深度神经网络的多通道图像指纹目标检测系统，其特征在于，包括依次连接的指纹定位器、裁剪模块和纹理分离及通道融合器；其中：
2.根据权利要求1所述的基于深度神经网络的多通道图像指纹目标检测系统，其特征在于，所述指纹定位器从多通道图像中逐通道定位潜在指纹，然后利用最大边界框裁剪模块得到只包含指纹目标的多通道图像。
3.根据权利要求2所述的基于深度神经网络的多通道图像指纹目标检测系统，其特征在于，利用最大边界框裁剪模块得到只包含指纹目标的多通道图像具体包括：
4.根据权利要求3所述的基于深度神经网络的多通道图像指纹目标检测系统，其特征在于，潜在指纹分离与融合器通过输入裁剪得到的局部多通道指纹图像y1，得到最终的指纹检测结果，用公式表达为：
5.根据权利要求根据权利要求4所述的基于深度神经网络的多通道图像指纹目标检测系统，其特征在于，所述分离与融合器的采用U-net架构，在编码器部分利用在ImageNet数据集上预训练的ResNet骨干网；ResNet骨干网具有4组由BasicBlock或BottleNeck构成的残差块，对应4级
...【技术特征摘要】
1.一种基于深度神经网络的多通道图像指纹目标检测系统，其特征在于，包括依次连接的指纹定位器、裁剪模块和纹理分离及通道融合器；其中：
2.根据权利要求1所述的基于深度神经网络的多通道图像指纹目标检测系统，其特征在于，所述指纹定位器从多通道图像中逐通道定位潜在指纹，然后利用最大边界框裁剪模块得到只包含指纹目标的多通道图像。
3.根据权利要求2所述的基于深度神经网络的多通道图像指纹目标检测系统，其特征在于，利用最大边界框裁剪模块得到只包含指纹目标的多通道图像具体包括：
4.根据权利要求3所述的基于深度神经网络的多通道图像指纹目标检测系统，其特征在于，潜在指纹分离与融合器通过输入裁剪得到的局部多通道指纹图像y1，得到最终的指纹检测结果，用公式表达为：
5.根据权利要...
【专利技术属性】
技术研发人员：陈捷，阎龙斌，唐林瑞泽，
申请(专利权)人：西北工业大学深圳研究院，
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。