一种基于双向级联网络的边缘检测方法、装置及设备制造方法及图纸

本发明专利技术公开了一种基于双向级联网络的边缘检测方法、装置及设备，该方法包括：构建双向级联网络；获取待识别的图像，将待识别的图像输入双向级联网络进行特征提取，生成特征图；将特征图进行采样生成边缘图像；将待检测目标的所有边缘图像进行融合生成目标边缘信息图像。本发明专利技术实施例的边缘检测方法通过双向级联网络实现，可实现较简单的网络结构，减少算法复杂度，提升边缘提取准确率。

【技术实现步骤摘要】
一种基于双向级联网络的边缘检测方法、装置及设备
本专利技术涉及图像处理
，尤其涉及一种基于双向级联网络的边缘检测方法、装置及设备。
技术介绍
随着人工智能行业的兴起，基于深度学习的视频目标跟踪技术越来越受大家的关注。视频目标跟踪方法大多是通过边界检测来进行目标的跟踪。边界检测的目标在于提取对象的边界，保留图像的边界信息，忽略不重要的东西，现在技术中的边缘提取根据提取的轮廓有关，例如一个人的边缘中手部的轮廓和头部的轮廓尺度就不一样，手部弯曲的曲度很小，这样的边缘很难学习；但头部或者身体，就很宽很大，很好学习。因此多尺度问题就是边缘提取的重点。现有技术中使用超深层神经网络结构实现边缘提取，但是超深层神经网络结构进行边缘提取造成了大规模参数训练困难、耗时多、成本高的问题，还有一种方法采用图像金字塔与多级特征融合的方法，带来了冗余计算的问题。除网络结构问题外，还有训练策略的问题，在一定程度上都影响了最终的准确率。因此现有技术中的边缘提取方法网络结构复杂，存在大量冗余计算，边缘提取准确率低。因此，现有技术还有待于改进和发展。
技术实现思路
鉴于上述现有技术的不足，本专利技术的目的在于提供一种基于双向级联网络的边缘检测方法、装置及设备，旨在解决现有技术中边缘提取方法网络结构复杂，存在大量冗余计算，边缘提取准确率低的技术问题。本专利技术的技术方案如下：一种基于双向级联网络的边缘检测方法，所述方法包括：构建双向级联网络；获取待识别的图像，将待识别的图像输入双向级联网络进行特征提取，生成特征图；将特征图进行采样生成边缘图像；将待检测目标的所有边缘图像进行融合生成目标边缘信息图像。进一步地，所述构建双向级联网络，包括：构建初始卷积神经网络；将初始卷积网络进行级联生成双向级联网络；对双向级联网络进行训练时，采用双向损失函数对双向级联网络进行监督，生成目标双向级联网络。进一步优选地，所述将待识别的图像输入双向级联网络进行特征提取，生成特征图，包括：将待识别的图像输入双向级联网络；获取双向级联网络中的各个隐含层；控制每个隐含层分别提取不同层次的边缘对应的特征，生成特征图。进一步优选地，所述双向级联网络的隐含层包括浅层的隐含层和深层的隐含层；所述控制每个隐含层分别提取不同尺度的边缘对应的特征，生成特征图，包括：控制浅层的隐含层获取第一尺度的边缘对应的特征，生成第一特征图；控制深层的隐含层获取第二尺度的边缘对应的特征，生成第二特征图。优选地，所述将特征图进行采样生成边缘图像，包括：将第一特征图进行采样生成第一边缘图像；将第二特征图进行采样生成第二边缘图像。进一步地，所述将待检测目标的所有边缘图像进行融合生成目标边缘信息图像，包括：将第一边缘图像和第二边缘图像进行尺度融合，生成目标边缘信息图像。进一步地，所述构建初始卷积神经网络，包括:构建初始VGG网络。本专利技术的另一实施例提供了一种基于双向级联网络的边缘检测设置，装置包括：网络构建模块，用于构建双向级联网络；特征提取模块，用于获取待识别的图像，将待识别的图像输入双向级联网络进行特征提取，生成特征图；采样模块，用于将特征图进行采样生成边缘图像；特征融合模块，用于将待检测目标的所有边缘图像进行融合生成目标边缘信息图像。本专利技术的另一实施例提供了一种基于双向级联网络的边缘检测设备，所述设备包括至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的基于双向级联网络的边缘检测方法。本专利技术的另一实施例还提供了一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行时，可使得所述一个或多个处理器执行上述的基于双向级联网络的边缘检测方法。有益效果：本专利技术实施例的边缘检测方法通过双向级联网络实现，可实现较简单的网络结构，减少算法复杂度，提升边缘提取准确率。附图说明下面将结合附图及实施例对本专利技术作进一步说明，附图中：图1为本专利技术一种基于双向级联网络的边缘检测方法较佳实施例的流程图；图2为本专利技术一种基于双向级联网络的边缘检测装置的较佳实施例的功能模块示意图；图3为本专利技术一种基于双向级联网络的边缘检测设备的较佳实施例的硬件结构示意图。具体实施方式为使本专利技术的目的、技术方案及效果更加清楚、明确，以下对本专利技术进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。以下结合附图对本专利技术实施例进行介绍。本专利技术实施例提供了一种基于双向级联网络的边缘检测方法。请参阅图1，图1为本专利技术一种基于双向级联网络的边缘检测方法较佳实施例的流程图。如图1所示，其包括步骤：步骤S100、构建双向级联网络；步骤S200、获取待识别的图像，将待识别的图像输入双向级联网络进行特征提取，生成特征图；步骤S300、将特征图进行采样生成边缘图像；步骤S400、将待检测目标的所有边缘图像进行融合生成目标边缘信息图像。具体实施时，本专利技术实施例主要针对于网络直播课中的人的图像的边缘检测。通过构建双向级联网络；获取待识别的视频，对视频进行帧图像提取，生成待识别的图像。将待识别的图像输入双向级联网络进行特征提取，生成边缘图像对应的特征图；将特征图进行采样生成边缘图像；将待检测目标的所有边缘图像进行融合生成目标边缘信息图像。一般的多尺度特征，要么利用图像金字塔，最后做融合多个特征，这样的方式带来了重复的运算；要么利用非常深的网络提取不同stage阶段的特征，这样带来了大量参数和推理时间。本专利技术实施例的双向级联网络设计了轻量型的网络结构做边缘检测，取得了很好的效果。进一步地，构建双向级联网络，包括：构建初始卷积神经网络；将初始卷积网络进行级联生成双向级联网络；对双向级联网络进行训练时，采用双向损失函数对双向级联网络进行监督，生成目标双向级联网络。具体实施时，本专利技术实施例的双向级联网络采用类似ASPP的模块，使用很新颖的双向loss监督方式，让每个中间层学习自身合适的尺度。其中ASPP(atrousspatialpyramidpooling,空洞空间卷积池化金字塔)对所给定的输入以不同采样率的空洞卷积并行采样，相当于以多个比例捕捉图像的上下文。进一步地，构建初始卷积神经网络，包括:构建初始VGG网络。具体实施时，初始卷积神经网络采用VGG网络。VGG是Oxford的VisualGeometryGroup的组提出的(大家应该能看出VGG名字的由来了)。该网络是在ILSVRC201本文档来自技高网...

【技术保护点】
1.一种基于双向级联网络的边缘检测方法,其特征在于,所述方法包括：/n构建双向级联网络；/n获取待识别的图像，将待识别的图像输入双向级联网络进行特征提取，生成特征图；/n将特征图进行采样生成边缘图像；/n将待检测目标的所有边缘图像进行融合生成目标边缘信息图像。/n

【技术特征摘要】
1.一种基于双向级联网络的边缘检测方法,其特征在于,所述方法包括：
构建双向级联网络；
获取待识别的图像，将待识别的图像输入双向级联网络进行特征提取，生成特征图；
将特征图进行采样生成边缘图像；
将待检测目标的所有边缘图像进行融合生成目标边缘信息图像。


2.根据权利要求1所述的基于双向级联网络的边缘检测方法，其特征在于，所述构建双向级联网络，包括：
构建初始卷积神经网络；
将初始卷积网络进行级联生成双向级联网络；
对双向级联网络进行训练时，采用双向损失函数对双向级联网络进行监督，生成目标双向级联网络。


3.根据权利要求2所述的基于双向级联网络的边缘检测方法，其特征在于，所述将待识别的图像输入双向级联网络进行特征提取，生成特征图，包括：
将待识别的图像输入双向级联网络；
获取双向级联网络中的各个隐含层；
控制每个隐含层分别提取不同层次的边缘对应的特征，生成特征图。


4.根据权利要求3所述的基于双向级联网络的边缘检测方法，其特征在于，所述双向级联网络的隐含层包括浅层的隐含层和深层的隐含层；
所述控制每个隐含层分别提取不同尺度的边缘对应的特征，生成特征图，包括：
控制浅层的隐含层获取第一尺度的边缘对应的特征，生成第一特征图；
控制深层的隐含层获取第二尺度的边缘对应的特征，生成第二特征图。


5.根据权利要求4所述的基于双向级联网络的边缘检测方法，其特征在于，所述将特征图进行采样生成边缘图像，包括：
将第一特征图进行采样生成第...

【专利技术属性】
技术研发人员：孙悦，李天驰，王帅，
申请(专利权)人：深圳点猫科技有限公司，
类型：发明
国别省市：广东;44