柳華林，張 毅，王海鵬，張立民，李雪騰

(1.海軍航空大學(xué)，山東 煙臺(tái) 264001； 2.海軍駐南京地區(qū)第四軍事代表室，南京 210000)

隨著視頻圖像處理技術(shù)的快速發(fā)展，基于計(jì)算機(jī)視覺(jué)的自動(dòng)報(bào)靶系統(tǒng)因快速、精確、安全、低成本等優(yōu)點(diǎn)被廣泛應(yīng)用研究[1]。胸環(huán)靶圖分割作為自動(dòng)報(bào)靶系統(tǒng)的重要基礎(chǔ)和技術(shù)難點(diǎn)，實(shí)現(xiàn)復(fù)雜靶場(chǎng)環(huán)境下靶圖的精準(zhǔn)分割工作。現(xiàn)有的自動(dòng)報(bào)靶系統(tǒng)研究成果基本建立在無(wú)復(fù)雜靶場(chǎng)背景干擾的前提下進(jìn)行后續(xù)報(bào)靶工作的研究[2-4]，嚴(yán)重制約了基于計(jì)算機(jī)視覺(jué)的自動(dòng)報(bào)靶系統(tǒng)由理論研究向?qū)嶋H應(yīng)用的轉(zhuǎn)化進(jìn)程。因此，對(duì)于復(fù)雜靶場(chǎng)環(huán)境下的胸環(huán)靶圖分割方法進(jìn)行研究具有重要意義和實(shí)際應(yīng)用價(jià)值。

現(xiàn)有的胸環(huán)靶圖分割算法主要基于圖像的三大底層特征，即顏色、紋理、形狀，展開(kāi)研究，利用胸環(huán)靶區(qū)別于靶場(chǎng)背景的色彩屬性、紋理信息、輪廓形狀等信息，采用閾值分割、邊緣檢測(cè)、幾何法等傳統(tǒng)圖像處理方式或采用模式識(shí)別的方式進(jìn)行胸環(huán)靶的檢測(cè)、分割。裴偉晨[5]在胸環(huán)靶位置相對(duì)固定的前提下，通過(guò)手動(dòng)選取有效區(qū)域坐標(biāo)點(diǎn)，提取靶面有效區(qū)域。該類(lèi)方法雖分割精確但需要人工參與，無(wú)法實(shí)現(xiàn)智能報(bào)靶。羅杰[6]提出基于顏色特征的胸環(huán)靶圖分割算法，以綠色恒量特征為基礎(chǔ)，通過(guò)色調(diào)和飽和度分量做進(jìn)一步提取，以投影變換確定胸環(huán)靶位置。該方法忽略了實(shí)際靶場(chǎng)環(huán)境的復(fù)雜性，僅適用于靶場(chǎng)無(wú)綠色干擾物的情況，具有很強(qiáng)的局限性。尹乾[7]提出基于胸環(huán)靶圖像灰度特點(diǎn)的有效靶面提取算法，該方法聯(lián)合圖像邊緣和閾值分割結(jié)果，通過(guò)最大連通區(qū)域的提取獲得有效靶面區(qū)域，該方法對(duì)靶場(chǎng)環(huán)境有著嚴(yán)格的約束，在霧天、光照變化明顯等情況下，采集設(shè)備獲取的靶場(chǎng)圖像中極易存在和胸環(huán)靶灰度特點(diǎn)相同的干擾，且實(shí)際靶場(chǎng)環(huán)境下無(wú)法保證提取的最大連通區(qū)域即為有效靶面區(qū)域。胡樂(lè)[8]選取描述圖像局部紋理特征的LBP算子進(jìn)行分類(lèi)器的訓(xùn)練，該算子的灰度不變性能夠確保在不同光線條件下圖像檢測(cè)的一致性，通過(guò)離線訓(xùn)練好的分類(lèi)器進(jìn)行胸環(huán)靶的檢測(cè)分割。該類(lèi)方法只能獲得胸環(huán)靶大致的位置，精確度低且在復(fù)雜的靶場(chǎng)背景環(huán)境下無(wú)法滿(mǎn)足彈孔檢測(cè)識(shí)別的需要，沒(méi)有從根本改進(jìn)系統(tǒng)對(duì)環(huán)境的適應(yīng)性。

在特定的靶場(chǎng)環(huán)境下，傳統(tǒng)圖像處理方式能夠?qū)崿F(xiàn)胸環(huán)靶圖的分割。由于靶場(chǎng)環(huán)境的復(fù)雜性，胸環(huán)靶的底層特征獨(dú)立性低，無(wú)法支撐算法在各類(lèi)環(huán)境條件下對(duì)靶圖進(jìn)行準(zhǔn)確分割，普適性很低且基本局限于靶圖有效區(qū)域的分割提取，一是在室外靶場(chǎng)環(huán)境下，靶圖有效區(qū)域的特征極易與背景環(huán)境相似，二是在無(wú)法確保分割精度的前提下，極易引起系統(tǒng)的判靶誤差。因此，本文從自動(dòng)報(bào)靶系統(tǒng)的環(huán)境適應(yīng)性、智能化和胸環(huán)靶圖分割完整性的角度出發(fā)，結(jié)合前沿的視頻圖像處理技術(shù)，采用深度學(xué)習(xí)的方法對(duì)復(fù)雜環(huán)境下的靶場(chǎng)視頻圖像進(jìn)行胸環(huán)靶圖的分割研究，提出一種基于金字塔場(chǎng)景解析網(wǎng)絡(luò)(PSPNet)的胸環(huán)靶圖分割方法。實(shí)驗(yàn)證明，本文方法可從各種復(fù)雜靶場(chǎng)環(huán)境下將靶場(chǎng)視頻圖像中的胸環(huán)靶圖進(jìn)行像素級(jí)精確分割，有效解決自動(dòng)報(bào)靶系統(tǒng)應(yīng)用環(huán)境的局限性。

1 靶場(chǎng)環(huán)境

靶場(chǎng)可分為室內(nèi)靶場(chǎng)、室外靶場(chǎng)和半封閉靶場(chǎng)且一般設(shè)置在人口相對(duì)少的郊區(qū)。室內(nèi)靶場(chǎng)的環(huán)境，因靶場(chǎng)設(shè)計(jì)風(fēng)格而呈現(xiàn)多樣性。室外和半封閉靶場(chǎng)通常設(shè)置在有山體掩擋的自然環(huán)境區(qū)域并視情況設(shè)置靶擋等安全措施，其環(huán)境特點(diǎn)相對(duì)復(fù)雜，同時(shí)受靶場(chǎng)建設(shè)特點(diǎn)和自然環(huán)境的雙重影響。因此，通過(guò)攝像機(jī)等硬件設(shè)備采集的不同靶場(chǎng)或同一靶場(chǎng)不同時(shí)刻、不同環(huán)境下的靶場(chǎng)視頻圖像，其背景呈現(xiàn)明顯的差異性。由圖1所示的靶場(chǎng)圖像可以清晰的看出，不同的靶場(chǎng)建設(shè)特點(diǎn)存在差異性，不同環(huán)境條件下采集的視頻圖像也呈現(xiàn)截然不同的視覺(jué)效果。

圖1 室內(nèi)外靶場(chǎng)

2 基于PSPNet的胸環(huán)靶圖分割方法

2.1 PSPNet網(wǎng)絡(luò)

深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的分支，近年來(lái)得到了迅速的發(fā)展。基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像語(yǔ)義分割方法主要利用神經(jīng)網(wǎng)絡(luò)完成對(duì)圖像的像素級(jí)分類(lèi)，從而獲得圖像場(chǎng)景的基本語(yǔ)義信息并完成目標(biāo)的識(shí)別和分割任務(wù)。PSPNet[9]是一種基于像素級(jí)預(yù)測(cè)框架的fully convolutional network (FCN)[10]的場(chǎng)景解析網(wǎng)絡(luò)，利用金字塔池化模塊獲取全局上下文像素級(jí)特征先驗(yàn)，通過(guò)局部和全局信息的結(jié)合在場(chǎng)景解析任務(wù)中生成高質(zhì)量的結(jié)果，同時(shí)采用一種深度監(jiān)督損失的優(yōu)化策略，是像素級(jí)預(yù)測(cè)領(lǐng)域的優(yōu)秀的框架。

金字塔池化模塊是為了進(jìn)一步減少不同子區(qū)域之間的上下文信息丟失而提出的包含不同尺度、不同子區(qū)域之間變化信息的分層的全局先驗(yàn)。金字塔池化模塊融合了多種不同金字塔尺度下的特征，不同金字塔尺度下將生成不同子區(qū)域的特征圖池化結(jié)果代表，同時(shí)增加降維操作以保持全局特征的權(quán)重。最后通過(guò)雙線性插值將池化結(jié)果擴(kuò)大至原始特征圖相同的大小，并和原始特征圖進(jìn)行連接作為最終的金字塔池化全局特性。

深度監(jiān)督損失的優(yōu)化策略則是添加額外損失函數(shù)，通過(guò)輔助損失的監(jiān)督產(chǎn)生初始結(jié)果，然后用最終損失來(lái)學(xué)習(xí)殘差。這兩個(gè)損耗函數(shù)通過(guò)前面所有層。輔助損失在不影響主要損失優(yōu)化方向的前提下，有助于優(yōu)化學(xué)習(xí)過(guò)程，通過(guò)增加權(quán)重對(duì)其進(jìn)行平衡。

給定一張圖片，首先通過(guò)convolutional neural network (CNN)，采用具有擴(kuò)張網(wǎng)絡(luò)策略[11-12]的預(yù)訓(xùn)練ResNet[13]模型得到最后一個(gè)卷積層的特征圖；然后通過(guò)金字塔池化模塊獲取不同子區(qū)域的特征表示并上采樣至特征圖像素尺寸之后和原始特征圖連接形成具有局部和全局上下文信息的最終特征圖；最后，將其輸入卷積層即可獲得最終的像素級(jí)分割結(jié)果。

2.2 數(shù)據(jù)集

數(shù)據(jù)集是深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練的基礎(chǔ)和前提，一定程度上決定了模型訓(xùn)練的成敗。我國(guó)對(duì)槍械使用有著嚴(yán)格的審查和管理，普通民眾極少進(jìn)行打靶活動(dòng)，且出于保密性要求，部隊(duì)靶場(chǎng)的視頻圖像資源極少外傳。因此，有關(guān)實(shí)際靶場(chǎng)的視頻圖像資源稀缺。本研究在真實(shí)靶場(chǎng)圖像搜集、篩選的基礎(chǔ)上，通過(guò)人工標(biāo)注的手段對(duì)靶場(chǎng)視頻圖像進(jìn)行像素級(jí)標(biāo)注，構(gòu)建胸環(huán)靶數(shù)據(jù)集。

本文的靶場(chǎng)視頻圖像主要有4處來(lái)源：① 實(shí)際靶場(chǎng)錄制的打靶視頻圖像；② 網(wǎng)絡(luò)中篩選的室內(nèi)外靶場(chǎng)圖像；③ 通過(guò)PS圖像處理軟件進(jìn)行真實(shí)靶圖、背景互換之后的靶場(chǎng)圖像；④ 添加霧化、飛絮效果的靶場(chǎng)圖像。創(chuàng)建胸環(huán)靶數(shù)據(jù)集共含圖片285張，部分如圖2所示。

圖2 胸環(huán)靶圖片

本研究主要解決復(fù)雜靶場(chǎng)環(huán)境下胸環(huán)靶的靶圖分割，可視為二元分割問(wèn)題，因此對(duì)靶場(chǎng)視頻圖像的靶圖類(lèi)目標(biāo)進(jìn)行標(biāo)記。本文使用圖像標(biāo)注軟件labelme進(jìn)行靶圖的標(biāo)記，同時(shí)生成標(biāo)記圖和可視化圖像。本文胸環(huán)靶數(shù)據(jù)集的實(shí)際標(biāo)記圖和可視化圖像部分如圖3所示。

2.3 評(píng)價(jià)標(biāo)準(zhǔn)

在圖像分割任務(wù)中，算法精度的衡量標(biāo)準(zhǔn)很多，本文采用均像素精度和均交并比兩種常用的逐像素標(biāo)記的精度標(biāo)準(zhǔn)。設(shè)數(shù)據(jù)集中共標(biāo)注由k+1個(gè)類(lèi)(包含背景)，pij表示屬于類(lèi)i的像素被預(yù)測(cè)為類(lèi)j的像素?cái)?shù)量。

均像素精度(Mean Pixel Accuracy)：計(jì)算每個(gè)類(lèi)別中的像素被正確分類(lèi)的比例，然后求取所有類(lèi)別比值的平均值。

(1)

均交并比(Mean Intersection over Union)是圖像語(yǔ)義分割任務(wù)中常用的度量標(biāo)準(zhǔn)，分別在每個(gè)類(lèi)別中計(jì)算目標(biāo)分割位置和實(shí)際位置交集與其并集的比值，然后取平均，其公式如下:

(2)

2.4 模型訓(xùn)練

為避免數(shù)據(jù)樣本過(guò)少導(dǎo)致網(wǎng)絡(luò)模型的泛化能力不足，陷入過(guò)擬合等問(wèn)題，本文采用目標(biāo)平移、旋轉(zhuǎn)兩種幾何變換的預(yù)處理方式[14]對(duì)胸環(huán)靶數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)。網(wǎng)絡(luò)模型采用圖像增強(qiáng)操作處理后的胸環(huán)靶數(shù)據(jù)集進(jìn)行訓(xùn)練，網(wǎng)絡(luò)模型訓(xùn)練的過(guò)程實(shí)質(zhì)是網(wǎng)絡(luò)權(quán)重通過(guò)反向傳播算法不斷調(diào)整，使輸出結(jié)果不斷逼近真實(shí)值的過(guò)程。為進(jìn)一步防止網(wǎng)絡(luò)模型過(guò)擬合，本文采用隨機(jī)的方式，按照4∶1的比例劃分訓(xùn)練集和測(cè)試集，其中訓(xùn)練集的圖像數(shù)量為188，測(cè)試集為47。

網(wǎng)絡(luò)模型訓(xùn)練過(guò)程中的具體參數(shù)設(shè)置如表1所示。

表1 模型訓(xùn)練主要參數(shù)

考慮到胸環(huán)靶數(shù)據(jù)集中的靶場(chǎng)圖像來(lái)源復(fù)雜且不同設(shè)備采集的視頻圖像存在尺寸差異，本文在網(wǎng)絡(luò)訓(xùn)練部分設(shè)置圖像尺寸調(diào)整模塊，將輸入圖像的像素尺寸調(diào)整為512× 512(像素)。本文旨在通過(guò)訓(xùn)練好的網(wǎng)絡(luò)模型實(shí)現(xiàn)靶場(chǎng)圖像中胸環(huán)靶圖的像素級(jí)分割，因此本文的目標(biāo)為胸環(huán)靶圖，類(lèi)別數(shù)為2，分別是靶圖和靶場(chǎng)背景。1個(gè)epoch表示使用訓(xùn)練集中的全部樣本完成一次訓(xùn)練，該參數(shù)值影響模型訓(xùn)練的時(shí)間，具體數(shù)值需要根據(jù)多次實(shí)驗(yàn)和經(jīng)驗(yàn)來(lái)設(shè)置，以確保訓(xùn)練集的準(zhǔn)確率和損失值達(dá)到收斂，本文的epoch值設(shè)為50，即訓(xùn)練集數(shù)據(jù)迭代50個(gè)世代。Batch size表示一次參數(shù)更新運(yùn)算所需的樣本數(shù)量，該值決定了每次輸入圖像的數(shù)量，數(shù)值大小受到網(wǎng)絡(luò)結(jié)構(gòu)和硬件GPU顯存容量影響，本文的batch size值設(shè)為4。學(xué)習(xí)率在網(wǎng)絡(luò)模型訓(xùn)練的過(guò)程中決定權(quán)值的更新幅度，其值過(guò)大則可能越過(guò)最優(yōu)值，在誤差最小值附近震蕩，過(guò)小則權(quán)值訓(xùn)練時(shí)間長(zhǎng)，無(wú)法快速收斂。本文采用的初始學(xué)習(xí)率為0.003，并使用PyTorch學(xué)習(xí)率調(diào)整策略中的有序調(diào)整策略，在迭代次數(shù)上升過(guò)程中設(shè)定指定的間隔，分別在第8輪、第31輪、第46輪進(jìn)行學(xué)習(xí)率的衰減，新的學(xué)習(xí)率是上一次學(xué)習(xí)率的1/5。代價(jià)函數(shù)又稱(chēng)損失函數(shù)，本文采用交叉熵函數(shù)，其式如下：

loss(x,class)=weight[class](-x[class]+

log(∑jexp(x[j])))

(3)

其中，本文對(duì)每個(gè)類(lèi)的loss進(jìn)行人工權(quán)重重標(biāo)，靶圖和背景的權(quán)重比為1∶5。

優(yōu)化方法采用對(duì)超參數(shù)選取相當(dāng)魯棒的Adam[15]優(yōu)化算法，通過(guò)計(jì)算梯度的一階矩估計(jì)和二階矩估計(jì)為不同的參數(shù)設(shè)計(jì)獨(dú)立的自適應(yīng)性學(xué)習(xí)率。在 Adam 算法中，動(dòng)量直接并入了梯度一階矩(指數(shù)加權(quán))的估計(jì)。其次，Adam 包括偏置修正，修正從原點(diǎn)初始化的一階矩(動(dòng)量項(xiàng))和(非中心的)二階矩的估計(jì)。

本文按照上述參數(shù)設(shè)置進(jìn)行PSPNet網(wǎng)絡(luò)參數(shù)的學(xué)習(xí)，所有實(shí)驗(yàn)基于深度學(xué)習(xí)框架PyTorch。每一輪訓(xùn)練后計(jì)算訓(xùn)練集和驗(yàn)證集的損失值并使用驗(yàn)證集對(duì)模型的性能進(jìn)行測(cè)試并記錄。網(wǎng)絡(luò)模型在訓(xùn)練過(guò)程中的損失和正確率變化趨勢(shì)曲線如圖4、圖5所示，詳細(xì)記錄了模型在訓(xùn)練過(guò)程中每輪在訓(xùn)練集和驗(yàn)證集上的損失值以及模型在驗(yàn)證集上分割的正確率，可以清晰的看出，隨著迭代次數(shù)的不斷遞增，該網(wǎng)絡(luò)模型在訓(xùn)練集和驗(yàn)證集上的損失不斷減小，在驗(yàn)證集上的正確率不斷增加，變化的趨勢(shì)由快到慢。最后，將訓(xùn)練好的胸環(huán)靶圖分割模型保存到本地。

圖4 損失曲線

圖5 分割精度曲線

3 驗(yàn)證與分析

圖6所示分別為不同靶場(chǎng)背景環(huán)境下的胸環(huán)靶圖，其中第二張圖像為第一張圖像的霧化結(jié)果，分別將胸環(huán)靶圖標(biāo)記為靶像1、靶像2、靶像3。本文在此基礎(chǔ)上展開(kāi)傳統(tǒng)分割方法和基于深度學(xué)習(xí)分割方法的實(shí)驗(yàn)驗(yàn)證與分析，且實(shí)驗(yàn)結(jié)果與圖6一一對(duì)應(yīng)。

圖6 胸環(huán)靶圖

3.1 傳統(tǒng)胸環(huán)靶圖分割方法

傳統(tǒng)圖像分割方式多通過(guò)單色圖像的轉(zhuǎn)換，并依賴(lài)于圖像亮度值的兩個(gè)基本特性(不連續(xù)性和相似性)對(duì)目標(biāo)圖像進(jìn)行感興趣區(qū)域的有效分割。本文從邊緣檢測(cè)和像素灰度值的相似性?xún)蓚€(gè)方面對(duì)胸環(huán)靶圖進(jìn)行分割實(shí)驗(yàn)。

1) 基于邊緣的胸環(huán)靶圖分割

利用胸環(huán)靶區(qū)域白色靶面部分在靶場(chǎng)視頻圖像中引起的灰度值不連續(xù)的特征通過(guò)查找胸環(huán)靶的邊界進(jìn)行靶圖的分割，本文利用sobel邊緣提取算法對(duì)圖6所示的靶場(chǎng)圖像進(jìn)行基于邊緣的胸環(huán)靶圖分割，邊緣檢測(cè)效果如圖7所示。

圖7 邊緣檢測(cè)結(jié)果

由靶像1和靶像2的檢測(cè)結(jié)果可知邊緣特征的魯棒性較好，分割效果可以不受霧天等穩(wěn)態(tài)不良天氣的影響，相較于靶像3完整分割出胸環(huán)靶的效果，由于靶像1、靶像2的靶場(chǎng)背景沒(méi)有虛化的成像特點(diǎn)，胸環(huán)靶的邊緣特征沒(méi)有明顯區(qū)別于背景物體的邊緣干擾，無(wú)法實(shí)現(xiàn)胸環(huán)靶的準(zhǔn)確分割。因此可以得出，在成像設(shè)備采集的靶場(chǎng)視頻圖像中，僅當(dāng)靶場(chǎng)背景邊緣特征微弱的情況下，基于邊緣特性可以很好的進(jìn)行胸環(huán)靶圖的分割。

2) 基于閾值的胸環(huán)靶圖分割

胸環(huán)靶存在明顯灰度值明顯高于靶場(chǎng)背景的白色靶面，本文基于像素屬性的分布，采用全局閾值分割的方式，通過(guò)Otsu方法[16]確定分割閾值，進(jìn)行胸環(huán)靶圖的分割，其結(jié)果如圖8所示。

圖8 閾值分割結(jié)果

由于陽(yáng)光在背景物體的反射，導(dǎo)致靶場(chǎng)圖像背景中存在高灰度值區(qū)域，由靶像1的閾值分割結(jié)果可知，胸環(huán)靶被識(shí)別出來(lái)的同時(shí)大量的背景區(qū)域也被同時(shí)分割出來(lái)，且無(wú)法將兩者進(jìn)行有效的分割。霧化處理的圖像在一定程度上增加了靶場(chǎng)圖像背景的灰度值，增加了胸環(huán)靶和背景的分割難度，閾值分割效果如圖8所示。由靶像3的分割結(jié)果可知，當(dāng)靶場(chǎng)背景環(huán)境中沒(méi)有高亮度物體時(shí)，閾值分割法可以快速有效的進(jìn)行胸環(huán)靶的檢測(cè)分割。

3) 基于區(qū)域的胸環(huán)靶圖分割

靶場(chǎng)圖像中，各個(gè)目標(biāo)內(nèi)部之間必然存在一定的相似性，本文采用灰度值的相似性，通過(guò)直接尋找區(qū)域的方式即區(qū)域生長(zhǎng)算法對(duì)靶場(chǎng)圖像中的胸環(huán)靶圖進(jìn)行分割。選取白色靶面上的像素點(diǎn)為生長(zhǎng)種子點(diǎn)，以鄰域像素點(diǎn)灰度值和種子點(diǎn)灰度值的距離差值為區(qū)域生長(zhǎng)的判別條件，其中，在區(qū)域生長(zhǎng)過(guò)程中不斷更新差值最小的像素點(diǎn)為種子點(diǎn)并將已分割區(qū)域的灰度均值作為種子點(diǎn)的灰度值。

由圖9中靶像1和 靶像3的區(qū)域生長(zhǎng)結(jié)果可知，區(qū)域生長(zhǎng)算法在無(wú)不良天氣干擾的情況下，取得了較好的分割效果。在霧天環(huán)境下，靶場(chǎng)圖像部分背景區(qū)域的灰度值增高，導(dǎo)致胸環(huán)靶白色靶面區(qū)域區(qū)別于靶場(chǎng)背景的灰度值特性減弱，區(qū)域生長(zhǎng)的相似性準(zhǔn)則部分失效，無(wú)法實(shí)現(xiàn)胸環(huán)靶的準(zhǔn)確分割，如圖9中靶像2結(jié)果所示。

圖9 區(qū)域生長(zhǎng)結(jié)果

4) 基于胸環(huán)靶圖像灰度特點(diǎn)的有效靶面提取算法

基于胸環(huán)靶圖像灰度特點(diǎn)的有效靶面提取算法由尹乾[7]提出，該算法結(jié)合圖像邊緣提取、閾值分割、連通區(qū)域獲取和形態(tài)學(xué)處理四種圖像處理手法，并最終通過(guò)靶面區(qū)域映射獲得有效靶面。以圖6中的胸環(huán)靶圖為例，通過(guò)該算法獲得的實(shí)驗(yàn)結(jié)果如圖10所示。

圖10 有效靶面實(shí)驗(yàn)結(jié)果

由圖10的實(shí)驗(yàn)結(jié)果可以看出，該算法經(jīng)過(guò)參數(shù)調(diào)整之后基本可以實(shí)現(xiàn)大部分靶面有效區(qū)域的提取，但同時(shí)具有嚴(yán)重的缺陷。一是該算法旨在實(shí)現(xiàn)靶面有效區(qū)域的提取而不是胸環(huán)靶圖的提取，環(huán)線去除等運(yùn)用形態(tài)學(xué)處理手法的部分不可避免使靶面有效區(qū)域的輪廓或面積產(chǎn)生變化，造成誤差，同時(shí)為保證環(huán)線去除的同時(shí)不破壞靶面有效區(qū)域整體連通的完整性，使得參數(shù)的設(shè)置苛刻，需要根據(jù)實(shí)際情況及環(huán)境特點(diǎn)進(jìn)行人工調(diào)整，如圖11所示，實(shí)際胸環(huán)靶圖上端的白色靶紙區(qū)域很窄，受室外環(huán)境如霧等干擾因素的影響，該白色靶紙區(qū)域?qū)?huì)變得更窄，此時(shí)如保持參數(shù)不變將會(huì)導(dǎo)致靶面有效區(qū)域和背景區(qū)域相連通，無(wú)法準(zhǔn)確提取靶面的有效區(qū)域；二是，該算法要求靶面有效區(qū)域和背景區(qū)域有明顯的大小差異，以通過(guò)連通區(qū)域的大小關(guān)系，實(shí)現(xiàn)眾多連通區(qū)域中，靶面有效區(qū)域的準(zhǔn)確提取，不同靶場(chǎng)環(huán)境下，無(wú)法保證靶面有效區(qū)域和背景連通區(qū)域大小關(guān)系的一致性，例如，本實(shí)驗(yàn)中靶像1、靶像2選取最大連通區(qū)域?yàn)榘忻嬗行^(qū)域，靶像3則選取第二大連通區(qū)域?yàn)榘忻嬗行^(qū)域。綜上，該算法不具有普適性，更無(wú)法實(shí)現(xiàn)復(fù)雜環(huán)境下胸環(huán)靶圖的有效分割。

圖11 結(jié)果對(duì)比

3.2 基于深度學(xué)習(xí)的胸環(huán)靶圖分割方法

該部分實(shí)驗(yàn)基于本文提出的基于深度學(xué)習(xí)的胸環(huán)靶圖分割方法，將靶場(chǎng)視頻圖像輸入到訓(xùn)練好的基于PSPNet的胸環(huán)靶圖分割模型進(jìn)行靶圖的分割，生成像素級(jí)分類(lèi)標(biāo)簽圖并據(jù)此生成分割圖像，如圖12所示，3種情況下的胸環(huán)靶圖全部被有效的識(shí)別分割出來(lái)。均像素精度和均交并比如表2所示。經(jīng)本文50張驗(yàn)證集，本文訓(xùn)練的胸環(huán)靶圖分割模型在胸環(huán)靶分割任務(wù)中平均像素精度可以達(dá)到98.76%，平均交并比可以達(dá)到97.84%，實(shí)現(xiàn)了非常好的分割效果。

圖12 深度學(xué)習(xí)分割結(jié)果

表2 胸環(huán)靶分割精度衡量

4 結(jié)論

本文利用近年來(lái)快速發(fā)展的深度學(xué)習(xí)的方法，提出基于PSPNet的胸環(huán)靶圖分割方法，通過(guò)創(chuàng)建胸環(huán)靶圖數(shù)據(jù)集、網(wǎng)絡(luò)參數(shù)修改調(diào)試完成胸環(huán)靶圖分割模型的訓(xùn)練，并基于該模型實(shí)現(xiàn)對(duì)靶場(chǎng)視頻圖像的像素級(jí)精確分割，在本文測(cè)試集中，平均像素精度達(dá)到98.76%，平均交并比達(dá)到97.84%，較傳統(tǒng)圖像分割方法提高了分割精度，并提高了自動(dòng)報(bào)靶系統(tǒng)的環(huán)境適應(yīng)性。