[發(fā)明專利]一種基于深度學習的臺標檢測方法

在審

• 申請?zhí)枺?/td>: 201710081113.2
• 申請日: 2017-02-15
• 公開（公告）號: CN106845442A
• 公開（公告）日: 2017-06-13
• 發(fā)明（設計）人: 杭欣;郭偉偉
• 申請（專利權）人: 杭州當虹科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/20;G06K9/34;G06K9/42;G06K9/62;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度學習的臺標檢測方法，其特征在于，該方法包含以

下步驟：

訓練圖片輸入步驟，向離線訓練系統(tǒng)輸入訓練所需類型的圖片；

圖片變換處理步驟，對輸入的圖片按照特定方式進行變換處理生成新的圖片；

圖片標注步驟，對圖片中臺標的特定信息進行標注；

離線訓練步驟，向離線訓練系統(tǒng)輸入特定圖片進行檢測訓練直到訓練收斂為止；

在線檢測步驟，利用離線訓練系統(tǒng)生成的參數(shù)集初始化在線檢測系統(tǒng)，并采用該系統(tǒng)對視頻臺標進行在線檢測。

2.如權利要求1所述的一種基于深度學習的臺標檢測方法，其特征

在于，所述訓練圖片輸入步驟中，所述所需類型的圖片是指包含臺標標志的圖片。

3.如權利要求1所述的一種基于深度學習的臺標檢測方法，其特征

在于，所述圖片變換處理步驟中，所述特定方式包括對圖片進行縮放、平移、加黑邊和裁剪等，其目的是增強對臺標圖片識別能力的魯棒性。

4.如權利要求1所述的一種基于深度學習的臺標檢測方法，其特征

在于，所述圖片標注步驟中，所述特定信息包括：臺標的中心點坐標及臺標的寬、高等及類別信息。

5.如權利要求1所述的一種基于深度學習的臺標檢測方法，其特征

在于，所述離線訓練步驟中，所述離線訓練系統(tǒng)包括：圖像縮放單元、單卷積及池化單元、多卷積及池化單元、多卷積單元和全連接層單元，所述訓練使用GPU處理完成。

6.如權利要求5所述的一種基于深度學習的臺標檢測方法，其特征

在于，所述圖像縮放單元負責將輸入圖像的大小縮放為448*448大小。

7.如權利要求5所述的一種基于深度學習的臺標檢測方法，其特征

在于，所述單卷積采用的卷積核包括：7*7、3*3和1*1三種，所述多卷積單元為多個卷積層形成的卷積單元，本離線訓練系統(tǒng)使用了24個級聯(lián)卷積層，單卷積和多卷積處理均為局部連接。

8.如權利要求5所述的一種基于深度學習的臺標檢測方法，其特征

在于，所述池化處理的作用是增強魯棒性并減少參數(shù)輸入、防止過擬合現(xiàn)象發(fā)生，其輸入為上一次卷積產生的結果，且不需要參數(shù)輸入。

9.如權利要求5所述的一種基于深度學習的臺標檢測方法，其特征

在于，所述全連接層共兩個，為全網絡連接，負責將本層每個節(jié)點和上層的所有節(jié)點建立連接以提高特征的范化能力，且第二個全連接層維度較第一個低，作用是降維。

10.如權利要求1所述的一種基于深度學習的臺標檢測方法，其特征

在于，所述離線訓練步驟中，輸入訓練圖片進行循環(huán)檢測訓練，結束條件為：在當前參數(shù)配置下，訓練收斂，凍結此時使用的參數(shù)集，用于初始化在線臺標檢測模型。