[發明專利]基于深度學習的目標差異性檢測方法和目標差異性檢測設備

有效

• 申請號: 201710111731.7
• 申請日: 2017-02-28
• 公開（公告）號: CN108509963B
• 公開（公告）日: 2023-04-28
• 發明（設計）人: 韓穎婕
• 申請（專利權）人: 株式會社日立制作所
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06V20/40;G06V40/10;G06V10/74;G06V10/82;G06N3/084;G06N3/0464
• 代理公司: 上海華誠知識產權代理有限公司 31300
• 代理人: 肖華

1.一種基于深度學習的目標差異性檢測方法，其特征在于，所述檢測方法包括以下步驟：

通過訓練好的網絡模型，對第一目標圖像進行第一前向傳播，以計算所述第一目標圖像的第一特征向量，并且記錄所述訓練好的網絡模型的每個網絡節點在所述第一前向傳播中獲得的第一狀態值；

通過所述訓練好的網絡模型，對第二目標圖像進行第二前向傳播，以計算所述第二目標圖像的第二特征向量，并且記錄所述訓練好的網絡模型的每個網絡節點在所述第二前向傳播中獲得的第二狀態值；

根據計算出的所述第一特征向量和所述第二特征向量，判斷所述第一目標圖像與所述第二目標圖像是否相似；

當判斷所述第一目標圖像與所述第二目標圖像相似時，根據計算出的所述第一特征向量和所述第二特征向量，來計算差異向量；

將計算出的所述差異向量作為梯度，通過所述每個網絡節點具有所述第一狀態值的所述訓練好的網絡模型，進行第一反向傳播，以獲得所述第一目標圖像的第一差異熱力圖；以及

將計算出的所述差異向量作為梯度，通過所述每個網絡節點具有所述第二狀態值的所述訓練好的網絡模型，進行第二反向傳播，以獲得所述第二目標圖像的第二差異熱力圖。

2.如權利要求1所述的目標差異性檢測方法，其特征在于，根據計算出的所述第一特征向量和所述第二特征向量，判斷所述第一目標圖像與所述第二目標圖像是否相似的步驟進一步包括以下步驟：

計算所述第一特征向量與所述第二特征向量之間的歐式距離；

將計算出的所述歐式距離與預定閾值進行比較；

當所述歐式距離小于所述預定閾值時，判斷所述第一目標圖像與所述第二目標圖像相似；以及

當所述歐式距離大于等于所述預定閾值時，判斷所述第一目標圖像與所述第二目標圖像不相似。

3.如權利要求1所述的目標差異性檢測方法，其特征在于，根據計算出的所述第一特征向量和所述第二特征向量，來計算所述差異向量的步驟進一步包括以下步驟：

計算所述第一特征向量與所述第二特征向量之間的向量差；

對所述向量差進行歸一化計算，以獲得歸一化向量差，并且對所述歸一化向量差中的各個元素取絕對值，將所述歸一化向量差中的絕對值小于1/n的元素的值設置為0，以及將所述歸一化向量差中的絕對值大于等于1/n的元素的值設置為1，以獲得處理后的歸一化向量差，其中n為所述歸一化向量差中包含的元素的總維數；以及

用所述處理后的歸一化向量差對所述向量差進行加權計算，以獲得所述差異向量。

4.如權利要求1-3中任一項所述的目標差異性檢測方法，其特征在于，采用包含拍攝所述第一目標圖像的攝像頭所拍攝的大量圖像以及拍攝所述第二目標圖像的攝像頭所拍攝的大量圖像的一組圖像作為訓練樣本，來對預定網絡模型進行訓練，以獲得所述訓練好的網絡模型。

5.如權利要求4所述的目標差異性檢測方法，其特征在于，所述預定網絡模型為卷積神經網絡。