[發(fā)明專利]目標(biāo)檢測輔助的場景識(shí)別方法有效
| 申請?zhí)枺?/td> | 201710270013.4 | 申請日: | 2017-04-24 |
| 公開(公告)號: | CN107194318B | 公開(公告)日: | 2020-06-12 |
| 發(fā)明(設(shè)計(jì))人: | 王蘊(yùn)紅;孫宇航;趙文婷;陳訓(xùn)遜;劉慶杰;王博 | 申請(專利權(quán))人: | 北京航空航天大學(xué) |
| 主分類號: | G06K9/00 | 分類號: | G06K9/00;G06K9/62 |
| 代理公司: | 北京同立鈞成知識(shí)產(chǎn)權(quán)代理有限公司 11205 | 代理人: | 張娜;劉芳 |
| 地址: | 100191 北京市海淀區(qū)學(xué)*** | 國省代碼: | 北京;11 |
| 權(quán)利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關(guān)鍵詞: | 目標(biāo) 檢測 輔助 場景 識(shí)別 方法 | ||
1.一種目標(biāo)檢測輔助的場景識(shí)別方法,其特征在于,包括:
獲取待識(shí)別圖片,對所述待識(shí)別圖片進(jìn)行采樣,得到預(yù)設(shè)數(shù)量和預(yù)設(shè)大小的樣本,根據(jù)卷積神經(jīng)網(wǎng)絡(luò)模型對各所述樣本進(jìn)行場景識(shí)別,得到所述待識(shí)別圖片對應(yīng)的至少兩個(gè)場景;
獲取所述待識(shí)別圖片的區(qū)域建議和所述待識(shí)別圖片對應(yīng)的第一特征圖,根據(jù)所述區(qū)域建議和所述待識(shí)別圖片,獲取所述待識(shí)別圖片中的各目標(biāo)的分類得分;其中,所述區(qū)域建議用于指示包含至少一個(gè)目標(biāo)的至少部分的區(qū)域,所述區(qū)域建議為區(qū)域建議網(wǎng)絡(luò)對第二特征圖進(jìn)行處理得到的,所述第一特征圖和所述第二特征圖為Fast R-CNN網(wǎng)絡(luò)中對所述待識(shí)別圖片進(jìn)行卷積處理得到的;
根據(jù)所述待識(shí)別圖片對應(yīng)的至少兩個(gè)場景和各所述目標(biāo)的分類得分,得到所述待識(shí)別圖片對應(yīng)的場景;
所述獲取所述待識(shí)別圖片的區(qū)域建議和所述待識(shí)別圖片對應(yīng)的第一特征圖,包括:
通過所述Fast R-CNN網(wǎng)絡(luò)對所述待識(shí)別圖片進(jìn)行卷積處理,得到共享卷積層;
從所述共享卷積層提取所述第二特征圖,根據(jù)所述區(qū)域建議網(wǎng)絡(luò)對應(yīng)的網(wǎng)絡(luò)參數(shù),通過所述區(qū)域建議網(wǎng)絡(luò)對所述第二特征圖進(jìn)行區(qū)域建議處理,得到各目標(biāo)區(qū)域的區(qū)域得分,根據(jù)所述區(qū)域得分,得到所述區(qū)域建議;
將所述共享卷積層疊加預(yù)設(shè)層數(shù)的卷積層作為特有卷積層,得到所述第一特征圖,所述特有卷積層包含的卷積層的個(gè)數(shù)大于所述共享卷積層包含的卷積層的個(gè)數(shù)。
2.根據(jù)權(quán)利要求1所述的方法,其特征在于,在所述根據(jù)卷積網(wǎng)絡(luò)模型對各所述樣本進(jìn)行場景識(shí)別,得到所述待識(shí)別圖片對應(yīng)的至少兩個(gè)場景之前,還包括:
獲取訓(xùn)練圖片以及所述訓(xùn)練圖片對應(yīng)的標(biāo)簽,所述標(biāo)簽用于指示所述訓(xùn)練圖片對應(yīng)的場景;
根據(jù)所述卷積神經(jīng)網(wǎng)絡(luò)模型和所述訓(xùn)練圖片對應(yīng)的標(biāo)簽,獲取各所述場景對應(yīng)的所述卷積神經(jīng)網(wǎng)絡(luò)模型對應(yīng)的網(wǎng)絡(luò)參數(shù);
所述根據(jù)卷積網(wǎng)絡(luò)模型對各所述樣本進(jìn)行場景識(shí)別,得到所述待識(shí)別圖片對應(yīng)的至少兩個(gè)場景,包括:
根據(jù)各所述場景對應(yīng)的所述卷積神經(jīng)網(wǎng)絡(luò)模型對應(yīng)的網(wǎng)絡(luò)參數(shù),對各所述樣本進(jìn)行場景識(shí)別,得到所述待識(shí)別圖片對應(yīng)的至少兩個(gè)場景。
3.根據(jù)權(quán)利要求2所述的方法,其特征在于,所述根據(jù)所述卷積神經(jīng)網(wǎng)絡(luò)模型和所述訓(xùn)練圖片對應(yīng)的標(biāo)簽,獲取各所述場景對應(yīng)的所述卷積神經(jīng)網(wǎng)絡(luò)模型對應(yīng)的網(wǎng)絡(luò)參數(shù),包括:
對所述訓(xùn)練圖片進(jìn)行分割采樣,得到擴(kuò)增后的訓(xùn)練圖片;
根據(jù)第一預(yù)設(shè)訓(xùn)練參數(shù),對所述擴(kuò)增后的訓(xùn)練圖片進(jìn)行預(yù)設(shè)處理,得到預(yù)設(shè)數(shù)量的第三特征圖,所述預(yù)設(shè)處理包括卷積、池化、歸一化處理;
對所述預(yù)設(shè)數(shù)量的第三特征圖進(jìn)行多次全連接處理,得到所述訓(xùn)練圖片對應(yīng)的場景概率;
根據(jù)所述場景概率和所述訓(xùn)練圖片對應(yīng)的標(biāo)簽,對所述第一預(yù)設(shè)訓(xùn)練參數(shù)進(jìn)行調(diào)整,得到所述場景對應(yīng)的所述卷積神經(jīng)網(wǎng)絡(luò)模型對應(yīng)的網(wǎng)絡(luò)參數(shù)。
4.根據(jù)權(quán)利要求1所述的方法,其特征在于,所述根據(jù)所述區(qū)域建議和所述待識(shí)別圖片,獲取所述待識(shí)別圖片中的各目標(biāo)的分類得分,包括:
根據(jù)所述區(qū)域建議,對所述第一特征圖進(jìn)行區(qū)域標(biāo)記處理,得到所述區(qū)域標(biāo)記處理后的第一特征圖;
通過所述Fast R-CNN網(wǎng)絡(luò)對所述區(qū)域標(biāo)記處理后的第一特征圖進(jìn)行池化處理,得到池化處理后的第一特征圖;
對所述池化處理后的第一特征圖進(jìn)行全連接處理;
根據(jù)所述Fast R-CNN網(wǎng)絡(luò)對應(yīng)的網(wǎng)絡(luò)參數(shù),獲取所述待識(shí)別圖片中的各目標(biāo)的分類得分。
5.根據(jù)權(quán)利要求4所述的方法,其特征在于,在所述獲取所述待識(shí)別圖片的區(qū)域建議和所述待識(shí)別圖片對應(yīng)的第一特征圖之前,還包括:
獲取訓(xùn)練圖片以及所述訓(xùn)練圖片對應(yīng)的目標(biāo)區(qū)域,所述目標(biāo)區(qū)域用于指示完整的目標(biāo)在所述訓(xùn)練圖片中的位置;
根據(jù)所述Fast R-CNN網(wǎng)絡(luò)、所述區(qū)域建議網(wǎng)絡(luò)以及所述訓(xùn)練圖片對應(yīng)的目標(biāo)區(qū)域,獲取各所述目標(biāo)的所述Fast R-CNN網(wǎng)絡(luò)對應(yīng)的網(wǎng)絡(luò)參數(shù)和所述區(qū)域建議網(wǎng)絡(luò)對應(yīng)的網(wǎng)絡(luò)參數(shù)。
6.根據(jù)權(quán)利要求5所述的方法,其特征在于,所述根據(jù)所述Fast R-CNN網(wǎng)絡(luò)、所述區(qū)域建議網(wǎng)絡(luò)以及所述訓(xùn)練圖片對應(yīng)的目標(biāo)區(qū)域,獲取各所述目標(biāo)的所述Fast R-CNN網(wǎng)絡(luò)對應(yīng)的網(wǎng)絡(luò)參數(shù)和所述區(qū)域建議網(wǎng)絡(luò)對應(yīng)的網(wǎng)絡(luò)參數(shù),包括:
通過所述Fast R-CNN網(wǎng)絡(luò)對所述訓(xùn)練圖片進(jìn)行卷積處理,得到共享卷積層;
從所述共享卷積層提取所述第二特征圖,根據(jù)第二預(yù)設(shè)訓(xùn)練參數(shù),通過所述區(qū)域建議網(wǎng)絡(luò)對所述第二特征圖進(jìn)行區(qū)域建議處理,得到所述區(qū)域得分,根據(jù)所述區(qū)域得分,得到所述區(qū)域建議;
將所述共享卷積層疊加預(yù)設(shè)層數(shù)的卷積層作為特有卷積層,得到所述第一特征圖,所述特有卷積層包含的卷積層的個(gè)數(shù)大于所述共享卷積層包含的卷積層的個(gè)數(shù);
根據(jù)所述區(qū)域建議,對所述第一特征圖進(jìn)行區(qū)域標(biāo)記處理,得到所述區(qū)域標(biāo)記處理后的第一特征圖;
通過所述Fast R-CNN網(wǎng)絡(luò)對所述區(qū)域標(biāo)記出后的第一特征圖進(jìn)行池化處理,得到池化處理后的第一特征圖;
對所述池化處理后的第一特征圖進(jìn)行全連接處理,根據(jù)第三預(yù)設(shè)訓(xùn)練參數(shù),獲取所述訓(xùn)練圖片中的各目標(biāo)的分類得分;
根據(jù)所述區(qū)域建議、所述訓(xùn)練圖片中的各目標(biāo)的分類得分以及所述目標(biāo)區(qū)域,調(diào)整所述第二預(yù)設(shè)訓(xùn)練參數(shù)和所述第三預(yù)設(shè)訓(xùn)練參數(shù),得到所述區(qū)域建議網(wǎng)絡(luò)對應(yīng)的網(wǎng)絡(luò)參數(shù)和所述各所述目標(biāo)的所述Fast R-CNN網(wǎng)絡(luò)對應(yīng)的網(wǎng)絡(luò)參數(shù)。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息,商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于北京航空航天大學(xué),未經(jīng)北京航空航天大學(xué)許可,擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作,請聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/201710270013.4/1.html,轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 上一篇:一種樓房逃生器
- 下一篇:高層建筑長距離快速逃生管道
- 同類專利
- 專利分類
G06K 數(shù)據(jù)識(shí)別;數(shù)據(jù)表示;記錄載體;記錄載體的處理
G06K9-00 用于閱讀或識(shí)別印刷或書寫字符或者用于識(shí)別圖形,例如,指紋的方法或裝置
G06K9-03 .錯(cuò)誤的檢測或校正,例如,用重復(fù)掃描圖形的方法
G06K9-18 .應(yīng)用具有附加代碼標(biāo)記或含有代碼標(biāo)記的打印字符的,例如,由不同形狀的各個(gè)筆畫組成的,而且每個(gè)筆畫表示不同的代碼值的字符
G06K9-20 .圖像捕獲
G06K9-36 .圖像預(yù)處理,即無須判定關(guān)于圖像的同一性而進(jìn)行的圖像信息處理
G06K9-60 .圖像捕獲和多種預(yù)處理作用的組合
- 目標(biāo)檢測裝置、學(xué)習(xí)裝置、目標(biāo)檢測系統(tǒng)及目標(biāo)檢測方法
- 目標(biāo)監(jiān)測方法、目標(biāo)監(jiān)測裝置以及目標(biāo)監(jiān)測程序
- 目標(biāo)監(jiān)控系統(tǒng)及目標(biāo)監(jiān)控方法
- 目標(biāo)跟蹤方法和目標(biāo)跟蹤設(shè)備
- 目標(biāo)跟蹤方法和目標(biāo)跟蹤裝置
- 目標(biāo)檢測方法和目標(biāo)檢測裝置
- 目標(biāo)跟蹤方法、目標(biāo)跟蹤裝置、目標(biāo)跟蹤設(shè)備
- 目標(biāo)處理方法、目標(biāo)處理裝置、目標(biāo)處理設(shè)備及介質(zhì)
- 目標(biāo)處理方法、目標(biāo)處理裝置、目標(biāo)處理設(shè)備及介質(zhì)
- 目標(biāo)跟蹤系統(tǒng)及目標(biāo)跟蹤方法
- 電視場景切換的方法及電視
- 視頻場景控制系統(tǒng)及方法
- 場景開關(guān)及其場景開關(guān)構(gòu)件和場景圖標(biāo)卡組件
- 場景聯(lián)動(dòng)方法及場景聯(lián)動(dòng)系統(tǒng)
- 一種視頻場景分類方法、裝置、移動(dòng)終端及存儲(chǔ)介質(zhì)
- 一種Unity3D引擎的場景切換方法和系統(tǒng)
- 一種自動(dòng)駕駛場景分類識(shí)別系統(tǒng)及方法
- 一種虛擬場景生成方法、裝置、設(shè)備和存儲(chǔ)介質(zhì)
- 一種汽車圖像場景庫數(shù)據(jù)復(fù)雜度度量方法
- 場景識(shí)別方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)





