[發明專利]目標檢測輔助的場景識別方法

有效

• 申請號: 201710270013.4
• 申請日: 2017-04-24
• 公開（公告）號: CN107194318B
• 公開（公告）日: 2020-06-12
• 發明（設計）人: 王蘊紅;孫宇航;趙文婷;陳訓遜;劉慶杰;王博
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 張娜;劉芳

1.一種目標檢測輔助的場景識別方法，其特征在于，包括：

獲取待識別圖片，對所述待識別圖片進行采樣，得到預設數量和預設大小的樣本，根據卷積神經網絡模型對各所述樣本進行場景識別，得到所述待識別圖片對應的至少兩個場景；

獲取所述待識別圖片的區域建議和所述待識別圖片對應的第一特征圖，根據所述區域建議和所述待識別圖片，獲取所述待識別圖片中的各目標的分類得分；其中，所述區域建議用于指示包含至少一個目標的至少部分的區域，所述區域建議為區域建議網絡對第二特征圖進行處理得到的，所述第一特征圖和所述第二特征圖為Fast R-CNN網絡中對所述待識別圖片進行卷積處理得到的；

根據所述待識別圖片對應的至少兩個場景和各所述目標的分類得分，得到所述待識別圖片對應的場景；

所述獲取所述待識別圖片的區域建議和所述待識別圖片對應的第一特征圖，包括：

通過所述Fast R-CNN網絡對所述待識別圖片進行卷積處理，得到共享卷積層；

從所述共享卷積層提取所述第二特征圖，根據所述區域建議網絡對應的網絡參數，通過所述區域建議網絡對所述第二特征圖進行區域建議處理，得到各目標區域的區域得分，根據所述區域得分，得到所述區域建議；

將所述共享卷積層疊加預設層數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數大于所述共享卷積層包含的卷積層的個數。

2.根據權利要求1所述的方法，其特征在于，在所述根據卷積網絡模型對各所述樣本進行場景識別，得到所述待識別圖片對應的至少兩個場景之前，還包括：

獲取訓練圖片以及所述訓練圖片對應的標簽，所述標簽用于指示所述訓練圖片對應的場景；

根據所述卷積神經網絡模型和所述訓練圖片對應的標簽，獲取各所述場景對應的所述卷積神經網絡模型對應的網絡參數；

所述根據卷積網絡模型對各所述樣本進行場景識別，得到所述待識別圖片對應的至少兩個場景，包括：

根據各所述場景對應的所述卷積神經網絡模型對應的網絡參數，對各所述樣本進行場景識別，得到所述待識別圖片對應的至少兩個場景。

3.根據權利要求2所述的方法，其特征在于，所述根據所述卷積神經網絡模型和所述訓練圖片對應的標簽，獲取各所述場景對應的所述卷積神經網絡模型對應的網絡參數，包括：

對所述訓練圖片進行分割采樣，得到擴增后的訓練圖片；

根據第一預設訓練參數，對所述擴增后的訓練圖片進行預設處理，得到預設數量的第三特征圖，所述預設處理包括卷積、池化、歸一化處理；

對所述預設數量的第三特征圖進行多次全連接處理，得到所述訓練圖片對應的場景概率；

根據所述場景概率和所述訓練圖片對應的標簽，對所述第一預設訓練參數進行調整，得到所述場景對應的所述卷積神經網絡模型對應的網絡參數。

4.根據權利要求1所述的方法，其特征在于，所述根據所述區域建議和所述待識別圖片，獲取所述待識別圖片中的各目標的分類得分，包括：

根據所述區域建議，對所述第一特征圖進行區域標記處理，得到所述區域標記處理后的第一特征圖；

通過所述Fast R-CNN網絡對所述區域標記處理后的第一特征圖進行池化處理，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行全連接處理；

根據所述Fast R-CNN網絡對應的網絡參數，獲取所述待識別圖片中的各目標的分類得分。

5.根據權利要求4所述的方法，其特征在于，在所述獲取所述待識別圖片的區域建議和所述待識別圖片對應的第一特征圖之前，還包括：

獲取訓練圖片以及所述訓練圖片對應的目標區域，所述目標區域用于指示完整的目標在所述訓練圖片中的位置；

根據所述Fast R-CNN網絡、所述區域建議網絡以及所述訓練圖片對應的目標區域，獲取各所述目標的所述Fast R-CNN網絡對應的網絡參數和所述區域建議網絡對應的網絡參數。

6.根據權利要求5所述的方法，其特征在于，所述根據所述Fast R-CNN網絡、所述區域建議網絡以及所述訓練圖片對應的目標區域，獲取各所述目標的所述Fast R-CNN網絡對應的網絡參數和所述區域建議網絡對應的網絡參數，包括：

通過所述Fast R-CNN網絡對所述訓練圖片進行卷積處理，得到共享卷積層；

從所述共享卷積層提取所述第二特征圖，根據第二預設訓練參數，通過所述區域建議網絡對所述第二特征圖進行區域建議處理，得到所述區域得分，根據所述區域得分，得到所述區域建議；

將所述共享卷積層疊加預設層數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數大于所述共享卷積層包含的卷積層的個數；

根據所述區域建議，對所述第一特征圖進行區域標記處理，得到所述區域標記處理后的第一特征圖；

通過所述Fast R-CNN網絡對所述區域標記出后的第一特征圖進行池化處理，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行全連接處理，根據第三預設訓練參數，獲取所述訓練圖片中的各目標的分類得分；

根據所述區域建議、所述訓練圖片中的各目標的分類得分以及所述目標區域，調整所述第二預設訓練參數和所述第三預設訓練參數，得到所述區域建議網絡對應的網絡參數和所述各所述目標的所述Fast R-CNN網絡對應的網絡參數。