[發明專利]一種基于前饋特征提取的深度學習識別系統及方法

有效

• 申請號: 201710719610.0
• 申請日: 2017-08-21
• 公開（公告）號: CN107633258B
• 公開（公告）日: 2020-04-10
• 發明（設計）人: 梁斌焱;王燕波;廖俞;張科;王妍
• 申請（專利權）人: 北京精密機電控制設備研究所
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 中國航天科技專利中心 11009
• 代理人: 張麗娜

1.一種基于前饋特征提取的深度學習識別系統，其特征在于：該系統包括深度學習網絡模塊、第一特征融合模塊、第二特征融合模塊和分類模塊；

所述的深度學習網絡模塊用于提取目標物的低層特征、中層特征、高層特征和更高層特征；

所述的第一特征融合模塊用于對目標物的低層特征和目標物的中層特征進行融合，得到融合特征A；

所述的第二特征融合模塊用于對融合特征A和目標物的高層特征進行融合，得到融合特征B；

所述的分類模塊用于輸出目標物的位置信息和概率信息；并根據目標物的更高層特征對目標物進行分類。

2.根據權利要求1所述的一種基于前饋特征提取的深度學習識別系統，其特征在于：

所述目標物的低層特征是指目標物直線形狀或圓弧形狀、局部紋理特征和圖像整體梯度；所述的局部紋理特征是指目標物的局部邊緣界限、邊緣長度、亮度；

所述的目標物的中層特征是指目標物的帶角度信息的形狀、整體紋理特征、目標物局部梯度、角點；所述的整體紋理特征是指目標物整體邊緣界限、整體邊緣尺寸；所述角點是指目標物局部特征點；

所述的目標物的高層特征是指目標物的局部信息，局部信息包括局部的形狀、局部尺寸、局部顏色線條；

所述的更高層特征是指目標物的整體信息，包括整體的形狀、整體的尺寸、整體顏色線條。

3.根據權利要求1所述的一種基于前饋特征提取的深度學習識別系統，其特征在于：所述的深度學習網絡模塊提取目標物的低層特征的方法為：首先對包含目標物的圖像進行卷積，然后對卷積結果進行池化，最后對池化結果進行激活；

所述的深度學習網絡模塊提取目標物的中層特征的方法為：首先對提取的低層特征進行卷積，然后對卷積結果進行池化，最后對池化結果進行激活；

所述的深度學習網絡模塊提取目標物的高層特征的方法為：首先對融合特征A進行卷積，然后對卷積結果進行池化，最后對池化結果進行激活；

所述的深度學習網絡模塊提取目標物的更高層特征的方法為：首先對融合特征B進行卷積，然后對卷積結果進行池化，最后對池化結果進行激活。

4.根據權利要求1所述的一種基于前饋特征提取的深度學習識別系統，其特征在于：所述的第一特征融合模塊對目標物的低層特征和目標物的中層特征進行融合的方法為：首先將低層特征在深度學習網絡模塊中進行前饋，然后將低層特征的尺寸進行調整，使低層特征的尺寸和中層特征的尺寸相同，然后將低層特征和中層特征進行連接，得到融合特征A。

5.根據權利要求1所述的一種基于前饋特征提取的深度學習識別系統，其特征在于：所述的第二特征融合模塊對融合特征A和目標物的高層特征進行融合的方法為：首先將融合特征A在深度學習網絡模塊中進行前饋，然后將融合特征A的尺寸進行調整，使融合特征A的尺寸和高層特征的尺寸相同，然后將融合特征A和高層特征進行連接，得到融合特征B。

6.一種基于前饋特征提取的深度學習識別方法，其特征在于該方法的步驟包括：

(1)將包含目標物的圖像進入到深度學習網絡中；

(2)使用深度學習網絡模塊提取目標物的低層特征；

(3)在步驟(2)得到的低層特征的基礎上使用深度學習網絡模塊提取目標物的中層特征；

(4)將步驟(2)提取的目標物的低層特征和步驟(3)提取的目標物的中層特征使用第一特征融合模塊進行特征融合，得到融合特征A；

(5)在步驟(4)得到的融合特征A的基礎上使用深度學習網絡模塊提取目標物的高層特征；

(6)將步驟(4)得到的融合特征A和步驟(5)提取的目標物的高層特征使用第二特征融合模塊進行特征融合，得到融合特征B；

(7)在步驟(6)得到的融合特征B的基礎上使用深度學習網絡模塊進一步提取目標物的更高層特征；

(8)根據步驟(7)得到的更高層特征使用分類模塊對目標物進行分類，并輸出目標物的位置信息和概率信息，得到目標物在圖像中的位置和置信度。