[發(fā)明專利]一種基于前饋特征提取的深度學習識別系統(tǒng)及方法

有效

• 申請?zhí)枺?/td>: 201710719610.0
• 申請日: 2017-08-21
• 公開（公告）號: CN107633258B
• 公開（公告）日: 2020-04-10
• 發(fā)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

技術領域

本發(fā)明涉及一種基于前饋特征提取的深度學習識別系統(tǒng)及方法，屬于計算機視覺技術領域，所述的微小目標是指圖像尺寸小于150*150的目標物。

背景技術

在視覺識別技術中，深度學習識別技術的應用越來越廣泛，從人臉識別到物體識別，精度越來越高，速度悅來越快，大部分應用場合下，已經超過了人類的識別速度和精度。深度學習技術應在工業(yè)領域，是一個創(chuàng)新型的用法，能夠解決自動控制領域解決不了的難題。

然而微小物體的目標識別，目前深度學習還存以下難點：1.微小目標的體積小，在特征提取時，會被上層特征掩蓋。2.微小目標的數(shù)量多，通常一個視野中存在多個微小目標，特征提取層難以激活全部微小目標的節(jié)點，導致深度學習模型并不能全部識別出。3.微小目標的高層特征通常差別小，通常只能識別到宏觀類別，難以具體區(qū)分子類別。

發(fā)明內容

本發(fā)明的技術解決問題是：克服現(xiàn)有技術的不足，提出一種基于前饋特征提取的深度學習識別系統(tǒng)及方法。

本發(fā)明的技術解決方案是：

一種基于前饋特征提取的深度學習識別系統(tǒng)，該系統(tǒng)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(jù)目標物的更高層特征對目標物進行分類。

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。

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。

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。

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。

一種基于前饋特征提取的深度學習識別方法，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；