[發明專利]對象識別方法及裝置

在審

• 申請號: 201710891134.0
• 申請日: 2017-09-27
• 公開（公告）號: CN107729822A
• 公開（公告）日: 2018-02-23
• 發明（設計）人: 萬韶華
• 申請（專利權）人: 北京小米移動軟件有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04
• 代理公司: 北京格羅巴爾知識產權代理事務所(普通合伙)11406
• 代理人: 孫德崇

1.一種對象識別方法，其特征在于，所述方法包括：

對待識別圖像進行歸一化處理，獲取歸一化后的待識別圖像；

根據深度卷積神經網絡模型，確定所述歸一化后的待識別圖像中第一目標對象的多個特征點的位置；

根據所述第一目標對象的多個特征點的位置，確定所述第一目標對象的位置。

2.根據權利要求1所述的方法，其特征在于，所述方法還包括：

根據所述第一目標對象的位置，對所述歸一化后的待識別圖像中的第二目標對象進行識別，

其中，在所述歸一化后的待識別圖像中，所述第一目標對象對所述第二目標對象有遮擋。

3.根據權利要求1所述的方法，其特征在于，所述深度卷積神經網絡模型包括一個全連接層。

4.根據權利要求1所述的方法，其特征在于，所述深度卷積神經網絡模型包括多個卷積層，每個卷積層包括3×3、5×5、7×7、9×9或11×11的卷積核。

5.根據權利要求1所述的方法，其特征在于，所述方法還包括：

針對歸一化后的參考圖像，采用深度卷積神經網絡模型確定所述歸一化后的參考圖像中第一目標對象的多個特征點的預測位置；

根據所述預測位置以及所述第一目標對象的多個特征點的參考位置，確定所述深度卷積神經網絡模型的目標函數值；

根據所述目標函數值，對所述深度卷積神經網絡模型的參數權重進行調整，確定調整后的深度卷積神經網絡模型；

在調整后的深度卷積神經網絡模型的目標函數滿足預測條件時，將所述調整后的深度卷積神經網絡模型確定為最終的深度卷積神經網絡模型。

6.根據權利要求1所述的方法，其特征在于，所述深度卷積神經網絡模型的目標函數包括L2范數損失函數。

7.一種對象識別裝置，其特征在于，所述裝置包括：

歸一化模塊，用于對待識別圖像進行歸一化處理，獲取歸一化后的待識別圖像；

第一位置確定模塊，用于根據深度卷積神經網絡模型，確定所述歸一化后的待識別圖像中第一目標對象的多個特征點的位置；

第二位置確定模塊，用于根據所述第一目標對象的多個特征點的位置，確定所述第一目標對象的位置。

8.根據權利要求7所述的裝置，其特征在于，所述裝置還包括：

對象識別模塊，用于根據所述第一目標對象的位置，對所述歸一化后的待識別圖像中的第二目標對象進行識別，

其中，在所述歸一化后的待識別圖像中，所述第一目標對象對所述第二目標對象有遮擋。

9.根據權利要求7所述的裝置，其特征在于，所述深度卷積神經網絡模型包括一個全連接層。

10.根據權利要求7所述的裝置，其特征在于，所述深度卷積神經網絡模型包括多個卷積層，每個卷積層包括3×3、5×5、7×7、9×9或11×11的卷積核。

11.根據權利要求7所述的裝置，其特征在于，所述裝置還包括：

預測位置確定模塊，用于針對歸一化后的參考圖像，采用深度卷積神經網絡模型確定所述歸一化后的參考圖像中第一目標對象的多個特征點的預測位置；

函數值確定模塊，用于根據所述預測位置以及所述第一目標對象的多個特征點的參考位置，確定所述深度卷積神經網絡模型的目標函數值；

權重調整模塊，用于根據所述目標函數值，對所述深度卷積神經網絡模型的參數權重進行調整，確定調整后的深度卷積神經網絡模型；

模型確定模塊，用于在調整后的深度卷積神經網絡模型的目標函數滿足預測條件時，將所述調整后的深度卷積神經網絡模型確定為最終的深度卷積神經網絡模型。

12.根據權利要求7所述的裝置，其特征在于，所述深度卷積神經網絡模型的目標函數包括L2范數損失函數。

13.一種對象識別裝置，其特征在于，包括：

處理器；

用于存儲處理器可執行指令的存儲器；

其中，所述處理器被配置為：執行權利要求1-6中任意一項所述的方法。

14.一種非臨時性計算機可讀存儲介質，當所述存儲介質中的指令由處理器執行時，使得處理器能夠執行根據權利要求1-6中任意一項所述的方法。