[發明專利]計數方法及裝置

有效

• 申請號: 201711037201.9
• 申請日: 2017-10-30
• 公開（公告）號: CN107818343B
• 公開（公告）日: 2021-01-08
• 發明（設計）人: 于涌;陳云霽;陳天石;劉少禮;郭崎;杜子東;劉道福
• 申請（專利權）人: 中國科學院計算技術研究所
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/02
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 任巖

本公開提供了一種計數方法，包括：對一深度神經網絡進行預訓練；利用標記圖像對預訓練后的所述深度神經網絡進行重訓練，得到二分類的目標檢測神經網絡；以及利用所述二分類的目標檢測神經網絡對待計數的圖像中包含的計數目標物體進行計數。本公開還提供了一種計數裝置。本公開計數方法及裝置應用范圍廣，可針對任意計數對象進行計數，節省人力并且提供了更高的通用性。

技術領域

本公開涉及人工智能技術領域，尤其涉及一種計數方法及裝置。

背景技術

目前的計數方法中，主要為人工計數，需要耗費大量的人工成本，費時費力。另外，目前雖已經有的一些使用神經網絡的計數方法中，但是應用領域過于狹窄，例如只能計數生物醫學圖像中的細胞數、或只能計數人數等，而沒有一個較為通用的計數手段。

發明內容

(一)要解決的技術問題

為了解決或者至少部分緩解上述技術問題，本公開提供了一種計數方法及裝置，其為一種基于深度神經網絡的圖像計數方法及裝置，用戶通過自主配置計數對象，使用本公開完成廣泛的計數任務。在具體計數時，本公開將計數問題轉換為一二分類問題，即一圖像中用戶指定的計數目標物體為一類，其余的物體為一類，將物體分類后，對用戶指定的一類計數目標物體進行統計識別，得到總數。

(二)技術方案

根據本公開的一個方面，提供了一種計數方法，包括：對一深度神經網絡進行預訓練；利用標記圖像對預訓練后的所述深度神經網絡進行重訓練，得到二分類的目標檢測神經網絡；以及利用所述二分類的目標檢測神經網絡對待計數的圖像中包含的計數目標物體進行計數。

在一些實施例中，所述標記圖像包含所述計數目標物體。

在一些實施例中，所述利用標記圖像對所述預訓練后的深度神經網絡進行重訓練，得到二分類的目標檢測神經網絡的步驟，包括：對至少一圖像中的所有計數目標物體進行標記，獲取所述標記圖像：采用一標記方式對所述標記圖像中所有計數目標物體進行標記，將標記圖像中的所有物體供分成兩類，一類是帶標記的目標物體，一類是不帶標記的其他物體，由此獲取所述標記圖像；將所述標記圖像輸入所述預訓練后的深度神經網絡，進行重訓練，重復該重訓練步驟直至神經網絡的輸出誤差小于一誤差閾值，得到一二分類的目標檢測神經網絡。

在一些實施例中，所述的計數方法，還包括：將未標記的待計數的圖像輸入所述二分類的目標檢測神經網絡中，得到目標物體的坐標位置信息及置信準確度分數；根據坐標位置信息或置信準確度分數進行計數：設定一準確度分數閾值，若準確度分數大于所述準確度分數閾值，則判定該處有目標物體。

在一些實施例中，所述預訓練后的深度神經網絡為多分類神經網絡，利用標記圖像對所述預訓練后的深度神經網絡進行重訓練，即通過遷移學習使所述多分類神經網絡轉換為一二分類的目標檢測神經網絡。

在一些實施例中，所述的計數方法，還包括：將所述二分類的目標檢測神經網絡復位；更換標記圖像，利用更換后的標記圖像對復位后的神經網絡進行重訓練；利用所述更換標記圖像之后經過重訓練的所述神經網絡對待計數的圖像中包含的更換后的計數目標物體進行計數；其中，所述更換后的標記圖像包含所述更換后的計數目標物體。

在一些實施例中，所述深度神經網絡為FAST R-CNN或YOLO。

根據本公開的另一個方面，還提供了一種計數裝置，包括：預處理模塊，用于對一深度神經網絡進行預訓練；處理模塊，用于利用標記圖像對預訓練后的所述深度神經網絡進行重訓練，得到二分類的目標檢測神經網絡；以及計數模塊，用于利用所述二分類的目標檢測神經網絡對待計數的圖像中包含的計數目標物體進行計數。

在一些實施例中，所述標記圖像包含所述計數目標物體。