[發(fā)明專利]一種大焦距監(jiān)控場景下多尺度目標的快速精準識別方法

在審

• 申請?zhí)枺?/td>: 202010004300.2
• 申請日: 2020-01-03
• 公開（公告）號: CN111191621A
• 公開（公告）日: 2020-05-22
• 發(fā)明（設計）人: 魏世安;劉立強;江龍;王亞濤
• 申請（專利權）人: 北京同方軟件有限公司;同方股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

一種大焦距監(jiān)控場景下多尺度目標的快速精準識別方法，涉及人工智能領域和計算機視覺領域。本發(fā)明的方法步驟為：1）動態(tài)anchor設定：獲取訓練數(shù)據(jù)，并對訓練的目標進行數(shù)據(jù)擬合，通過大數(shù)據(jù)擬合來分析anchor的特性，動態(tài)的設定anchor的值。2）設計網(wǎng)絡結構DAnchorNet：設計DAnchorNet中目標檢測分支與目標分割分支，通過目標檢測分支與分割分支的結合來解決目標檢測超參閾值的設定。3）設計DAnchorNet的損失函數(shù)：通過動態(tài)權重設計方案來優(yōu)化訓練過程中的損失函數(shù)，關注目標區(qū)域的平均概率值來對總的損失進行調(diào)整。本發(fā)明通過動態(tài)anchor能有效提升大焦距監(jiān)控場景下多尺度目標的檢出率，通過分割與動態(tài)anchor檢測相結合的網(wǎng)絡結構能有效提升目標檢測的準確率，進而有效的提升目標識別的整體效果。

技術領域

本發(fā)明涉及人工智能領域和計算機視覺領域，特別是大焦距監(jiān)控場景下多尺度目標的快速精準識別方法。

背景技術

目標檢測與識別在生活中多個領域中有著廣泛的應用，它是將圖像或者視頻中的目標與不感興趣的部分區(qū)分開，判斷是否存在目標。若存在目標則確定目標的位置，識別目標是一種計算機視覺任務。目標檢測與識別是計算機視覺領域中一個非常重要的研究方向，隨著互聯(lián)網(wǎng)，人工智能技術，智能硬件的迅猛發(fā)展，人類生活中存在著大量的圖像和視頻數(shù)據(jù)，這使得計算機視覺技術在人類生活中起到的作用越來越大，對計算機視覺的研究也越來越火熱。目標檢測與識別，作為計算機視覺領域的基石，也越來越受到重視。在實際生活中應用也越來越廣泛，例如目標跟蹤，視頻監(jiān)控，信息安全，自動駕駛，圖像檢索，醫(yī)學圖像分析，網(wǎng)絡數(shù)據(jù)挖掘，無人機導航，遙感圖像分析，國防系統(tǒng)等。

目標檢測也就成為了近年來理論和應用的研究熱點，它是圖像處理和計算機視覺學科的重要分支，也是智能監(jiān)控系統(tǒng)的核心部分，同時目標檢測也是泛身份識別領域的一個基礎性的算法，對后續(xù)的人臉識別、步態(tài)識別、人群計數(shù)、實例分割等任務起著至關重要的作用。因此，提升目標檢測的準確率以及降低目標的漏檢率有著重要的實際意義。

目前，目標檢測與識別的研究方法主要有兩大類：基于傳統(tǒng)圖像處理和機器學習算法的目標檢測與識別方法、基于深度學習的目標檢測與識別方法。

1、基于傳統(tǒng)圖像處理和機器學習算法的目標檢測與識別方法：

傳統(tǒng)的目標檢測與識別方法可以表示為：目標特征提取-目標識別-目標定位。這里所用到的特征都是人為設計的，例如SIFT (尺度不變特征變換匹配算法ScaleInvariantFeatureTransform), HOG(方向梯度直方圖特征HistogramofOrientedGradient), SURF(加速穩(wěn)健特征Speeded Up Robust Features)等。通過這些特征對目標進行識別，然后再結合相應的策略對目標進行定位。

2、基于深度學習的目標檢測與識別方法：

如今，基于深度學習的目標檢測與識別成為主流方法，可以表示為：圖像的深度特征提取-基于深度神經(jīng)網(wǎng)絡的目標識別與定位，其中用到深度神經(jīng)網(wǎng)絡模型是卷積神經(jīng)網(wǎng)絡CNN。目前可以將現(xiàn)有的基于深度學習的目標檢測與識別算法大致分為以下三大類：

1）基于區(qū)域建議的目標檢測與識別算法，如R-CNN, Fast-R-CNN, Faster-R-CNN。

2）基于回歸的目標檢測與識別算法，如YOLO, SSD。

3）基于搜索的目標檢測與識別算法，如基于視覺注意的AttentionNet，基于強化學習的算法。

上述現(xiàn)有技術還存在的不足有：

1、基于傳統(tǒng)圖像處理和機器學習算法的目標檢測算法存在的缺陷：