[發(fā)明專利]一種基于目標(biāo)檢測的表觀特征監(jiān)測數(shù)據(jù)智能標(biāo)注方法

在審

• 申請?zhí)枺?/td>: 202010013006.8
• 申請日: 2020-01-07
• 公開（公告）號(hào): CN111222462A
• 公開（公告）日: 2020-06-02
• 發(fā)明（設(shè)計(jì)）人: 王如賓;張坤;祁健;徐衛(wèi)亞;王環(huán)玲;丁綿剛
• 申請（專利權(quán)）人: 河海大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06K9/40;G06N3/04
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 柏尚春

1.一種基于目標(biāo)檢測的表觀特征監(jiān)測數(shù)據(jù)智能標(biāo)注方法，其特征在于：包括以下步驟：

步驟(1)，對(duì)數(shù)據(jù)進(jìn)行獲取與處理；

步驟(2)，對(duì)已經(jīng)采集的數(shù)據(jù)進(jìn)行標(biāo)注；

步驟(3)，對(duì)模型進(jìn)行初步訓(xùn)練；

步驟(4)，對(duì)新數(shù)據(jù)進(jìn)行檢測，即利用步驟(3)中初步訓(xùn)練好的模型對(duì)由步驟(1)中獲取的新數(shù)據(jù)進(jìn)行檢測，得出初步檢測結(jié)果；

步驟(5)，將已有的標(biāo)注數(shù)據(jù)與其模型訓(xùn)練結(jié)果導(dǎo)入目標(biāo)檢測系統(tǒng)；

步驟(6)，對(duì)結(jié)果進(jìn)行微調(diào)，對(duì)已經(jīng)分類訓(xùn)練好的數(shù)據(jù)進(jìn)行檢測，修正錯(cuò)誤結(jié)果；

步驟(7)，對(duì)模型進(jìn)行迭代優(yōu)化，將步驟(6)中經(jīng)過調(diào)整的數(shù)據(jù)再用于模型的迭代優(yōu)化，調(diào)整模型中的神經(jīng)網(wǎng)絡(luò)模型中學(xué)習(xí)率η、正則化參數(shù)λ超參數(shù)計(jì)算直到輸出誤差達(dá)到最終要求結(jié)束訓(xùn)練。

2.根據(jù)權(quán)利要求1所述的基于目標(biāo)檢測的表觀特征監(jiān)測數(shù)據(jù)智能標(biāo)注方法，其特征在于：步驟(1)中，數(shù)據(jù)獲取與處理過程為利用基于幀率提取的數(shù)據(jù)提取方法來對(duì)數(shù)據(jù)進(jìn)行獲取，所述數(shù)據(jù)獲取與處理過程包括以下步驟：

步驟(1.1)，首先選用精度為每秒60～120幀的攝像機(jī)在檢測現(xiàn)場或者實(shí)驗(yàn)裝置側(cè)面進(jìn)行拍攝；

步驟(1.2),通過Python程序?qū)崟r(shí)將視頻傳入電腦；

步驟(1.3)，將視頻中的每一幀圖像提取出來；

步驟(1.4)，利用圖像降噪算法采集的圖像進(jìn)行降噪處理，得到突出所需特征的圖像數(shù)據(jù)；

步驟(1.5)，將數(shù)據(jù)集劃分為：訓(xùn)練集、驗(yàn)證集與測試集。

3.根據(jù)權(quán)利要求2所述的基于目標(biāo)檢測的表觀特征監(jiān)測數(shù)據(jù)智能標(biāo)注方法，其特征在于：所述圖像降噪算法包括算術(shù)均值濾波、高斯濾波、NLM(Non-Local means)算法或者BM3D去噪算法。

4.根據(jù)權(quán)利要求2所述的基于目標(biāo)檢測的表觀特征監(jiān)測數(shù)據(jù)智能標(biāo)注方法，其特征在于：步驟(1.5)中，所述訓(xùn)練集為90％，所述驗(yàn)證集為5％，所述測試集為5％。

5.根據(jù)權(quán)利要求1至5中任一項(xiàng)所述的基于目標(biāo)檢測的表觀特征監(jiān)測數(shù)據(jù)智能標(biāo)注方法，其特征在于：步驟(3)中，所述模型使用神經(jīng)網(wǎng)絡(luò)進(jìn)行初步訓(xùn)練，所述模型訓(xùn)練過程包括以下步驟：

步驟(3.1)：初始化，隨機(jī)給定各連接權(quán)值[w],[v]及閾值θ_i,b_i；使用單隱層的神經(jīng)網(wǎng)絡(luò)；其中：輸出層第i個(gè)神經(jīng)元的閾值為θ_i，隱層第i個(gè)神經(jīng)元的閾值為b_i；輸入層與隱層之間的連接權(quán)為[w]，隱層與輸出層之間的連接權(quán)為[v]；

步驟(3.2)：由給定的輸入輸出模式計(jì)算隱層、輸出層各單元輸出；

步驟(3.3)：利用梯度下降算法計(jì)算新的連接權(quán)及閾值；

步驟(3.4)：輸入驗(yàn)證集、測試集，進(jìn)行交叉驗(yàn)證，調(diào)整模型；

步驟(3.5)：直到網(wǎng)絡(luò)輸出誤差達(dá)到初步要求結(jié)束訓(xùn)練。