[發(fā)明專利]空間戶型識(shí)別方法、裝置、計(jì)算機(jī)設(shè)備及存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202010017860.1
• 申請(qǐng)日: 2020-01-08
• 公開（公告）號(hào): CN111259734B
• 公開（公告）日: 2023-06-16
• 發(fā)明（設(shè)計(jì)）人: 王國(guó)彬;周煉鋒;胡鵬
• 申請(qǐng)（專利權(quán)）人: 深圳市彬訊科技有限公司
• 主分類號(hào): G06V20/00
• 分類號(hào): G06V20/00;G06V10/774
• 代理公司: 深圳眾鼎專利商標(biāo)代理事務(wù)所(普通合伙) 44325
• 代理人: 譚果林

1.一種空間戶型識(shí)別方法，其特征在于，包括：

接收空間戶型識(shí)別指令，獲取待識(shí)別空間圖片；

將所述待識(shí)別空間圖片輸入訓(xùn)練完成的基于Inception模型的空間識(shí)別模型，通過所述空間識(shí)別模型對(duì)所述待識(shí)別空間圖片進(jìn)行空間特征提取，并獲取所述空間識(shí)別模型根據(jù)所述空間特征輸出的識(shí)別標(biāo)簽，并將所述識(shí)別標(biāo)簽標(biāo)記在所述待識(shí)別空間圖片上；所述識(shí)別標(biāo)簽表征了所述待識(shí)別空間圖片的空間戶型類別，其中，所述識(shí)別標(biāo)簽為衛(wèi)生間、餐廳、衣帽間、客廳、臥室、陽臺(tái)、玄關(guān)、廚房、書房、兒童房和非空間戶型之中的一個(gè)；

所述將所述待識(shí)別空間圖片輸入訓(xùn)練完成的基于Inception模型的空間識(shí)別模型，通過所述空間識(shí)別模型對(duì)所述待識(shí)別空間圖片進(jìn)行空間特征提取，并獲取所述空間識(shí)別模型根據(jù)所述空間特征輸出的識(shí)別標(biāo)簽，包括：

將所述待識(shí)別空間圖片輸入訓(xùn)練完成的基于Inception模型的空間識(shí)別模型，通過所述空間識(shí)別模型提取所述待識(shí)別空間圖片中的空間特征；

根據(jù)所述空間特征，獲取所述空間識(shí)別模型中的瓶頸層輸出的特征向量數(shù)組；

將所述特征向量數(shù)組輸入所述空間識(shí)別模型中的Dropout層，所述Dropout層對(duì)所述特征向量數(shù)組按照預(yù)設(shè)的丟失概率進(jìn)行丟棄處理，得到強(qiáng)化向量數(shù)組；

將所述強(qiáng)化向量數(shù)組輸入所述空間識(shí)別模型中的全連接層，通過所述全連接層對(duì)所述強(qiáng)化向量數(shù)組進(jìn)行預(yù)測(cè)處理，獲取所述全連接層輸出的預(yù)測(cè)結(jié)果；

將所述預(yù)測(cè)結(jié)果輸入所述空間識(shí)別模型中的分類器，通過所述分類器對(duì)所述預(yù)測(cè)結(jié)果進(jìn)行分類處理，獲取所述分類器輸出的識(shí)別標(biāo)簽。

2.如權(quán)利要求1所述的空間戶型識(shí)別方法，其特征在于，所述將所述待識(shí)別空間圖片輸入訓(xùn)練完成的基于Inception模型的空間識(shí)別模型之前，包括：

獲取圖像樣本；其中，每個(gè)所述圖像樣本均與一個(gè)空間戶型類別標(biāo)簽關(guān)聯(lián)；

通過遷移學(xué)習(xí)，初始神經(jīng)網(wǎng)絡(luò)模型獲取Inception模型的所有模型參數(shù)，將所述所有模型參數(shù)確定為所述初始神經(jīng)網(wǎng)絡(luò)模型的初始參數(shù)；

將所述圖像樣本輸入包含所述初始神經(jīng)網(wǎng)絡(luò)模型；

通過所述初始神經(jīng)網(wǎng)絡(luò)模型提取所述圖像樣本中的空間特征；

獲取所述初始神經(jīng)網(wǎng)絡(luò)模型根據(jù)所述空間特征輸出的識(shí)別標(biāo)簽，并根據(jù)所述識(shí)別標(biāo)簽和所述空間戶型類別標(biāo)簽的匹配程度確定損失值；

在所述損失值達(dá)到預(yù)設(shè)的收斂條件時(shí)，將收斂之后的所述初始神經(jīng)網(wǎng)絡(luò)模型記錄為訓(xùn)練完成的基于Inception模型的空間識(shí)別模型。

3.如權(quán)利要求2所述的空間戶型識(shí)別方法，其特征在于，所述獲取所述初始神經(jīng)網(wǎng)絡(luò)模型根據(jù)所述空間特征輸出的識(shí)別標(biāo)簽，并根據(jù)所述識(shí)別標(biāo)簽和所述空間戶型類別標(biāo)簽的匹配程度確定損失值之后，還包括：

在所述損失值未達(dá)到預(yù)設(shè)的收斂條件時(shí)，迭代更新所述初始神經(jīng)網(wǎng)絡(luò)模型的初始參數(shù)，直至所述損失值達(dá)到所述預(yù)設(shè)的收斂條件時(shí)，將收斂之后的所述初始神經(jīng)網(wǎng)絡(luò)模型記錄為訓(xùn)練完成的基于Inception模型的空間識(shí)別模型。

4.如權(quán)利要求1所述的空間戶型識(shí)別方法，其特征在于，所述將所述待識(shí)別空間圖片輸入訓(xùn)練完成的基于Inception模型的空間識(shí)別模型，通過所述空間識(shí)別模型對(duì)所述待識(shí)別空間圖片進(jìn)行空間特征提取，并獲取所述空間識(shí)別模型根據(jù)所述空間特征輸出的識(shí)別標(biāo)簽，還包括：

通過所述空間識(shí)別模型中的灰度模型，將所述待識(shí)別空間圖片進(jìn)行灰度處理，得到灰度圖像；

將所述灰度圖像輸入所述空間識(shí)別模型中的標(biāo)簽識(shí)別模型，通過所述標(biāo)簽識(shí)別模型對(duì)所述灰度圖像進(jìn)行空間特征提取，并獲取所述標(biāo)簽識(shí)別模型根據(jù)所述空間特征輸出的識(shí)別標(biāo)簽。

5.如權(quán)利要求4所述的空間戶型識(shí)別方法，其特征在于，所述通過所述空間識(shí)別模型中的灰度模型，將所述待識(shí)別空間圖片進(jìn)行灰度處理，得到灰度圖像，包括：

獲取所述待識(shí)別空間圖片的每個(gè)像素點(diǎn)的R分量值、G分量值和B分量值；

根據(jù)每個(gè)所述像素點(diǎn)的R分量值、G分量值和B分量值，通過加權(quán)平均法得出每個(gè)所述像素點(diǎn)的灰度值；

將所有所述像素點(diǎn)的所述灰度值進(jìn)行組合生成所述待識(shí)別空間圖片的灰度圖像。