[發明專利]目標分類檢測方法、裝置與系統

有效

• 申請號: 202110238967.3
• 申請日: 2021-03-04
• 公開（公告）號: CN113139569B
• 公開（公告）日: 2022-04-22
• 發明（設計）人: 盧曉;毛序寧;劉海青;滕坤敏;王海霞;張治國;盛春陽;宋詩斌;聶君
• 申請（專利權）人: 山東科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06T7/62;G06F17/18
• 代理公司: 北京匯捷知識產權代理事務所(普通合伙) 11531
• 代理人: 宋鶴

1.一種目標分類檢測方法，其特征在于，包括：

獲取點云數據；所述點云數據包括動態事件傳感器所檢測到的動態事件所對應的數據點；每一數據點包括：水平位置和豎直位置；

在所述點云數據中提取目標點云集合；所述目標點云集合包括：目標動態事件所對應的點云集合；

計算目標點云集合的尺寸特征；其中，所述尺寸特征至少包括：目標點云集合的最小外接框高寬比，以及，所述目標點云集合所包含的數據點的個數；

提取所述目標點云集合的水平投影特征；其中，所述水平投影特征包括：第一概率密度函數曲線的最小值、最大值、均值和標準差中的至少一種；所述第一概率密度函數曲線用于表征所述目標點云集合在水平方向上數據點個數的概率分布密度；

提取所述目標點云集合的豎直投影特征；其中，所述豎直投影特征包括：第二概率密度函數曲線的最小值、最大值、均值和標準差中的至少一種；所述第二概率密度函數曲線用于表征所述目標點云集合在豎直方向上數據點個數的概率分布密度；

將尺寸特征、水平投影特征和豎直投影特征組成特征向量；

將所述特征向量進行標準化處理；

將標準化的特征向量輸入分類神經網絡，由所述分類神經網絡輸出目標分類預測結果；所述目標分類預測結果包括：各預設分類所對應的概率值；其中概率值最大的預設分類為所述目標動態事件的分類檢測結果。

2.如權利要求1所述的方法，其特征在于，所述分類神經網絡的訓練過程包括：

獲取動態事件傳感器檢測到的點云數據；

根據點云數據生成樣本；所述樣本包括特征向量和類別標簽；所述類別標簽的內容包括：相應的特征向量所對應的分類的實際值；

使用樣本構成訓練集和測試集；

初始化神經網絡模型的網絡參數；

基于訓練集中的樣本對神經網絡模型進行一輪迭代訓練，得到訓練后的神經網絡；所述一輪迭代訓練包括多次迭代訓練過程；

將測試集中的樣本輸入訓練后的神經網絡，獲得目標分類預測結果；

基于所述目標分類預測結果計算本輪迭代訓練所對應的分類準確率；

調整訓練后的神經網絡的系統參數，將調整系統參數后的神經網絡重新作為神經網絡模型，返回執行初始化神經網絡模型的網絡參數的步驟，直至完成X輪迭代訓練；

在X輪迭代訓練所對應的X個分類準確率中，確定最大的分類準確率所對應的系統參數，作為所述分類神經網絡最終的系統參數；X為預設整數值。

3.如權利要求2所述的方法，其特征在于，

每一輪迭代訓練的最大迭代次數為M；

其中，一輪迭代訓練中任一次迭代訓練過程包括：

將訓練集中的一個樣本輸入初始化后或經上一次迭代訓練過程訓練后的神經網絡，得到輸出值；

計算輸出值與樣本的類別標簽中的實際值的誤差；

根據誤差修正權重和偏置量；

計算輸出值與實際值的全局誤差L'；

若全局誤差小于誤差精度ε，或者當前迭代次數達到最大迭代次數M，停止運行；

否則，進入下一次迭代訓練；

其中，k表示第k個樣本，i表示第i個類別，N為樣本總數，b表示所述分類神經網絡輸出層的神經元個數，并且b的取值與分類數量的取值相等。

4.如權利要求3所述的方法，其特征在于，

所述神經網絡為單隱含層神經網絡；所述單隱含層神經網絡包括輸入層、隱含層和輸出層；

所述網絡參數包括：

輸入層與隱含層相連接的a×m的第一權重矩陣W¹；

隱含層與輸出層相連接的m×b的第二權重矩陣W²；

隱含層神經元的偏置量B¹；

輸出層神經元的偏置量B²；

輸出層激活函數；

誤差精度ε；

最大迭代次數M；

在初始化時，W¹、W²、B¹、B²中的數被隨機設置為-1至1之間的任意數值；

其中，a為輸入層的神經元個數；b為輸出層的神經元個數；m為隱含層的神經元個數。