[發(fā)明專利]目標(biāo)的定位方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110349147.1
• 申請(qǐng)日: 2021-03-31
• 公開(kāi)（公告）號(hào): CN112926689A
• 公開(kāi)（公告）日: 2021-06-08
• 發(fā)明（設(shè)計(jì)）人: 李卓茜;羅琴;李潤(rùn)靜;唐光遠(yuǎn)
• 申請(qǐng)（專利權(quán)）人: 珠海格力電器股份有限公司;珠海聯(lián)云科技有限公司
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62;G06K9/46
• 代理公司: 北京聿宏知識(shí)產(chǎn)權(quán)代理有限公司 11372
• 代理人: 吳大建;陳敏

1.一種目標(biāo)的定位方法，其特征在于，包括：

獲取圖片數(shù)據(jù)；

確定所述圖片數(shù)據(jù)中滑動(dòng)檢測(cè)窗口對(duì)應(yīng)的各個(gè)圖片區(qū)域的第一特征信息；

將各個(gè)第一特征信息輸入至目標(biāo)支持向量機(jī)SVM分類(lèi)器中以從各個(gè)圖片區(qū)域中確定初始圖片區(qū)域集，其中，所述初始圖片區(qū)域集中每個(gè)初始圖片區(qū)域中包括目標(biāo)區(qū)域，所述SVM分類(lèi)器基于樣本集確定的，所述樣本集包括帶有正樣本標(biāo)簽的樣本圖片數(shù)據(jù)和帶有負(fù)樣本標(biāo)簽的樣本圖片數(shù)據(jù)，所述帶有正樣本標(biāo)簽的樣本圖片數(shù)據(jù)中包括目標(biāo)區(qū)域，帶有負(fù)樣本標(biāo)簽的樣本圖片數(shù)據(jù)中不包括目標(biāo)區(qū)域；

基于目標(biāo)隨機(jī)森林RF分類(lèi)器從所述初始圖片區(qū)域集中確定目標(biāo)圖片區(qū)域集，以基于所述目標(biāo)圖片區(qū)域集完成對(duì)目標(biāo)的定位，其中，所述RF分類(lèi)器基于所述樣本集確定的。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

獲取樣本集，其中，所述樣本集包帶有正樣本標(biāo)簽的樣本圖片數(shù)據(jù)和帶有負(fù)樣本標(biāo)簽的樣本圖片數(shù)據(jù)，所述帶有正樣本標(biāo)簽的樣本圖片數(shù)據(jù)中包括目標(biāo)區(qū)域，帶有負(fù)樣本標(biāo)簽的樣本圖片數(shù)據(jù)中不包括目標(biāo)區(qū)域；

確定所述樣本集中各個(gè)樣本圖片數(shù)據(jù)對(duì)應(yīng)的第二特征信息；

基于各個(gè)樣本圖片數(shù)據(jù)對(duì)應(yīng)的第二特征信息、及對(duì)應(yīng)的標(biāo)簽對(duì)初始SVM進(jìn)行訓(xùn)練，得到所述目標(biāo)SVM。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述方法還包括：

對(duì)各個(gè)樣本圖片數(shù)據(jù)對(duì)應(yīng)的第二特征信息進(jìn)行特征降維處理，得到各個(gè)樣本圖片數(shù)據(jù)對(duì)應(yīng)的第三特征信息；

基于各個(gè)樣本圖片數(shù)據(jù)對(duì)應(yīng)的第三特征信息、及對(duì)應(yīng)的標(biāo)簽對(duì)初始RF分類(lèi)器進(jìn)行訓(xùn)練，得到目標(biāo)RF分類(lèi)器。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述基于目標(biāo)隨機(jī)森林RF分類(lèi)器從所述初始圖片區(qū)域集中確定目標(biāo)圖片區(qū)域集，包括：

確定所述初始圖片區(qū)域集中各個(gè)初始圖片區(qū)域?qū)?yīng)的第四特征信息；

對(duì)各個(gè)初始圖片區(qū)域?qū)?yīng)的第四特征信息進(jìn)行特征降維處理，得到各個(gè)初始圖片區(qū)域?qū)?yīng)的第五特征信息；

將各個(gè)初始圖片區(qū)域?qū)?yīng)的第五特征信息輸入至RF分類(lèi)器中，以從各個(gè)初始圖片區(qū)域中確定目標(biāo)圖片區(qū)域集。

5.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述確定所述樣本集中各個(gè)樣本圖片數(shù)據(jù)對(duì)應(yīng)的第二特征信息，包括：

確定所述樣本集中各個(gè)樣本圖片數(shù)據(jù)對(duì)應(yīng)的像素特征；

確定所述樣本集中各個(gè)樣本圖片數(shù)據(jù)對(duì)應(yīng)的顏色直方圖特征；

確定所述樣本集中各個(gè)樣本圖片數(shù)據(jù)對(duì)應(yīng)的方向梯度直方圖HOG特征；

基于各個(gè)像素特征、各個(gè)顏色直方圖特征和各個(gè)HOG特征特征，確定各個(gè)樣本圖片數(shù)據(jù)對(duì)應(yīng)的第二特征信息。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述確定所述樣本集中各個(gè)樣本圖片數(shù)據(jù)對(duì)應(yīng)的方向梯度直方圖HOG特征，包括：

對(duì)樣本集中各個(gè)樣本圖片數(shù)據(jù)進(jìn)行灰度處理，得到各個(gè)灰度樣本圖片數(shù)據(jù)；

對(duì)各個(gè)灰度樣本圖片數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，得到各個(gè)標(biāo)準(zhǔn)樣本圖片數(shù)據(jù)；

計(jì)算各個(gè)標(biāo)準(zhǔn)樣本圖片數(shù)據(jù)對(duì)應(yīng)的HOG特征。

7.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述對(duì)各個(gè)樣本圖片數(shù)據(jù)對(duì)應(yīng)的第二特征信息進(jìn)行特征降維處理，得到各個(gè)樣本圖片數(shù)據(jù)對(duì)應(yīng)的第三特征信息，包括：

對(duì)各個(gè)樣本圖片數(shù)據(jù)對(duì)應(yīng)的第二特征信息采用數(shù)據(jù)中心化方法處理得到各個(gè)樣本圖片數(shù)據(jù)對(duì)應(yīng)的第六特征信息；

基于各個(gè)樣本圖片數(shù)據(jù)對(duì)應(yīng)的第六特征信息確定各個(gè)樣本圖片數(shù)據(jù)中特征與特征之間的協(xié)方差矩陣；

求解各個(gè)樣本圖片數(shù)據(jù)對(duì)應(yīng)的協(xié)方差矩陣的特征值和所述特征值對(duì)應(yīng)特征向量；

基于各個(gè)樣本圖片數(shù)據(jù)對(duì)應(yīng)的特征向量和特征值，確定各個(gè)樣本圖片數(shù)據(jù)對(duì)應(yīng)的排列矩陣；

獲取各個(gè)樣本圖片數(shù)據(jù)對(duì)應(yīng)的排列矩陣中的前K列數(shù)據(jù)，得到各個(gè)樣本圖片數(shù)據(jù)對(duì)應(yīng)的中間矩陣；

基于各個(gè)樣本圖片數(shù)據(jù)對(duì)應(yīng)的中間矩陣和對(duì)應(yīng)的第二特征信息得到各個(gè)圖片數(shù)據(jù)對(duì)應(yīng)的第三特征信息。