[發明專利]基于深度學習的圖像識別方法和系統

在審

• 申請號: 202211227120.6
• 申請日: 2022-10-09
• 公開（公告）號: CN115527085A
• 公開（公告）日: 2022-12-27
• 發明（設計）人: 沈偉華;陶燎亮;周建東;商天戈
• 申請（專利權）人: 麗水學院
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/764;G06V10/80;G06V10/40
• 代理公司: 杭州華宸聯名知識產權代理事務所(特殊普通合伙) 33352
• 代理人: 胡鐵鋒

1.基于深度學習的圖像識別方法，用于識別圖像中的目標對象，其特征在于，所述方法包括：

獲取第一圖像、第二圖像和第三圖像，所述第一圖像和所述第二圖像分別是第一相機和第二相機在同一時間拍攝的圖像，所述第三圖像是所述第一圖像的前一幀圖像，所述第一相機和所述第二相機相距預設距離且拍攝方向相同；

利用預先訓練的遮擋識別模型，根據所述第一圖像、第二圖像和第三圖像生成所述第一圖像的像素遮擋分類圖，所述像素遮擋分類圖用于指示各個像素是否屬于目標對象的被遮擋區域，其中，所述遮擋識別模型根據第一樣本訓練集訓練得到，所述第一樣本訓練集包括多個第一樣本，所述第一樣本包括第一待訓練圖像、第二待訓練圖像、第三待訓練圖像以及所述第一待訓練圖像的像素遮擋分類圖，所述第一待訓練圖像的所述第二待訓練圖像分別是第三相機和第四相機在同一時間拍攝的圖像，所述第三待訓練圖像是所述第一待訓練圖像的前一幀圖像；

獲取所述第一圖像的深度圖；

根據所述第一圖像、所述第一圖像的像素遮擋分類圖和所述第一圖像的深度圖，識別所述第一圖像的目標對象。

2.根據權利要求1所述的基于深度學習的圖像識別方法，其特征在于，所述被遮擋區域識別模型包括：

第一特征提取層，用于提取所述第一圖像的第一特征圖；

第二特征提取層，用于提取第二圖像的第二特征圖；

第三特征提取層，用于提取第三圖像的第三特征圖；

第一融合層，用于融合所述第一特征圖、第二圖像圖和第三特征圖，得到第四特征圖；

第一卷積與反卷積層，用于根據所述第四特征圖生成所述第一圖像的像素遮擋分類圖。

3.根據權利要求1所述的基于深度學習的圖像識別方法，其特征在于，所述獲取所述第一圖像的深度圖，包括：根據所述第一圖像和所述第二圖像，生成第一圖像的深度圖。

4.根據權利要求3所述的基于深度學習的圖像識別方法，其特征在于，所述根據所述第一圖像和所述第二圖像，生成第一圖像的深度圖，包括：

根據預先訓練的深度識別模型，根據所述第一圖像和所述第二圖像生成所述第一圖像的深度圖。

5.根據權利要求4所述的基于深度學習的圖像識別方法，其特征在于，所述方法還包括：

根據所述第一圖像、所述深度圖以及所述第一圖像與所述第二圖像之間的姿態變化，視點合成待對比圖像；

若視點合成的所述待對比圖像與所述第一圖像之間的相似度低于預設閾值時，生成預警信息。

6.根據權利要求1所述的基于深度學習的圖像識別方法，其特征在于，所述獲取所述第一圖像的深度圖，包括：

利用所述第一相機處的雷達掃描模塊掃描得到所述第一圖像的深度圖，其中，所述雷達掃描模塊的掃描區域包含所述第一相機的拍攝區域。

7.根據權利要求1所述的基于深度學習的圖像識別方法，其特征在于，所述根據所述第一圖像、所述第一圖像的像素遮擋分類圖和所述第一圖像的深度圖，識別所述第一圖像的目標對象，包括：

利用預先訓練的圖像識別模型，根據所述第一圖像、所述第一圖像的像素遮擋分類圖和所述第一圖像的深度圖，識別所述第一圖像的目標對象，其中，所述圖像識別網絡根據第二樣本集訓練得到，所述第二樣本集包括多個第二樣本，所述第二樣本包括樣本圖像、所述樣本圖像的像素遮擋分類圖、所述樣本圖像的深度圖以及所述樣本圖像的目標對象標簽。

8.根據權利要求1～7任一所述的基于深度學習的圖像識別方法，其特征在于，所述圖像識別模型包括：

深度變化特征提取層，用于根據所述第一圖像的深度圖提取所述第一圖像的深度變化特征圖；

第二融合層，用于融合所述第一圖像、所述第一圖像的深度變化特征圖和所述第一圖像的像素遮擋分類圖，得到融合特征圖；

第二卷積和反卷積層，用于根據融合特征圖識別確定第一圖像的目標對象。