一种复杂环境下的图像目标识别方法及装置转让专利
申请号 : CN202110531977.6
文献号 : CN112990225B
文献日 : 2021-08-27
发明人 : 纪培端
申请人 : 深圳市维度数据科技股份有限公司
摘要 :
权利要求 :
1.一种复杂环境下的图像目标识别方法,其特征在于,所述方法包括:获得复杂背景下的目标图像信息;
对所述复杂背景下的目标图像信息进行目标边界确认预处理,获得预处理后的目标图像信息;
基于卷积神经网络模型对所述预处理后的目标图像信息进行目标提取处理,获得提取目标信息;
基于所述提取目标信息进行提取目标特征矩阵构建处理,获得提取目标特征矩阵;
基于所述提取目标特征矩阵与预设的目标标准特征矩阵进行匹配处理,获得匹配分数矩阵;
基于贝叶斯决策模型对所述匹配分数矩阵进行目标图像信息内的目标匹配识别处理,获得匹配识别结果;
所述基于卷积神经网络模型对所述预处理后的目标图像信息进行目标提取处理,获得提取目标信息,包括:
将所述预处理后的目标图像信息输入所述卷积神经网络模型中,在所述卷积神经网络模型中的向前传播网络中进行不同维度的目标特征提取处理,获得不同维度的目标特征;
将不同维度的目标特征通过RPN网络进行初次候选框的筛选和定位,去除不包含类似目标的候选框;
初次候选框的筛选和定位结果通过反卷积网络,输出与原始目标图像信息相同大小的校正图像;
将所述校正图像输入全连接网络与全连接层进行目标提取处理,获得提取目标信息;
所述在所述卷积神经网络模型中的向前传播网络中进行不同维度的目标特征提取处理,获得不同维度的目标特征,包括:所述预处理后的目标图像信息在所述卷积神经网络模型中的向前传播网络中进行向前传播时,依次对所述预处理后的目标图像信息进行批归一化、实例归一化处理,并提取不同维度的目标特征,获得不同维度的目标特征。
2.根据权利要求1所述的图像目标识别方法,其特征在于,所述对所述复杂背景下的目标图像信息进行目标边界确认预处理,获得预处理后的目标图像信息,包括:基于灰度等级直方图对所述复杂背景下的目标图像信息进行灰度化处理,获得灰度图像信息;
基于低通滤波对所述灰度图像信息进行可识别的小点噪声消除处理,获得消噪后的灰度图像信息;
依次基于高通滤波和差分运算对所述消噪后的灰度图像信息进行目标边界确认处理,获得预处理后的目标图像信息。
3.根据权利要求1所述的图像目标识别方法,其特征在于,所述卷积神经网络模型包括向前传播网络、RPN网络、反卷积网络和全连接网络与全连接层,并且在所述反卷积网络中具有图像校正模块。
4.根据权利要求1所述的图像目标识别方法,其特征在于,所述基于所述提取目标信息进行提取目标特征矩阵构建处理,获得提取目标特征矩阵,包括:基于灰度等级直方图对所述提取目标信息进行灰度化处理,获得灰度化提取目标信息;
基于灰度化提取目标信息的灰度像素值进行提取目标特征矩阵的构建处理,获得提取目标特征矩阵。
5.根据权利要求1所述的图像目标识别方法,其特征在于,所述基于所述提取目标特征矩阵与预设的目标标准特征矩阵进行匹配处理,获得匹配分数矩阵,包括:将所述提取目标特征矩阵中的每一个矩阵元素与所述预设的目标标准特征矩阵对应的每一个矩阵元素进行一一对应匹配处理,形成匹配分数矩阵。
6.根据权利要求5所述的图像目标识别方法,其特征在于,所述将所述提取目标特征矩阵中的每一个矩阵元素与所述预设的目标标准特征矩阵对应的每一个矩阵元素进行一一对应匹配处理,形成匹配分数矩阵,包括:将所述提取目标特征矩阵中的矩阵元素减去所述预设的目标标准特征矩阵对应的矩阵元素,获得对应的元素差值;
基于所述对应的元素差值除以所述预设的目标标准特征矩阵对应的矩阵元素,获得矩阵元素的匹配分数;
基于所述矩阵元素的匹配分数形成匹配分数矩阵。
7.根据权利要求1所述的图像目标识别方法,其特征在于,所述基于贝叶斯决策模型对所述匹配分数矩阵进行目标图像信息内的目标匹配识别处理,获得匹配识别结果,包括:将所述匹配分数矩阵中的每一个匹配分数元素在所述贝叶斯决策模型中进行每个匹配分数决策识别,形成决策识别结果矩阵;
基于所述决策识别结果矩阵对所述目标图像信息内的目标进行识别,获得识别结果。
8.一种复杂环境下的图像目标识别装置,其特征在于,所述装置包括:获得模块:用于获得复杂背景下的目标图像信息;
预处理模块:用于对所述复杂背景下的目标图像信息进行目标边界确认预处理,获得预处理后的目标图像信息;
目标提取模块:用于基于卷积神经网络模型对所述预处理后的目标图像信息进行目标提取处理,获得提取目标信息;
矩阵构建模块:用于基于所述提取目标信息进行提取目标特征矩阵构建处理,获得提取目标特征矩阵;
匹配处理模块:用于基于所述提取目标特征矩阵与预设的目标标准特征矩阵进行匹配处理,获得匹配分数矩阵;
匹配识别模块:用于基于贝叶斯决策模型对所述匹配分数矩阵进行目标图像信息内的目标匹配识别处理,获得匹配识别结果;
所述目标提取模块:还用于将所述预处理后的目标图像信息输入所述卷积神经网络模型中,在所述卷积神经网络模型中的向前传播网络中进行不同维度的目标特征提取处理,获得不同维度的目标特征;将不同维度的目标特征通过RPN网络进行初次候选框的筛选和定位,去除不包含类似目标的候选框;初次候选框的筛选和定位结果通过反卷积网络,输出与原始目标图像信息相同大小的校正图像;将所述校正图像输入全连接网络与全连接层进行目标提取处理,获得提取目标信息;
所述在所述卷积神经网络模型中的向前传播网络中进行不同维度的目标特征提取处理,获得不同维度的目标特征,包括:所述预处理后的目标图像信息在所述卷积神经网络模型中的向前传播网络中进行向前传播时,依次对所述预处理后的目标图像信息进行批归一化、实例归一化处理,并提取不同维度的目标特征,获得不同维度的目标特征。
说明书 :
一种复杂环境下的图像目标识别方法及装置
技术领域
背景技术
一般情况下的公共场所的监控识别,或者要求更加精确和高安全性的门禁识别,又或者一
些应用安全性要求较高的人脸识别等;在需要就高安全的图像目标的识别时,现有技术一
般是通过采集图像目标上传至后台服务器中进行匹配识别,又或者在终端配备较高计算能
力的处理器进行处理识别,这样一来,要么需要进行连网,要么需要配置较高的终端设备,
在用户需要实现高精度目标识别时,需要给用户带来了较大的使用成本要求。
发明内容
且降低用户的使用成本。
征;
取不同维度的目标特征,获得不同维度的目标特征。
络模型对所述预处理后的目标图像信息进行目标提取处理,获得提取目标信息;基于所述
提取目标信息进行提取目标特征矩阵构建处理,获得提取目标特征矩阵;基于所述提取目
标特征矩阵与预设的目标标准特征矩阵进行匹配处理,获得匹配分数矩阵;基于贝叶斯决
策模型对所述匹配分数矩阵进行目标图像信息内的目标匹配识别处理,获得匹配识别结
果;对于计算要求相对较小,可以有普通的终端即可完成,并且可以实现高精度的识别图像
中的目标信息,提高识别应用的安全性,同时降低用户的使用成本。
附图说明
发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以
根据这些附图获得其它的附图。
具体实施方式
本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它
实施例,都属于本发明保护的范围。
输入而得到复杂背景下的目标图像信息。
的目标图像信息进行灰度化处理,获得灰度图像信息;基于低通滤波对所述灰度图像信息
进行可识别的小点噪声消除处理,获得消噪后的灰度图像信息;依次基于高通滤波和差分
运算对所述消噪后的灰度图像信息进行目标边界确认处理,获得预处理后的目标图像信
息。
息进行灰度化处理,获得灰度图像信息;然后通过低通滤波对灰度图像信息进行可识别的
小点噪声消除处理,获得消噪后的灰度图像信息,这样可以有效的消除灰度等级直方图处
理带来的一些可识别的小点噪声,起到降噪的作用;最后,依次通过高通滤波和差分运算算
法对消噪后的灰度图像信息进行目标边界确认处理,获得预处理后的目标图像信息;这样
可以使得目标图像的轮廓线增强,起到确定图像信息的上下左右边界。
络模型中,在所述卷积神经网络模型中的向前传播网络中进行不同维度的目标特征提取处
理,获得不同维度的目标特征;将不同维度的目标特征通过RPN网络进行初次候选框的筛选
和定位,去除不包含类似目标的候选框;初次候选框的筛选和定位结果通过反卷积网络,输
出与原始目标图像信息相同大小的校正图像;将所述校正图像输入全连接网络与全连接层
进行目标提取处理,获得提取目标信息。
积神经网络模型中的向前传播网络中进行向前传播时,依次对所述预处理后的目标图像信
息进行批归一化、实例归一化处理,并提取不同维度的目标特征,获得不同维度的目标特
征。
块,该校正模块具有对图像进行校正功能。
的目标特征提取处理,获得不同维度的目标特征;然后将不同维度的目标特征通过RPN网络
进行初次候选框的筛选和定位,去除不包含类似目标的候选框;初次候选框的筛选和定位
结果通过反卷积网络,输出与原始目标图像信息相同大小的校正图像;将校正图像输入全
连接网络与全连接层进行目标提取处理,获得提取目标信息。
息进行批归一化、实例归一化处理,并提取不同维度的目标特征,获得不同维度的目标特
征;实例归一化的目的是降低光照对卷积神经网络模型进行提取不同维度的目标特征的干
扰,提高卷积神经网络模型对复杂环境下目标图像的提取目标信息的精确度。
化处理,获得灰度化提取目标信息;基于灰度化提取目标信息的灰度像素值进行提取目标
特征矩阵的构建处理,获得提取目标特征矩阵。
阵;在本实施例中,对提取目标信息进行灰度化是采用灰度等级直方图的方式进行,当然也
可以采用其他的方式进行;采用灰度等级直方图的方式,可以有效的保存提取目标图像信
息中的像素特征,更有利于后续的识别处理。
元素与所述预设的目标标准特征矩阵对应的每一个矩阵元素进行一一对应匹配处理,形成
匹配分数矩阵。
所述提取目标特征矩阵中的矩阵元素减去所述预设的目标标准特征矩阵对应的矩阵元素,
获得对应的元素差值;基于所述对应的元素差值除以所述预设的目标标准特征矩阵对应的
矩阵元素,获得矩阵元素的匹配分数;基于所述矩阵元素的匹配分数形成匹配分数矩阵。
并那个对应的匹配分数形成匹配分数矩阵。
的矩阵元素,获得矩阵元素的匹配分数;最终利用矩阵元素的匹配分数形成匹配分数矩阵;
具体公式如下:Sij=(dij‑eij)/ eij;其中,dij表示提取目标特征矩阵中的第i行第j列的矩阵
元素;eij表示预设的目标标准特征矩阵中的第i行第j列的矩阵元素;Sij表示第i行第j列的
矩阵元素对应的匹配分数,匹配分数矩阵S=Sij,i,j=1,2,3,…,N。
一个匹配分数元素在所述贝叶斯决策模型中进行每个匹配分数决策识别,形成决策识别结
果矩阵;基于所述决策识别结果矩阵对所述目标图像信息内的目标进行识别,获得识别结
果。
内的目标进行识别,获得识别结果。
斥关系,P(H=0)=1‑g,即根据贝叶斯理论,后验概率为:p=P(H=1| Sij)=(P(Sij | H=1)g)/(P
(Sij | H=0)(1‑g)+(Sij | H=1)g)。
0,H=1)+ E10P(G=1,H=0)+ E11P(G=1,H=1)。
时,P(Sij | H=1)/ P(Sij | H=0)>1;在其他的情况下,G=0。
络模型对所述预处理后的目标图像信息进行目标提取处理,获得提取目标信息;基于所述
提取目标信息进行提取目标特征矩阵构建处理,获得提取目标特征矩阵;基于所述提取目
标特征矩阵与预设的目标标准特征矩阵进行匹配处理,获得匹配分数矩阵;基于贝叶斯决
策模型对所述匹配分数矩阵进行目标图像信息内的目标匹配识别处理,获得匹配识别结
果;对于计算要求相对较小,可以有普通的终端即可完成,并且可以实现高精度的识别图像
中的目标信息,提高识别应用的安全性,同时降低用户的使用成本。
输入而得到复杂背景下的目标图像信息。
的目标图像信息进行灰度化处理,获得灰度图像信息;基于低通滤波对所述灰度图像信息
进行可识别的小点噪声消除处理,获得消噪后的灰度图像信息;依次基于高通滤波和差分
运算对所述消噪后的灰度图像信息进行目标边界确认处理,获得预处理后的目标图像信
息。
息进行灰度化处理,获得灰度图像信息;然后通过低通滤波对灰度图像信息进行可识别的
小点噪声消除处理,获得消噪后的灰度图像信息,这样可以有效的消除灰度等级直方图处
理带来的一些可识别的小点噪声,起到降噪的作用;最后,依次通过高通滤波和差分运算算
法对消噪后的灰度图像信息进行目标边界确认处理,获得预处理后的目标图像信息;这样
可以使得目标图像的轮廓线增强,起到确定图像信息的上下左右边界。
络模型中,在所述卷积神经网络模型中的向前传播网络中进行不同维度的目标特征提取处
理,获得不同维度的目标特征;将不同维度的目标特征通过RPN网络进行初次候选框的筛选
和定位,去除不包含类似目标的候选框;初次候选框的筛选和定位结果通过反卷积网络,输
出与原始目标图像信息相同大小的校正图像;将所述校正图像输入全连接网络与全连接层
进行目标提取处理,获得提取目标信息。
积神经网络模型中的向前传播网络中进行向前传播时,依次对所述预处理后的目标图像信
息进行批归一化、实例归一化处理,并提取不同维度的目标特征,获得不同维度的目标特
征。
块,该校正模块具有对图像进行校正功能。
的目标特征提取处理,获得不同维度的目标特征;然后将不同维度的目标特征通过RPN网络
进行初次候选框的筛选和定位,去除不包含类似目标的候选框;初次候选框的筛选和定位
结果通过反卷积网络,输出与原始目标图像信息相同大小的校正图像;将校正图像输入全
连接网络与全连接层进行目标提取处理,获得提取目标信息。
息进行批归一化、实例归一化处理,并提取不同维度的目标特征,获得不同维度的目标特
征;实例归一化的目的是降低光照对卷积神经网络模型进行提取不同维度的目标特征的干
扰,提高卷积神经网络模型对复杂环境下目标图像的提取目标信息的精确度。
化处理,获得灰度化提取目标信息;基于灰度化提取目标信息的灰度像素值进行提取目标
特征矩阵的构建处理,获得提取目标特征矩阵。
阵;在本实施例中,对提取目标信息进行灰度化是采用灰度等级直方图的方式进行,当然也
可以采用其他的方式进行;采用灰度等级直方图的方式,可以有效的保存提取目标图像信
息中的像素特征,更有利于后续的识别处理。
元素与所述预设的目标标准特征矩阵对应的每一个矩阵元素进行一一对应匹配处理,形成
匹配分数矩阵。
所述提取目标特征矩阵中的矩阵元素减去所述预设的目标标准特征矩阵对应的矩阵元素,
获得对应的元素差值;基于所述对应的元素差值除以所述预设的目标标准特征矩阵对应的
矩阵元素,获得矩阵元素的匹配分数;基于所述矩阵元素的匹配分数形成匹配分数矩阵。
并那个对应的匹配分数形成匹配分数矩阵。
的矩阵元素,获得矩阵元素的匹配分数;最终利用矩阵元素的匹配分数形成匹配分数矩阵;
具体公式如下:Sij=(dij‑eij)/ eij;其中,dij表示提取目标特征矩阵中的第i行第j列的矩阵
元素;eij表示预设的目标标准特征矩阵中的第i行第j列的矩阵元素;Sij表示第i行第j列的
矩阵元素对应的匹配分数,匹配分数矩阵S=Sij,i,j=1,2,3,…,N。
一个匹配分数元素在所述贝叶斯决策模型中进行每个匹配分数决策识别,形成决策识别结
果矩阵;基于所述决策识别结果矩阵对所述目标图像信息内的目标进行识别,获得识别结
果。
内的目标进行识别,获得识别结果。
斥关系,P(H=0)=1‑g,即根据贝叶斯理论,后验概率为:p=P(H=1| Sij)=(P(Sij | H=1)g)/(P
(Sij | H=0)(1‑g)+(Sij | H=1)g)。
0,H=1)+ E10P(G=1,H=0)+ E11P(G=1,H=1)。
时,P(Sij | H=1)/ P(Sij | H=0)>1;在其他的情况下,G=0。
络模型对所述预处理后的目标图像信息进行目标提取处理,获得提取目标信息;基于所述
提取目标信息进行提取目标特征矩阵构建处理,获得提取目标特征矩阵;基于所述提取目
标特征矩阵与预设的目标标准特征矩阵进行匹配处理,获得匹配分数矩阵;基于贝叶斯决
策模型对所述匹配分数矩阵进行目标图像信息内的目标匹配识别处理,获得匹配识别结
果;对于计算要求相对较小,可以有普通的终端即可完成,并且可以实现高精度的识别图像
中的目标信息,提高识别应用的安全性,同时降低用户的使用成本。
介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random
Access Memory)、磁盘或光盘等。
实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技
术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本
说明书内容不应理解为对本发明的限制。