一种目标识别方法及装置制造方法及图纸

本发明专利技术是关于一种目标识别方法及装置，通过从训练样本集中建立分割模型；使用分割模型，提取每个分割部件的特征向量及特征矩阵；对特征矩阵进行降维训练，得到分割部件的降维矩阵；使用降维矩阵将特征矩阵降维；利用降维后的特征矩阵得到每个分割部件的SVM分类检测器；使用SVM分类检测器检测检测图像，得到目标识别结果。该目标识别方法，结合人类认知学，将对新事物的识别从多样化的整体解析到相对单一的局部部件识别，然后利用概率公式将局部的识别结果结合起来反推出事物整体的识别结果，能够有效克服机器学习需要大样本库和多训练的限制，使得在相对单一的较小样本库中也能取得较好的多样化识别效果，提高目标识别的实用性和效率。

【技术实现步骤摘要】

本公开涉及图像处理
，尤其涉及一种目标识别方法及装置。
技术介绍
目标识别通常利用图像处理技术，将一类型的目标从检测图像中识别出来。例如车辆识别，即是从检测图像中识别是否存在车辆，通过车辆识别能够辅助车辆违章抓拍。为了进行目标识别，通常需要利用机器学习算法例如CNN(ConvolutionalNeuralNetworks，卷积神经网络)算法对计算机进行训练，使计算机从训练样本中提取目标的识别特征，进而利用所述识别特征判断检测图像中是否存在目标，完成目标识别。例如在车辆识别过程中，计算机使用大量车辆图像样本，进行机器学习算法的训练，从而提取车辆的识别特征；然后，获取车辆在公路违章位置的检测图像，通过所述识别特征，判断检测图像中是否存在车辆，如果存在车辆，则控制抓拍系统对违章位置的车辆进行抓拍。然而，专利技术人通过研究发现，在使用上述方法进行目标识别时，为了提取目标的识别特征需要对海量的训练样本进行训练，耗费大量的计算资源和时间，限制了上述目标识别方法的实用性；而且，由于现有的目标样式各异，拍摄环境和拍摄角度多样，使得目标检测图像的差异较大，增大目标识别难度，进一步影响上述目标识别方法的实用性。
技术实现思路
本专利技术实施例中提供了一种目标识别方法及装置，以解决现有技术中的目标识别实用性差的问题。为了解决上述技术问题，本专利技术实施例公开了如下技术方案：本专利技术实施例提供一种目标识别方法，该方法包括以下步骤：在第一训练样本集的各个训练样本上标注分割部件，根据训练样本和标注后的训练样本，建立分割模型；其中，所述分割部件包括构成待识别目标的多个部件；从第二训练样本集中，使用所述分割模型，提取每个分割部件对应的特征向量，将所述特征向量组成所述分割部件对应的特征矩阵；所述第二训练样本集中的训练样本均包括相应的分割部件；对从第二训练样本集中提取的特征矩阵进行降维训练，得到所述分割部件对应的降维矩阵；从所述第三训练样本集中，使用所述分割模型和降维矩阵，获取每个分割部件所对应的、降维矩阵降维后的特征矩阵；所述第三训练样本集包括存在分割部件的训练样本和不存在分割部件的训练样本；将从第三训练样本集中提取的、降维后的特征矩阵输入SVM(SupportVectorMachine，支持向量机)分类器，训练得到每个分割部件所对应的SVM分类检测器；将从待检测图像中提取的、降维后的特征矩阵输入相应的SVM分类检测器，得到目标识别结果。可选地，所述建立分割模型之前，还包括：根据目标的外观差异，确定外观差异小的部件作为所述分割部件。可选地，建立分割模型之前，还包括：将第一训练样本集中的训练样本转换为标准尺度样本；从第二训练样本集中，使用所述分割模型，提取每个分割部件对应的特征向量之前，还包括：将第二训练样本集中的训练样本转换为标准尺度样本；从所述第三训练样本集中，使用所述分割模型和降维矩阵，获取每个分割部件所对应的、降维矩阵降维后的特征矩阵之前，还包括：将第三训练样本集中的训练样本转换为标准尺度样本。可选地，训练得到每个分割部件所对应的SVM分类检测器之后，还包括：使用校验样本集对各个SVM分类检测器进行校验，得到SVM分类检测器的分类准确度；当所述分类准确度低于准确度阈值时，更新第一训练样本集、第二训练样本集和第三训练样本集中的一个或多个；根据更新后的训练样本集，重新生成SVM分类检测器。可选地，所述将从待检测图像中提取的、降维后的特征矩阵输入相应的SVM分类检测器，得到目标识别结果，包括：获取各个分类检测器输出的部件存在概率，其中所述部件存在概率为相应的分割部件在所述待检测图像中的存在概率；根据所述部件存在概率，计算目标存在概率，所述目标存在概率为目标在检测图像中的存在概率，将所述目标存在概率作为目标识别结果。本专利技术实施例还提供一种目标识别装置，该装置包括：分割模型建立模块，用于在第一训练样本集的各个训练样本上标注分割部件，根据训练样本和标注后的训练样本，建立分割模型；其中，所述分割部件包括构成待识别目标的多个部件；特征矩阵建立模块，用于从第二训练样本集中，使用所述分割模型，提取每个分割部件对应的特征向量，将所述特征向量组成所述分割部件对应的特征矩阵；所述第二训练样本集中的训练样本均包括相应的分割部件；降维矩阵生成模块，用于对从第二训练样本集中提取的特征矩阵进行降维训练，得到所述分割部件对应的降维矩阵；特征矩阵降维模块，用于从所述第三训练样本集中，使用所述分割模型和降维矩阵，获取每个分割部件所对应的、降维矩阵降维后的特征矩阵；所述第三训练样本集包括存在分割部件的训练样本和不存在分割部件的训练样本；SVM分类检测器训练模块，用于将从第三训练样本集中提取的、降维后的特征矩阵输入SVM分类器，训练得到每个分割部件所对应的SVM分类检测器；目标识别结果生成模块，用于将从待检测图像中提取的、降维后的特征矩阵输入相应的SVM分类检测器，得到目标识别结果。可选地，该装置还包括：分割部件确定模块，用于根据目标的外观差异，确定外观差异小的部件作为所述分割部件。可选地，该装置还包括：样本转换模块，用于将第一训练样本集中、第二训练样本集中和第三训练样本集中的训练样本转换为标准尺度样本。可选地，该装置还包括：分类准确度计算模块，用于使用校验样本集对各个SVM分类检测器进行校验，得到SVM分类检测器的分类准确度；训练样本集更新模块，用于当所述分类准确度低于准确度阈值时，更新第一训练样本集、第二训练样本集和第三训练样本集中的一个或多个；SVM分类检测器更新模块，用于根据更新后的训练样本集，重新生成SVM分类检测器。可选地，所述目标识别结果生成模块包括：部件存在概率计算模块，用于获取各个分类检测器输出的部件存在概率，其中所述部件存在概率为相应的分割部件在所述待检测图像中的存在概率；目标存在概率计算模块，用于根据所述部件存在概率，计算目标存在概率，所述目标存在概率为目标在待检测图像中的存在概率，将所述目标存在概率作为目标识别结果。本专利技术的实施例提供的技术方案可以包括以下有益效果：本专利技术实施例提供的一种目标识别方法及装置，通过在第一训练样本集的各个训练样本上标注分割部件，根据训练样本和标注后的训练样本，建立分割模型；从第二训练样本集中，使用所述分割模型，提取每个分割部件对应的特征向量，将所述特征向量组成所述分割部件对应的特征矩阵；对从第二训练样本集中提取的特征矩阵进行降维训练，得到所述分割部件对应的降维矩阵；从所述第三训练样本集中，使用所述分割模型和降维矩阵，获取每个分割部件所对应的、降维矩阵降维后的特征矩阵；将从第三训练样本集中提取的、降维后的特征矩阵输入SVM分类器，训练得到每个分割部件所对应的SVM分类检测器；将从待检测图像中提取的、降维后的特征矩阵输入相应的SVM分类检测器，得到目标识别结果。该目标识别方法，结合人类认知学，将对新事物的识别从多样化的整体解析到相对单一的局部部件识别，然后利用概率公式将局部的识别结果结合起来反推出事物整体的识别结果，能够有效克服机器学习需要的大样本库和多训练的限制，使得在相对单一的较小样本库中也能取得较好的多样化识别效果，提高目标识别的实用性和效率。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能本文档来自技高网...

【技术保护点】
一种目标识别方法，其特征在于，包括以下步骤：在第一训练样本集的各个训练样本上标注分割部件，根据训练样本和标注后的训练样本，建立分割模型；其中，所述分割部件包括构成待识别目标的多个部件；从第二训练样本集中，使用所述分割模型，提取每个分割部件对应的特征向量，将所述特征向量组成所述分割部件对应的特征矩阵；所述第二训练样本集中的训练样本均包括相应的分割部件；对从第二训练样本集中提取的特征矩阵进行降维训练，得到所述分割部件对应的降维矩阵；从第三训练样本集中，使用所述分割模型和降维矩阵，获取每个分割部件所对应的、降维矩阵降维后的特征矩阵；所述第三训练样本集包括存在分割部件的训练样本和不存在分割部件的训练样本；将从第三训练样本集中提取的、降维后的特征矩阵输入SVM分类器，训练得到每个分割部件所对应的SVM分类检测器；将从待检测图像中提取的、降维后的特征矩阵输入相应的SVM分类检测器，得到目标识别结果。

【技术特征摘要】
1.一种目标识别方法，其特征在于，包括以下步骤：在第一训练样本集的各个训练样本上标注分割部件，根据训练样本和标注后的训练样本，建立分割模型；其中，所述分割部件包括构成待识别目标的多个部件；从第二训练样本集中，使用所述分割模型，提取每个分割部件对应的特征向量，将所述特征向量组成所述分割部件对应的特征矩阵；所述第二训练样本集中的训练样本均包括相应的分割部件；对从第二训练样本集中提取的特征矩阵进行降维训练，得到所述分割部件对应的降维矩阵；从第三训练样本集中，使用所述分割模型和降维矩阵，获取每个分割部件所对应的、降维矩阵降维后的特征矩阵；所述第三训练样本集包括存在分割部件的训练样本和不存在分割部件的训练样本；将从第三训练样本集中提取的、降维后的特征矩阵输入SVM分类器，训练得到每个分割部件所对应的SVM分类检测器；将从待检测图像中提取的、降维后的特征矩阵输入相应的SVM分类检测器，得到目标识别结果。2.根据权利要求1所述的目标识别方法，其特征在于，所述建立分割模型之前，还包括：根据目标的外观差异，确定外观差异小的部件作为所述分割部件。3.根据权利要求1所述的目标识别方法，其特征在于，建立分割模型之前，还包括：将第一训练样本集中的训练样本转换为标准尺度样本；从第二训练样本集中，使用所述分割模型，提取每个分割部件对应的特征向量之前，还包括：将第二训练样本集中的训练样本转换为标准尺度样本；从所述第三训练样本集中，使用所述分割模型和降维矩阵，获取每个分割部件所对应的、降维矩阵降维后的特征矩阵之前，还包括：将第三训练样本集中的训练样本转换为标准尺度样本。4.根据权利要求1所述的目标识别方法，其特征在于，训练得到每个分割部件所对应的SVM分类检测器之后，还包括：使用校验样本集对各个SVM分类检测器进行校验，得到SVM分类检测器的分类准确度；当所述分类准确度低于准确度阈值时，更新第一训练样本集、第二训练样本集和第三训练样本集中的一个或多个；根据更新后的训练样本集，重新生成SVM分类检测器。5.根据权利要求1所述的目标识别方法，其特征在于，所述将从待检测图像中提取的、降维后的特征矩阵输入相应的SVM分类检测器，得到目标识别结果，包括：获取各个分类检测器输出的部件存在概率，其中所述部件存在概率为相应的分割部件在所述待检测图像中的存在概率；根据所述部件存在概率，计算目标存在概率，所述目标存在概率为目标在检测图像中的存在概...

【专利技术属性】
技术研发人员：史方，樊强，王标，邹佳运，
申请(专利权)人：同观科技深圳有限公司，
类型：发明
国别省市：广东;44