基于栈式稀疏自编码器的目标识别方法、装置及电子设备制造方法及图纸

本发明专利技术提供一种基于栈式稀疏自编码器的目标识别方法、装置及电子设备，该方法包括：对包含目标物体的图像，依次进行灰度化处理和归一化处理，获取标准目标物体图像；对标准目标物体图像，分别采用方向梯度直方图特征提取算法，提取HOG特征，并采用局部二值模式特征提取算法，提取LBP特征；将HOG特征和LBP特征进行拼接，获取HOG‑LBP特征，并利用主成分分析法，对HOG‑LBP特征进行降维处理，获取HOG‑LBP‑PCA特征；基于HOG‑LBP‑PCA特征，利用预先建立的三层栈式稀疏自编码器和Logistic分类器，检测目标物体。本发明专利技术能够更有效地提取图像的高层次、抽象特征，从而更有效提高目标识别结果的可靠性和准确率。

【技术实现步骤摘要】
基于栈式稀疏自编码器的目标识别方法、装置及电子设备
本专利技术涉及数字图像处理
，更具体地，涉及一种基于栈式稀疏自编码器的目标识别方法、装置及电子设备。
技术介绍
目前，图像识别是机器视觉处理的热门课题，被广泛应用于养殖行业中目标的检测与跟踪，以给出养殖管理决策。图像检测的难点在于保证算法的鲁棒性和准确性，SIFT算法、SURF算法及HOG算法等，均能在一定条件下有效的提取图像特征。但是，上述提取的图像特征均是单一的人工特征，该特征能有效的用于简单的图像分类和识别，而由于实际情况通常较为复杂，图像的目标遮挡较为严重或图像的噪声比较大时，单一的采用传统算法往往无法有效区分图像。近年来，深度学习法成为一种新的目标分类与识别方法，其具有大规模并行处理能力、良好的自适应性以及较强的学习能力等优势。自编码神经网络是一种无监督的深度学习算法，其采用反向传播算法来使目标值等于输入值。自编码器由编码器和解码器组成，在图像处理应用中，利用编码器提取养殖图像的高层次特征，并利用解码器将提取的高层次特征近似地还原回原图像数据，从而实现目标识别。采用自编码神经网络进行养殖图像的处理时，提取养殖图像的高层次特征来对图像进行分析，能够在一定程度上提高对目标的识别精度。但是，实际养殖图像，如生猪图像，普遍存在背景复杂、光线变化以及目标遮挡等干扰问题，直接利用上述图像检测算法进行目标识别时，普遍存在可靠性较差、准确率较低等的问题。
技术实现思路
为了克服上述问题或者至少部分地解决上述问题，本专利技术提供一种基于栈式稀疏自编码器的目标识别方法、装置及电子设备，用以更好的适应养殖图像的背景、光线等的干扰问题，从而有效提高目标识别结果的可靠性和准确率。第一方面，本专利技术提供一种基于栈式稀疏自编码器的目标识别方法，包括：对包含目标物体的图像，依次进行灰度化处理和归一化处理，并以归一化处理的结果作为标准目标物体图像；对所述标准目标物体图像，分别采用方向梯度直方图特征提取算法，提取HOG特征，并采用局部二值模式特征提取算法，提取LBP特征；将所述HOG特征和所述LBP特征进行拼接，获取HOG-LBP特征，并利用主成分分析法，对所述HOG-LBP特征进行降维处理，获取HOG-LBP-PCA特征；基于所述HOG-LBP-PCA特征，利用预先建立的三层栈式稀疏自编码器和Logistic分类器，检测所述目标物体。第二方面，本专利技术提供一种基于栈式稀疏自编码器的目标识别装置，包括：预处理模块，用于对包含目标物体的图像，依次进行灰度化处理和归一化处理，并以归一化处理的结果作为标准目标物体图像；特征提取模块，用于对所述标准目标物体图像，分别采用方向梯度直方图特征提取算法，提取HOG特征，并采用局部二值模式特征提取算法，提取LBP特征；降维处理模块，用于将所述HOG特征和所述LBP特征进行拼接，获取HOG-LBP特征，并利用主成分分析法，对所述HOG-LBP特征进行降维处理，获取HOG-LBP-PCA特征；识别模块，用于基于所述HOG-LBP-PCA特征，利用预先建立的三层栈式稀疏自编码器和Logistic分类器，检测所述目标物体。第三方面，本专利技术提供一种电子设备，包括：至少一个存储器、至少一个处理器、通信接口和总线；所述存储器、所述处理器和所述通信接口通过所述总线完成相互间的通信，所述通信接口用于所述电子设备与包含目标物体的图像的采集或者存储设备之间的信息传输；所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上所述的基于栈式稀疏自编码器的目标识别方法。第四方面，本专利技术提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如上所述的基于栈式稀疏自编码器的目标识别方法。本专利技术提供的一种基于栈式稀疏自编码器的目标识别方法、装置及电子设备，通过对数据集的HOG特征和LBP特征分别进行提取并组合，得到HOG-LBP特征，并采用PCA算法，将高维图像的HOG-LBP降维，再设计三层栈式稀疏自编码器，根据HOG-LBP-PCA对图像中的目标物体进行识别，能够更有效地提取图像的高层次、抽象特征，从而更好的适应养殖图像的背景、光线等的干扰问题，有效提高目标识别结果的可靠性和准确率。附图说明图1为本专利技术实施例一种基于栈式稀疏自编码器的目标识别方法的流程图；图2为根据本专利技术实施例一种基于栈式稀疏自编码器的目标识别方法中模型训练的流程图；图3为根据本专利技术实施例一种基于栈式稀疏自编码器的目标识别方法中提取HOG特征的流程图；图4为根据本专利技术实施例一种基于栈式稀疏自编码器的目标识别方法中提取LBP特征的流程图；图5为根据本专利技术实施例一种基于栈式稀疏自编码器的目标识别方法中获取HOG-LBP-PCA特征的流程图；图6为根据本专利技术实施例一种基于栈式稀疏自编码器的目标识别方法中训练三层栈式稀疏自编码器的流程图；图7为根据本专利技术实施例一种基于栈式稀疏自编码器的目标识别方法中训练Logistic分类器的流程图；图8为本专利技术实施例一种基于栈式稀疏自编码器的目标识别装置的结构示意图；图9为本专利技术实施例一种电子设备的结构框图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。在实际的图像处理进行目标识别的过程中，实际图像，如生猪图像，普遍存在背景复杂、光线变化以及目标遮挡等干扰问题，而直接采用现有技术的处理算法，仅能对图像的单一的人工特征或者一些高层次特征进行提取，这些特征并不能完全体现图像特征，因此普遍存在可靠性较差、准确率较低等的问题。针对上述问题，本专利技术实施例提供一种解决思路：通过有效地提取图像数据高层次、抽象特征，并进行多特征的融合，如颜色、纹理及边缘等，实现对图像中目标物体更可靠、更准确的识别。另外，为了减少训练样本的特征数据，采用无监督的栈式稀疏自编码器进行数据融合，并采用逐层贪婪训练方法对栈式稀疏自编码器进行训练。即，在实际复杂场景中(如光照变化、背景复杂、前景遮挡等)能够实现生猪有效地检测。通过对数据集HOG和LBP特征提取和组合，采用PCA算法，将高维图像的HOG-LBP降维，再设计三层栈式稀疏自编码器训练HOG-LBP-PCA，对生猪图像进行检测。具体而言，针对包含目标物体的图像，如生猪图像，普遍存在背景复杂、光线变化及目标遮挡等干扰问题，本专利技术实施例通过采用方向梯度直方图(HOG)特征提取算法，提取生猪图像HOG特征，并利用局部二值模式(LBP)特征提取算法，提取LBP特征，然后将LBP特征和HOG特征进行拼接，形成HOG-LBP。之后，利用主成分分析(PCA)算法对HOG-LBP特征进行降维，形成HOG-LBP-PCA，最后结合栈式稀疏自编码器对HOG-LBP-PCA进行网络训练，对其重要的参数进行优化更新，建立三层栈式稀疏自编码器网络。通过用训练好的网络检测生猪，解决目前图像检测算法中普遍存在的可靠性与准确性差等问题，能够较本文档来自技高网...

【技术保护点】
1.一种基于栈式稀疏自编码器的目标识别方法，其特征在于，包括：对包含目标物体的图像，依次进行灰度化处理和归一化处理，并以归一化处理的结果作为标准目标物体图像；对所述标准目标物体图像，分别采用方向梯度直方图特征提取算法，提取HOG特征，并采用局部二值模式特征提取算法，提取LBP特征；将所述HOG特征和所述LBP特征进行拼接，获取HOG‑LBP特征，并利用主成分分析法，对所述HOG‑LBP特征进行降维处理，获取HOG‑LBP‑PCA特征；基于所述HOG‑LBP‑PCA特征，利用预先建立的三层栈式稀疏自编码器和Logistic分类器，检测所述目标物体。

【技术特征摘要】
1.一种基于栈式稀疏自编码器的目标识别方法，其特征在于，包括：对包含目标物体的图像，依次进行灰度化处理和归一化处理，并以归一化处理的结果作为标准目标物体图像；对所述标准目标物体图像，分别采用方向梯度直方图特征提取算法，提取HOG特征，并采用局部二值模式特征提取算法，提取LBP特征；将所述HOG特征和所述LBP特征进行拼接，获取HOG-LBP特征，并利用主成分分析法，对所述HOG-LBP特征进行降维处理，获取HOG-LBP-PCA特征；基于所述HOG-LBP-PCA特征，利用预先建立的三层栈式稀疏自编码器和Logistic分类器，检测所述目标物体。2.根据权利要求1所述的方法，其特征在于，在所述利用预先建立的三层栈式稀疏自编码器和Logistic分类器，检测所述目标物体的步骤之前，还包括：采集关于所述目标物体的正样本和负样本，并按照第一给定比例，对所述正样本和负样本均划分出训练样本和测试样本，所述正样本表示包含目标物体的样本，所述负样本表示包含非目标物体的样本；按照第二给定比例，从所述训练样本中选取部分训练样本，并对该部分训练样本使用标签进行标记；分别获取所述训练样本的HOG-LBP-PCA特征，作为训练HOG-LBP-PCA特征，并获取所述测试样本的HOG-LBP-PCA特征，作为测试HOG-LBP-PCA特征；初始化设置三层栈式稀疏自编码器，并利用所述训练HOG-LBP-PCA特征，采用逐层贪婪训练法，训练初始化设置的三层栈式稀疏自编码器，确定三层栈式稀疏自编码器中各层编码器的权值和偏移量；初始化设置与所述三层栈式稀疏自编码器的最后一层隐含层连接的Logistic分类器，并利用使用标签标记的训练样本，对初始化设置的Logistic分类器进行训练，确定Logistic分类器的连接权重并微调所述三层栈式稀疏自编码器中各层编码器的权值和偏移量；基于微调后的第二层隐含层和第三层隐含层的权值和偏移量，以及所述Logistic分类器的连接权重，确定训练好的三层栈式稀疏自编码器和Logistic分类器；利用所述测试HOG-LBP-PCA特征，对所述训练好的三层栈式稀疏自编码器和Logistic分类器进行网络性能测试。3.根据权利要求1所述的方法，其特征在于，所述对所述标准目标物体图像，采用方向梯度直方图特征提取算法，提取HOG特征的步骤进一步包括：计算所述标准目标物体图像中每个像素点的梯度方向；按照相同的规格尺寸，将所述标准目标物体图像划分成多个子图像方块，并基于所述子图像方块中每个像素点的梯度方向，构建每个所述子图像方块的多维梯度方向直方图；按照设定数量，将所述标准目标物体图像中每相邻的多个所述子图像方块组合成一个大方块，并将所述大方块中每个所述子图像方块的多维梯度方向直方图进行串联，获取每个所述大方块的HOG特征；将所述标准目标物体图像中所有所述大方块的HOG特征进行串联，获取所述标准目标物体图像的HOG特征。4.根据权利要求1所述的方法，其特征在于，所述对所述标准目标物体图像，采用局部二值模式特征提取算法，提取LBP特征的步骤进一步包括：将所述标准目标物体图像按照给定规格尺寸，划分为多个子图像方块；对于任一所述子图像方块，分别将该子图像方块中每个像素点作为中心像素点，通过比较所述中心像素点的灰度与所述中心像素点3×3邻域内其余像素点的灰度的大小，构建所述子图像方块的LBP直方图；对每个所述子图像方块的LBP直方图进行归一化处理，并将所有归一化处理后的LBP直方图进行串联，获取所述标准目标物体图像的LBP特征。5.根据权利...

【专利技术属性】
技术研发人员：孙龙清，刘岩，罗冰，邹远炳，李玥，李忆杨，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：北京,11