一种物体识别方法及装置制造方法及图纸

本发明专利技术一种物体识别方法及装置，该方法包括：步骤S1，从初始帧图片中提取跟踪目标的样本并训练跟踪器，将目标特征存入样本空间；步骤S2，读取当前帧图片，判断上一帧中跟踪目标是否丢失；步骤S3，若丢失，则利用上一次训练的跟踪器对上一帧目标的位置及其周围若干位置的样本进行处理以得到分数图；步骤S4，若未丢失，则利用上一次训练的跟踪器对上一帧的跟踪目标的位置提取当前帧样本以得到分数图；步骤S5，对各位置的样本分数图进行分数评估，判断分数图是否理想；步骤S6，若理想则更新样本权重并更新目标位置，进行目标缩放比例预测，更新比例；步骤S7，将新样本以样本权重加权更新至样本空间，并根据设置帧数间隔训练跟踪器。

A Method and Device for Object Recognition

The invention provides an object recognition method and device. The method includes: (1) extracting the sample of the tracking target from the initial frame picture and training the tracker to store the target features in the sample space; (2) reading the current frame picture to determine whether the tracking target is lost in the previous frame; and (2) using the last trained tracker to locate the target in the previous frame. Samples from several locations around them are processed to get fractional graphs; (4) if they are not lost, the current frame samples are extracted from the position of the tracking target in the previous frame using the tracker trained last time to get fractional graphs; (5) Sample fractional graphs of each location are evaluated to determine whether the fractional graphs are ideal; and (6) if they are ideal, the sample weights are updated and the items are updated. The scaling ratio of the target is predicted and updated according to the scaling position. Firstly, the new sample is updated to the sample space by weighting the sample weight, and the tracker is trained according to the set frame interval.

【技术实现步骤摘要】
一种物体识别方法及装置
本专利技术涉及计算机视觉
，特别是涉及一种优化的物体识别方法及装置。
技术介绍
进入二十一世纪以来，随着互联网技术的快速发展以及手机、相机、个人电脑的普及，图像数据呈现出爆炸式增长。另一方面，随着建设平安城市的需要，监控摄像头的数量越来越多，据不完全统计，仅广州市的监控摄像头数量就超过了30万个，而全国的监控摄像头数量更是达到2000多万个，并仍以每年20％的数量增长。如此大规模的数据远远超出了人类的分析处理能力。因此，智能地处理这些图像和视频数据成为迫切需要。在这种背景下，如何利用计算机视觉技术自动、智能地分析理解图像数据受到人们的广泛关注。物体识别是计算机视觉任务的经典问题，同时也是解决很多高层视觉任务的核心问题，物体识别的研究为高层视觉任务(例如行为识别、场景理解等)的解决奠定了基础。它在人们的日常生活以及工业生产中有着广泛的应用，例如：智能视频监控、汽车辅助驾驶、智能交通、互联网图像检索、虚拟现实以及人机交互等。近几十年来，随着大量统计机器学习算法在人工智能和计算机视觉领域的成功应用，计算机视觉技术有了突飞猛进的进步，尤其是近年来，大数据时代的到来为视觉任务提供了更加丰富的海量图像数据，高性能计算设备的发展给大数据计算提供了硬件支持，大量计算机视觉算法也不断地涌现出来，然而，虽然目前也涌现出大量的技术和算法，与之前相比，物体识别方法的健壮性、正确性、效率以及范围方便得到了很大的提升，但依然存在一些困难以及识别障碍，现有的物体识别算法主要存在以下缺陷：1、比例跟踪速度太慢；2、无丢失找回功能，一旦出现跟丢的情况出现就无法再跟踪；3、只能短时间跟踪，不能满足所有应用场景。
技术实现思路
为克服上述现有技术存在的不足，本专利技术之一目的在于提供一种物体识别方法及装置，以实现在跟丢的情况下继续跟踪的目的。本专利技术之另一目的在于提供一种物体识别方法及装置，以加快比例跟踪速度。本专利技术之又一目的在于提供一种物体识别方法及装置，可实现长时间跟踪。为达上述及其它目的，本专利技术提出一种物体识别方法，包括如下步骤：步骤S1，从初始帧图片中提取跟踪目标的样本并训练跟踪器，并将目标特征存入样本空间；步骤S2，读取当前帧图片，判断上一帧中跟踪目标是否丢失；步骤S3，若判断结果为跟踪目标丢失，则利用上一次训练的跟踪器对上一帧目标丢失的位置及其周围若干位置的图片样本进行提取，并获得各位置的分数图，进入步骤S5；步骤S4，若判断结果为跟踪目标未丢失，则利用上一帧目标的位置提取当前帧的图片样本，并利用上一次训练的跟踪器对样本进行评估以得到分数图；步骤S5，对各位置的样本进行分数评估，并判断分数图是否理想，根据判断结果进入步骤S6或进入下一帧后返回步骤S2；步骤S6，更新样本权重，更新目标位置，进行目标缩放比例预测，并更新比例；步骤S7，将新样本以样本权重加权更新至样本空间，并根据设置帧数间隔训练跟踪器。优选地，步骤S1进一步包括：步骤S100，获取初始帧图片中跟踪目标的位置和尺寸信息；步骤S101，提取跟踪目标区域的HOG特征和CN特征，并对提取的目标特征进行预处理；步骤S102，根据预处理后的目标特征训练跟踪器和降维矩阵，并对目标特征进行降维处理；步骤S103，将降维后的目标特征存入样本空间。优选地，于步骤S3和S4中，提取样本的操作包括对跟踪目标区域的HOG特征和CN特征提取，并对提取结果进行预处理。优选地，步骤S5进一步包括：步骤S500，利用平均峰值相关能量对分数图进行评估，并得到能量值；步骤S501，若上一帧目标没有丢失，则本次对评估进行的判断是能量值和分数图峰值相对于上一帧的变化情况是否满足预设定的条件，以及能量值和分数图的峰值是否满足预设定的条件；步骤S502，若上一帧目标丢失，则本次对评估进行的判断是能量值和分数图的峰值是否满足预设定的条件；步骤S503，评估结果的理想程度分为极好、较好、较差和极差，当最终结果为较差及以上时，则进入步骤S6；当最终结果为极差时则认为本帧的跟踪目标丢失，进入下一帧，并返回至步骤S2。优选地，于步骤S3中，以上一帧图片的跟踪目标的位置以及其周围上、下、左、右、左上、左下、右上、右下位置按顺序提取样本。优选地，于步骤S3中，将各样本与上一帧跟踪器进行比对，得到各位置样本的分数图。优选地，步骤S6进一步包括：步骤S600，根据步骤S5中的评估结果分配样本权重；步骤S601，利用牛顿法对分数图进行迭代优化，以得到最佳的分数图，分数图中的最大值所在位置为目标位置；步骤S603，使用PCA降维进行目标缩放比例预测。优选地，步骤S7进一步包括如下步骤：步骤S700，将本帧的样本进行加权；步骤S701，判断样本空间是否存满样本；步骤S702，若样本空间已满，则判断新样本是以融合老样本插入新样本的方式存入样本空间，还是以与老样本融合的方式存入样本空间；步骤S703，若样本空间未满，则直接在老样本后放入新样本；步骤S704，根据预设的训练间隔，利用样本空间训练跟踪器；优选地，于步骤S702中，若样本空间已满，计算新样本与样本空间中所有的老样本的相似程度，如果信样本与老样本的相似程度高过一定的阈值，则与老样本融合；否则，计算样本空间中所有老样本之间的相似程度，选择两个相似度最高的样本进行融合，然后把空出来的位置插入新样本。为达到上述目的，本专利技术还提供一种物体识别装置，包括初始帧处理单元，用于从初始帧图片中提取跟踪目标的样本并训练跟踪器，并将目标特征存入样本空间丢失判断单元，用于读取当前帧图片，判断上一帧中跟踪目标是否丢失；丢失找回单元，用于于所述丢失判断单元的判断结果为跟踪目标丢失，利用上一次训练的跟踪器对上一帧图片跟踪目标的位置及其周围若干位置的样本进行评估，并获得各位置的分数图；当前帧跟踪目标位置获取单元，用于于所述丢失判断单元的判断结果为跟踪目标未丢失，则根据上一帧图片的跟踪目标的位置提取当前帧图片样本，并利用上一次训练的跟踪器对样本进行评估以得到分数图；跟踪结果评估单元，用于对分数图进行评估，并判断目标是否丢失；跟踪结果更新单元，用于更新样本权重，更新跟踪目标位置，进行目标缩放比例预测，并更新目标比例；跟踪器训练单元，用于将新样本以样本权重加权更新至样本空间，并根据预设的间隔用样本空间训练跟踪器。为达到上述目的，本专利技术还提供一种物体识别装置，包括初始帧处理单元，用于从初始帧图片中提取跟踪目标的样本并训练跟踪器，并将目标特征存入样本空间丢失判断单元，用于读取当前帧图片，判断上一帧中跟踪目标是否丢失；丢失找回单元，用于于所述丢失判断单元的判断结果为跟踪目标丢失，利用上一次训练的跟踪器对上一帧图片跟踪目标的位置及其周围若干位置的样本进行评估，并获得各位置的分数图；当前帧跟踪目标位置获取单元，用于于所述丢失判断单元的判断结果为跟踪目标未丢失，则根据上一帧图片的跟踪目标的位置提取当前帧图片样本，并利用上一次训练的跟踪器对样本进行评估以得到分数图；跟踪结果评估单元，用于对分数图进行评估，并判断目标是否丢失；跟踪结果更新单元，用于更新样本权重，更新跟踪目标位置，进行目标缩放比例预测，并更新目标比例。跟踪器训练单元，用于将新样本以样本权重加权更新至样本空间，并根据预设的间隔用样本空间本文档来自技高网...

【技术保护点】
1.一种物体识别方法，包括如下步骤：步骤S1，从初始帧图片中提取跟踪目标的样本并训练跟踪器，并将目标特征存入样本空间；步骤S2，读取当前帧图片，判断上一帧中跟踪目标是否丢失；步骤S3，若判断结果为跟踪目标丢失，则利用上一次训练的跟踪器对上一帧目标丢失的位置及其周围若干位置的图片样本进行提取，并获得各位置的分数图，进入步骤S5；步骤S4，若判断结果为跟踪目标未丢失，则利用上一帧目标的位置提取当前帧的图片样本，并利用上一次训练的跟踪器对样本进行评估以得到分数图；步骤S5，对各位置的样本进行分数评估，并判断分数图是否理想，根据判断结果进入步骤S6或进入下一帧后返回步骤S2；步骤S6，更新样本权重，更新目标位置，进行目标缩放比例预测，并更新比例；步骤S7，将新样本以样本权重加权更新至样本空间，并根据设置帧数间隔训练跟踪器。

【技术特征摘要】
1.一种物体识别方法，包括如下步骤：步骤S1，从初始帧图片中提取跟踪目标的样本并训练跟踪器，并将目标特征存入样本空间；步骤S2，读取当前帧图片，判断上一帧中跟踪目标是否丢失；步骤S3，若判断结果为跟踪目标丢失，则利用上一次训练的跟踪器对上一帧目标丢失的位置及其周围若干位置的图片样本进行提取，并获得各位置的分数图，进入步骤S5；步骤S4，若判断结果为跟踪目标未丢失，则利用上一帧目标的位置提取当前帧的图片样本，并利用上一次训练的跟踪器对样本进行评估以得到分数图；步骤S5，对各位置的样本进行分数评估，并判断分数图是否理想，根据判断结果进入步骤S6或进入下一帧后返回步骤S2；步骤S6，更新样本权重，更新目标位置，进行目标缩放比例预测，并更新比例；步骤S7，将新样本以样本权重加权更新至样本空间，并根据设置帧数间隔训练跟踪器。2.如权利要求1所述的一种物体识别方法，其特征在于，步骤S1进一步包括：步骤S100，获取初始帧图片中跟踪目标的位置和尺寸信息；步骤S101，提取跟踪目标区域的HOG特征和CN特征，并对提取的目标特征进行预处理；步骤S102，根据预处理后的目标特征训练跟踪器和降维矩阵，并对目标特征进行降维处理；步骤S103，将降维后的目标特征存入样本空间。3.如权利要求1所述的一种物体识别方法，其特征在于：于步骤S3和S4中，提取样本的操作包括对跟踪目标区域的HOG特征和CN特征提取，并对提取结果进行预处理。4.如权利要求1所述的一种物体识别方法，其特征在于，步骤S5进一步包括：步骤S500，利用平均峰值相关能量对分数图进行评估，并得到能量值；步骤S501，若上一帧目标没有丢失，则本次对评估进行的判断是能量值和分数图峰值相对于上一帧的变化情况是否满足预设定的条件，以及能量值和分数图的峰值是否满足预设定的条件；步骤S502，若上一帧目标丢失，则本次对评估进行的判断是能量值和分数图的峰值是否满足预设定的条件；步骤S503，评估结果的理想程度分为极好、较好、较差和极差，当最终结果为较差及以上时，则进入步骤S6；当最终结果为极差时则认为本帧的跟踪目标丢失，进入下一帧，并返回至步骤S2。5.如权利要求1所述的一种物体识别方法，其特征在于：于步骤S3中，以上一帧图片的跟踪目标的位置以及其周围上、下、左、...

【专利技术属性】
技术研发人员：魏承赟，
申请(专利权)人：桂林飞宇科技股份有限公司，
类型：发明
国别省市：广西,45