一种基于深度神经网络的目标定位方法及系统技术方案

本申请公开了基于深度神经网络的目标定位方法，包括以下步骤：获取被检测目标的红外图像和可见光图像，对所述被检测目标的红外图像和可见光图像进行预处理，构建目标定位模型，通过深度神经网络对所述目标定位模型进行训练，得到红外和可见光目标定位输出结果，优化所述红外和可见光目标定位输出结果，生成目标信息，所述目标信息包括目标位置信息和目标类别信息。本申请通过结合双波段图像的优良特性，借助于深度神经网络的特征提取和表示能力，实现了在多种检测条件下，对目标进行有效检测。

A target location method and system based on deep neural network

【技术实现步骤摘要】
一种基于深度神经网络的目标定位方法及系统
本申请涉及图像识别及定位
，尤其涉及一种基于深度神经网络的目标定位方法及系统。
技术介绍
现有的目标定位方法只单独对被检测目标的可见光图像或红外图像进行检测，深度神经网络模型首先根据先验信息（锚点）对每个单元格预测多个边界框及其置信度，然后根据置信度阈值筛选无效预测结果，再利用非极大值抑制算法消除冗余重叠的边界框，最终获得图像中的目标的位置及其类别。然而现有的定位方法存在许多不足，在光照条件不足的检测条件下，基于可见光图像的定位方法不能对目标进行有效检测，同时，基于红外图像的定位方法不能很好对被检测目标的颜色，纹理等反射特性进行有效识别。因此，需要一种基于深度神经网络的红外图像检测与可见光图像检测相融合的目标定位方法，结合双波段图像的优良特性，借助于深度神经网络的特征提取和表示能力，实现在多种检测条件下，对目标进行有效检测。
技术实现思路
本申请提供了一种基于深度神经网络的目标定位方法及系统，以解决现有定位方法中，无法实现在多种检测条件下，对目标进行有效检测的问题。一方面，本申请公开了一种基于深度神经网络的目标定位方法，包括以下步骤：获取被检测目标的红外图像和可见光图像；对所述被检测目标的红外图像和可见光图像进行预处理，构建目标定位模型；通过深度神经网络对所述目标定位模型进行训练，得到红外和可见光目标定位输出结果；优化所述红外和可见光目标定位输出结果，生成目标信息；所述目标信息包括目标位置信息和目标类别信息。对所述被检测目标的红外图像和可见光图像进行预处理，包括以下步骤：将所述被检测目标的红外图像和可见光图像分割成若干个互不重合的子图像；根据所述子图像通过卷积生成若干个尺寸为26*26像素的第一特征图像；根据所述第一特征图像通过卷积生成若干个尺寸为13*13像素的第二特征图像。所述通过深度神经网络对所述目标定位模型进行训练，包括以下步骤：对每个子图像、所述第一特征图像和第二特征图像分别进行锚框，生成若干个预测边界框，所述预测边界框包括中心坐标（x,y）、宽度w、高度h、预测类别以及置信度；根据预设置信度阈值，消除置信度低于置信度阈值的所述预测边界框；通过非极大值抑制算法，消除冗余所述预测边界框，得到红外目标定位输出结果和可见光目标定位输出结果。优化所述红外和可见光目标定位输出结果，生成目标信息，包括以下步骤：逐一比较所述红外目标定位输出结果和所述可见光目标定位输出结果中中心坐标（x,y）相同的预测边界框的置信度；保留置信度高的所述预测边界框；根据所述置信度高的预测边界框，生成目标信息，所述目标信息包括位置信息和类别信息。还包括：构建深度神经网络。所述构建深度神经网络，包括以下步骤：获取红外图像和可见光图像数据集；定义损失函数。另一方面，本申请公开了一种基于深度神经网络的目标定位系统，包括：图像获取单元：获取被检测目标的红外图像和可见光图像；模型构建单元：对所述被检测目标的红外图像和可见光图像进行预处理，构建目标定位模型；模型训练单元：通过深度神经网络对所述目标定位模型进行训练，得到红外和可见光目标定位输出结果；结果优化单元：优化所述红外和可见光目标定位输出结果，生成目标信息，所述目标信息包括目标位置信息和目标类别信息。所述模型构建单元包括：图像分割单元：将所述被检测目标的红外图像和可见光图像分割成若干个互不重合的子图像；特征图像生成单元：根据所述子图像通过卷积生成若干个尺寸为26*26像素的第一特征图像；根据所述所述第一特征图像通过卷积生成若干个尺寸为13*13像素的第二特征图像。所述模型训练单元包括：预测边界框生成单元：对每个子图像、所述第一特征图像和第二特征图像分别进行锚框，生成若干个预测边界框，所述预测边界框包括中心坐标（x,y）、宽度w、高度h、预测类别以及置信度；无效结果消除单元：根据预设置信度阈值，消除置信度低于置信度阈值的所述预测边界框；冗余结果消除单元：通过非极大值抑制算法，消除冗余所述预测边界框，得到红外目标定位输出结果和可见光目标定位输出结果。所述结果优化单元包括：结果比较单元：逐一比较所述红外目标定位输出结果和所述可见光目标定位输出结果中中心坐标（x,y）相同的预测边界框的置信度，保留置信度高的所述预测边界框；结果生成单元：根据所述置信度高的预测边界框，生成目标信息，所述目标信息包括位置信息和类别信息。由以上技术方案可知，本申请提供了一种基于深度神经网络的目标定位系统，通过获取被检测目标的红外图像和可见光图像，对所述被检测目标的红外图像和可见光图像进行预处理，构建目标定位模型，通过深度神经网络对所述目标定位模型进行训练，得到红外和可见光目标定位输出结果，优化所述红外和可见光目标定位输出结果，生成目标信息，所述目标信息包括目标位置信息和目标类别信息。本申请通过对红外图像和可见光图像进行分析，优化输出结果，结合双波段图像的优良特性，借助于深度神经网络的特征提取和表示能力，实现在多种检测条件下，对目标进行有效检测。附图说明为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本申请的基于深度神经网络的目标定位方法的应用场景图；图2为本申请的基于深度神经网络的目标定位方法的流程示意图。具体实施方式下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。如图1所示，为本申请的基于深度神经网络的目标定位方法的应用场景图，通过获取被检测目标的可见光图像和红外图像，通过深度神经网络进行定位，对结果进行优化后，即可获得被检测目标的目标信息。如图2所示，为一种基于深度神经网络的目标定位方法的流程示意图，包括以下步骤：S1：获取被检测目标的红外图像和可见光图像；更为具体的是，所述红外图像和可见光图像分别通过红外摄像头和可见光摄像头进行获取，所述红外摄像头和可见光摄像头设置于一处，避免由于所述红外摄像头和可见光摄像头的空间位置差异，导致图像差异过大，影响最终定位结果。S2：对所述被检测目标的红外图像和可见光图像进行预处理，构建目标定位模型；更为具体的是将所述被检测目标的红外图像和可见光图像分割成若干个互不重合的子图像，根据所述子图像通过卷积生成若干个尺寸为26*26像素的第一特征图像，根据所述第一特征图像通过卷积生成若干个尺本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的目标定位方法，其特征在于，包括以下步骤：/n获取被检测目标的红外图像和可见光图像；/n对所述被检测目标的红外图像和可见光图像进行预处理，构建目标定位模型；/n通过深度神经网络对所述目标定位模型进行训练，得到红外和可见光目标定位输出结果；/n优化所述红外和可见光目标定位输出结果，生成目标信息；/n所述目标信息包括目标位置信息和目标类别信息。/n

【技术特征摘要】
1.一种基于深度神经网络的目标定位方法，其特征在于，包括以下步骤：
获取被检测目标的红外图像和可见光图像；
对所述被检测目标的红外图像和可见光图像进行预处理，构建目标定位模型；
通过深度神经网络对所述目标定位模型进行训练，得到红外和可见光目标定位输出结果；
优化所述红外和可见光目标定位输出结果，生成目标信息；
所述目标信息包括目标位置信息和目标类别信息。


2.根据权利要求1所述的基于深度神经网络的目标定位方法，其特征在于，对所述被检测目标的红外图像和可见光图像进行预处理，包括以下步骤：
将所述被检测目标的红外图像和可见光图像分割成若干个互不重合的子图像；
根据所述子图像通过卷积生成若干个尺寸为26*26像素的第一特征图像；
根据所述第一特征图像通过卷积生成若干个尺寸为13*13像素的第二特征图像。


3.根据权利要求1所述的基于深度神经网络的目标定位方法，其特征在于，所述通过深度神经网络对所述目标定位模型进行训练，得到红外和可见光目标定位输出结果，包括以下步骤：
对每个子图像、所述第一特征图像和第二特征图像分别进行锚框，生成若干个预测边界框，所述预测边界框包括中心坐标（x,y）、宽度w、高度h、预测类别以及置信度；
根据预设置信度阈值，消除置信度低于置信度阈值的所述预测边界框；
通过非极大值抑制算法，消除冗余所述预测边界框，得到红外目标定位输出结果和可见光目标定位输出结果。


4.根据权利要求1所述的基于深度神经网络的目标定位方法，其特征在于，优化所述红外和可见光目标定位输出结果，生成目标信息，包括以下步骤：
逐一比较所述红外和可见光目标定位输出结果中中心坐标（x,y）相同的预测边界框的置信度；
保留置信度高的所述预测边界框；
根据所述置信度高的预测边界框，生成目标信息，所述目标信息包括位置信息和类别信息。


5.根据权利要求1所述的基于深度神经网络的目标定位方法，其特征在于，还包括：构建深度神经网络。


6.根据权利要求5所述的基...

【专利技术属性】
技术研发人员：李辉，鲁金铭，余江勇，
申请(专利权)人：南京风兴科技有限公司，
类型：发明
国别省市：江苏;32