一种物体识别方法、装置及设备制造方法及图纸

本申请适用于物体识别技术领域，提供了一种物体识别方法，包括：获取待识别图像；根据预设分割算法对所述待识别图像进行分割处理，得到至少一个图像框；通过卷积神经网络对所述图像框进行特征提取，得到所述图像框对应的物体特征；通过机器学习算法对所述物体特征进行识别，得到所述待识别图像所包含的物体的物体类别。上述方法，采用卷积神经网络对图像框进行特征提取，可以提取出图像框更深层次的特征，提高了物体识别的准确率。

【技术实现步骤摘要】
一种物体识别方法、装置及设备
本申请属于物体识别
，尤其涉及一种物体识别方法、装置及设备。
技术介绍
目前，传统的物体识别技术主要是获取一帧图像，然后把图片划分成不同大小的候选框图像，然后对候选框图像进行特征提取生成高纬向量，通过Adaboot、SVM等机器学习算法里面进行候选框图像分类，最终得到候选框图像的类别信息。但是，上述方法中，特征提取的能力有限，无法对特征进行更高层次的提取，这样导致进行物体识别时准确率偏低。
技术实现思路
本申请实施例提供了一种物体识别方法、装置及设备，可以解决现有的物体识别方法中特征提取的能力有限，无法对特征进行更高层次的提取，导致进行物体识别时准确率偏低的问题。第一方面，本申请实施例提供了一种物体识别方法，包括：获取待识别图像；根据预设分割算法对所述待识别图像进行分割处理，得到至少一个图像框；通过卷积神经网络对所述图像框进行特征提取，得到所述图像框对应的物体特征；通过机器学习算法对所述物体特征进行识别，得到所述待识别图像所包含的物体的物体类别。进一步地，所述卷积神经网络为mobilenet-ssd神经网络、yolov4-tiny神经网络或nanodet神经网络。进一步地，所述预设分割算法为暴力搜索算法、SelectiveSearch算法或基于边缘检测的图像分割算法。进一步地，所述机器学习算法为支持向量机算法或Adaboot算法。进一步地，所述卷积神经网络的训练过程包括：获取预设的卷积神经网络，并且获取训练样本集；所述训练样本集包括样本图像框及其对应的物体特征标签；将所述样本图像框输入至所述预设卷积神经网络轻量模型进行处理，得到所述样本图像框对应的样本物体特征；根据预设损失函数获取所述样本图像框对应的样本物体特征和所述样本图像框对应的物体特征标签之间的差异信息；若所述差异信息满足预设停止训练条件，则停止训练，将当前的所述预设卷积神经网络轻量模型作为用于输出图像框对应的物体特征的卷积神经网络；若所述差异信息不满足所述第一预设停止训练条件，则调整预设参数，并返回所述将所述样本图像框输入至所述预设卷积神经网络轻量模型进行处理，得到所述样本图像框对应的样本物体特征。进一步地，所述获取训练样本集，包括：获取样本图像框及其对应的物体特征标签，并且获取所述样本图像框中物体的物体类别；若所述物体类别对应的所述样本图像框的数量小于预设数量，则对所述样本图像框进行变换处理，得到样本图像框变换图像；根据所述样本图像框及其对应的物体特征标签、所述样本图像框变换图像及其对应的物体特征标签，确定所述训练样本集。第二方面，本申请实施例提供了一种物体识别装置，包括：获取单元，用于获取待识别图像；分割单元，用于根据预设分割算法对所述待识别图像进行分割处理，得到至少一个图像框；提取单元，用于通过卷积神经网络对所述图像框进行特征提取，得到所述图像框对应的物体特征；识别单元，用于通过机器学习算法对所述物体特征进行识别，得到所述待识别图像所包含的物体的物体类别。进一步地，所述卷积神经网络为mobilenet-ssd神经网络、yolov4-tiny神经网络或nanodet神经网络。进一步地，所述预设分割算法为暴力搜索算法、SelectiveSearch算法或基于边缘检测的图像分割算法。进一步地，所述机器学习算法为支持向量机算法或Adaboot算法。进一步地，所述物体识别装置还包括，训练单元，具体用于：获取预设的卷积神经网络，并且获取训练样本集；所述训练样本集包括样本图像框及其对应的物体特征标签；将所述样本图像框输入至所述预设卷积神经网络轻量模型进行处理，得到所述样本图像框对应的样本物体特征；根据预设损失函数获取所述样本图像框对应的样本物体特征和所述样本图像框对应的物体特征标签之间的差异信息；若所述差异信息满足预设停止训练条件，则停止训练，将当前的所述预设卷积神经网络轻量模型作为用于输出图像框对应的物体特征的卷积神经网络；若所述差异信息不满足所述第一预设停止训练条件，则调整预设参数，并返回所述将所述样本图像框输入至所述预设卷积神经网络轻量模型进行处理，得到所述样本图像框对应的样本物体特征。进一步地，训练单元，具体用于：获取样本图像框及其对应的物体特征标签，并且获取所述样本图像框中物体的物体类别；若所述物体类别对应的所述样本图像框的数量小于预设数量，则对所述样本图像框进行变换处理，得到样本图像框变换图像；根据所述样本图像框及其对应的物体特征标签、所述样本图像框变换图像及其对应的物体特征标签，确定所述训练样本集。第三方面，本申请实施例提供了一种物体识别装置，包括存储器、处理器以及存储在所述存储器中并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述第一方面所述的物体识别方法。第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的物体识别方法。本申请实施例中，获取待识别图像；根据预设分割算法对所述待识别图像进行分割处理，得到至少一个图像框；通过卷积神经网络对所述图像框进行特征提取，得到所述图像框对应的物体特征；通过机器学习算法对所述物体特征进行识别，得到所述待识别图像所包含的物体的物体类别。上述方法，采用卷积神经网络对图像框进行特征提取，可以提取出图像框更深层次的特征，提高了物体识别的准确率。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本申请第一实施例提供的一种物体识别方法的示意流程图；图2是本申请第二实施例提供的物体识别装置的示意图；图3是本申请第三实施例提供的物体识别设备的示意图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。本文档来自技高网...

【技术保护点】
1.一种物体识别方法，其特征在于，包括：/n获取待识别图像；/n根据预设分割算法对所述待识别图像进行分割处理，得到至少一个图像框；/n通过卷积神经网络对所述图像框进行特征提取，得到所述图像框对应的物体特征；/n通过机器学习算法对所述物体特征进行识别，得到所述待识别图像所包含的物体的物体类别。/n

【技术特征摘要】
1.一种物体识别方法，其特征在于，包括：
获取待识别图像；
根据预设分割算法对所述待识别图像进行分割处理，得到至少一个图像框；
通过卷积神经网络对所述图像框进行特征提取，得到所述图像框对应的物体特征；
通过机器学习算法对所述物体特征进行识别，得到所述待识别图像所包含的物体的物体类别。


2.如权利要求1所述的物体识别方法，其特征在于，所述卷积神经网络为mobilenet-ssd神经网络、yolov4-tiny神经网络或nanodet神经网络。


3.如权利要求1所述的物体识别方法，其特征在于，所述预设分割算法为暴力搜索算法、SelectiveSearch算法或基于边缘检测的图像分割算法。


4.如权利要求1所述的物体识别方法，其特征在于，所述机器学习算法为支持向量机算法或Adaboot算法。


5.如权利要求1所述的物体识别方法，其特征在于，所述卷积神经网络的训练过程包括：
获取预设的卷积神经网络，并且获取训练样本集；所述训练样本集包括样本图像框及其对应的物体特征标签；
将所述样本图像框输入至所述预设卷积神经网络轻量模型进行处理，得到所述样本图像框对应的样本物体特征；
根据预设损失函数获取所述样本图像框对应的样本物体特征和所述样本图像框对应的物体特征标签之间的差异信息；
若所述差异信息满足预设停止训练条件，则停止训练，将当前的所述预设卷积神经网络轻量模型作为用于输出图像框对应的物体特征的卷积神经网络；
若所述差异信息不满足所述第一预设停止训练条件，则调整预设参数，并返回所述将所述样本图像框...

【专利技术属性】
技术研发人员：杨勇，吴泽晓，张康健，
申请(专利权)人：深圳市杉川机器人有限公司，
类型：发明
国别省市：广东;44