一种复杂环境下的快速场景识别方法及装置制造方法及图纸

本发明专利技术公开了一种复杂环境下的快速场景识别方法及装置，其中，所述方法应用于一种复杂环境下的快速场景识别系统，所述系统包括图像采集装置，所述方法包括；通过所述图像采集装置获得第一图像数据；通过GoogleNet网络构建第一场景识别模型；在自建五类地形数据集上对所述第一场景识别模型进行网络参数训练，获得收敛后的所述第一场景识别模型；通过TensorRT进行所述收敛后的所述第一场景识别模型在嵌入端的移植部署；将所述第一图像数据输入部署完成的所述收敛后的所述第一场景识别模型，进行前向推理，获得识别结果。解决了现有技术中存在传感器识别容易存在装置误差，且对复杂场景识别率低，识别速度慢，不适应于实时场合的技术问题。

【技术实现步骤摘要】
一种复杂环境下的快速场景识别方法及装置
本专利技术涉及人工智能相关领域，尤其涉及一种复杂环境下的快速场景识别方法及装置。
技术介绍
场景识别属于一种图像处理任务，即在图像中判断图像场景所处的地点类型，包含准确的地理位置坐标，因此场景识别的结果可以用于后续的定位，但基于对高处下跃等机动作战能力提出更高要求的情况下，下跃过程中地形多变、瞬时性强，基于由多种传感器堆叠，通过观察并融合传感器数据来完成场景识别的传统方法难以对复杂地形进行实时评估与反馈。但本申请专利技术人在实现本申请实施例中专利技术技术方案的过程中，发现上述技术至少存在如下技术问题：现有技术中存在传感器识别容易存在装置误差，且对复杂场景识别率低，识别速度慢，不适应于实时场合的技术问题。
技术实现思路
本申请实施例通过提供一种复杂环境下的快速场景识别方法及装置，解决了现有技术中存在传感器识别容易存在装置误差，且对复杂场景识别率低，识别速度慢，不适应于实时场合的技术问题，达到了通过利用高效深度神经网络实现高准确率的场景识别模型的嵌入端部署，满足场景识别实时本文档来自技高网...

【技术保护点】
1.一种复杂环境下的快速场景识别方法，其中，所述方法应用于一种复杂环境下的快速场景识别系统，所述系统包括图像采集装置，所述方法包括；/n通过所述图像采集装置获得第一图像数据；/n通过GoogleNet网络构建第一场景识别模型；/n在自建五类地形数据集上对所述第一场景识别模型进行网络参数训练，获得收敛后的所述第一场景识别模型；/n通过TensorRT进行所述收敛后的所述第一场景识别模型在嵌入端的移植部署；/n将所述第一图像数据输入部署完成的所述收敛后的所述第一场景识别模型，进行前向推理，获得识别结果。/n

【技术特征摘要】
1.一种复杂环境下的快速场景识别方法，其中，所述方法应用于一种复杂环境下的快速场景识别系统，所述系统包括图像采集装置，所述方法包括；
通过所述图像采集装置获得第一图像数据；
通过GoogleNet网络构建第一场景识别模型；
在自建五类地形数据集上对所述第一场景识别模型进行网络参数训练，获得收敛后的所述第一场景识别模型；
通过TensorRT进行所述收敛后的所述第一场景识别模型在嵌入端的移植部署；
将所述第一图像数据输入部署完成的所述收敛后的所述第一场景识别模型，进行前向推理，获得识别结果。


2.如权利要求1所述的方法，其中，所述通过GoogleNet网络构建第一场景识别模型，包括：
根据所述GoogleNet网络，获得Inception结构；
根据所述Inception结构，通过多个支路利用不同大小的卷积核提取特征，获得不同尺寸的特征图；
根据所述不同尺寸的特征图进行特征融合，获得所述第一场景识别模型。


3.如权利要求1所述的方法，其中，所述第一场景识别模型训练过程中的优化的损失函数是预测值与真实值的交叉熵函数：



其中pi表示样本属于第i类的概率；
yi表示样本标签的onehot表示，当样本属于第类别i时yi＝1，否则yi＝0；
c表示样本标签。


4.如权利要求1所述的方法，其中，所述通过TensorRT进行所述收敛后的所述第一场景识别模型在嵌入端的移植部署,包括；
在服务器端生成所述收敛后的所述第一场景识别模型的wts文件；
将所述wts文件移动至嵌入端；
通过所述嵌入端定义所述第一场景识别模型定义层和/或结构信息；
加载并解析所述wts文...

【专利技术属性】
技术研发人员：齐飞，谢也佳，王晓甜，石光明，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61