一种目标识别方法、装置及可读存储介质制造方法及图纸

本发明专利技术公开了一种目标识别方法、装置及可读存储介质，其中方法包括：获取待识别目标的图像信息和伺服信息；通过预设神经网络对所述图像信息进行识别，获得识别结果，以及，根据所述伺服信息确定目标类别；基于所述目标类别和所述识别结果进行融合判定，以完成目标的识别。本发明专利技术实施例通过图像信息和伺服信息进行融合判断，由此大大提高了对弱小目标的识别效果。果。果。

【技术实现步骤摘要】
一种目标识别方法、装置及可读存储介质


[0001]本专利技术涉及定位
，尤其涉及一种目标识别方法、装置及可读存储介质。

技术介绍

[0002]随着深度学习图像分类网络模型在图像处理中应用的效果越来越好，神经网络体积越来越大，结构越来越复杂，预测和训练需要的硬件资源也逐步增多。很多图像处理过程往往只能在高算力的服务器中运行，移动设备因硬件资源和算力的限制，很难运行复杂的深度学习网络模型，所以一些型的网络结构不适用于机载图像实时处理。
[0003]同时现有的卷积神经网络对弱小目标进行检测时，特征提取困难、目标识别概率低。

技术实现思路

[0004]本专利技术实施例提供一种目标识别方法、装置及可读存储介质，用以提高对弱小目标的识别效果。
[0005]本专利技术实施例提供一种目标识别方法，包括：
[0006]获取待识别目标的图像信息和伺服信息；
[0007]通过预设神经网络对所述图像信息进行识别，获得识别结果，以及，根据所述伺服信息确定目标类别；
[0008]基于所述目标类别和所述识别结果进行融合判定，以完成目标的识别。
[0009]在一示例中，在获得识别结果之后，所述目标识别方法还包括：
[0010]根据所述识别结果的置信度的大小对识别结果进行排序，获得排序结果。
[0011]在一示例中，所述基于所述目标类别和所述识别结果进行融合判定，以完成目标的识别包括：
[0012]基于所述排序结果依次对所述目标类别进行匹配，获得匹配信息；<br/>[0013]将所述匹配信息与预设阈值进行比对，获得比对结果；
[0014]基于所述比对结果对所述待识别目标进行标记，以完成目标的识别。
[0015]在一示例中，所述通过预设神经网络对所述图像信息进行识别，获得识别结果包括：
[0016]利用改进的MobileNeV2网络对所述图像信息进行识别，其中所述改进的MobileNeV2网络包含顺次连接的若干个瓶颈结构，并且在输出特征图大小一致的瓶颈结构之间设置密集连接，以进行特征图拼接。
[0017]在一示例中，所述利用改进的MobileNeV2网络对所述图像信息进行识别包括：
[0018]配置所述改进的MobileNeV2网络中的若干个瓶颈结构的扩张系数在[1，6]范围内，且减小处于若干个瓶颈结构尾部的瓶颈结构的扩张系数。
[0019]在一示例中，所述利用改进的MobileNeV2网络对所述图像信息进行识别包括：
[0020]在所述若干个顺次连接的瓶颈结构的预设位置，配置一个扩张系数t＝1，步长s＝
1的瓶颈结构和一个t＝1，s＝2的瓶颈结构的组合结构，以完成输出通道数的局部缩小。
[0021]在一示例中，所述利用改进的MobileNeV2网络对所述图像信息进行识别包括：
[0022]利用任一所述瓶颈结构的输入特征图与所述瓶颈结构主处理路径的输出特征图进行特征相加，并且在进行特征相加之前，对所述特征图进行单项池化。
[0023]在一示例中，通过预设神经网络对所述图像信息进行识别，获得识别结果还包括：
[0024]对最后一个瓶颈结构输出的特征图依次利用池化层、全卷积层和Softmax层进行处理，获得识别结果。
[0025]本专利技术实施例还提出一种目标识别装置，包括：
[0026]输入单元，用于获取待识别目标的图像信息和伺服信息；
[0027]处理单元，用于通过预设神经网络对所述图像信息进行识别，获得识别结果，以及，根据所述伺服信息确定目标类别；
[0028]判定单元，用于基于所述目标类别和所述识别结果进行融合判定，以完成目标的识别。
[0029]本专利技术实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如前述的目标识别方法的步骤。
[0030]本专利技术实施例通过图像信息和伺服信息进行融合判断，由此大大提高了对弱小目标的识别效果。
[0031]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。
附图说明
[0032]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
[0033]图1为本专利技术实施例方法基本流程图；
[0034]图2为现有的MobileNet网络的瓶颈结构；
[0035]图3为本专利技术实施例改进的MobileNet网络的瓶颈结构；
[0036]图4为本专利技术实施例改进的MobileNet网络结构示意图。
具体实施方式
[0037]下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
[0038]本专利技术实施例提供一种目标识别方法，如图1所示，包括以下具体步骤：
[0039]S101、获取待识别目标的图像信息和伺服信息；
[0040]S102、通过预设神经网络对所述图像信息进行识别，获得识别结果，以及，根据所述伺服信息确定目标类别；
Bottlenecks)和Inverted Residual block。Linear Bottlenecks即去除网络中输出维度较小的层后的激活函数ReLu，将其改为线性激活，这种改进降低了使用ReLu函数造成的信息损失。Inverted Residual block的设计采用了先升维、后降维的结构，与传统的Residual block先降维、后升维的结构相反。反向残差(Inverted Residuals)的结构解决训练中随着网络深度增加而出现的梯度消失问题，使反向传播过程中深度网络的浅层网络也能得到梯度，使浅层网络的参数也可训练，从而增加特征表达能力。
[0054]在一示例中，所述通过预设神经网络对所述图像信息进行识别，获得识别结果包括：
[0055]利用改进的MobileNeV2网络对所述图像信息进行识别，其中所述改进的MobileNeV2网络包含顺次连接的若干个瓶颈结构，并且在输出特征图大小一致的瓶颈结构之间设置密集连接，以进行特征图拼接。
[0056]传统的MobileNetv2的瓶颈结构如图2所示，ResNet的残差结构实际是在线性瓶颈结构的基础上增加残差传播。Mobilenet网络设计网络了扩张系数t以控制网络的大小，MobileNeV2中瓶颈设计采用先升维后降维的策略并在降维后使用线性激活来避免激活函数ReLu对信息的损失。本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标识别方法，其特征在于，包括：获取待识别目标的图像信息和伺服信息；通过预设神经网络对所述图像信息进行识别，获得识别结果，以及，根据所述伺服信息确定目标类别；基于所述目标类别和所述识别结果进行融合判定，以完成目标的识别。2.如权利要求1所述的目标识别方法，其特征在于，在获得识别结果之后，所述目标识别方法还包括：根据所述识别结果的置信度的大小对识别结果进行排序，获得排序结果。3.如权利要求2所述的目标识别方法，其特征在于，所述基于所述目标类别和所述识别结果进行融合判定，以完成目标的识别包括：基于所述排序结果依次对所述目标类别进行匹配，获得匹配信息；将所述匹配信息与预设阈值进行比对，获得比对结果；基于所述比对结果对所述待识别目标进行标记，以完成目标的识别。4.如权利要求1
‑
3任一项所述的目标识别方法，其特征在于，所述通过预设神经网络对所述图像信息进行识别，获得识别结果包括：利用改进的MobileNeV2网络对所述图像信息进行识别，其中所述改进的MobileNeV2网络包含顺次连接的若干个瓶颈结构，并且在输出特征图大小一致的瓶颈结构之间设置密集连接，以进行特征图拼接。5.如权利要求4所述的目标识别方法，其特征在于，所述利用改进的MobileNeV2网络对所述图像信息进行识别包括：配置所述改进的MobileNeV2网络中的若干个瓶颈结构的扩张系数在[1，6]范围内，且减小处于若干个瓶颈结构尾部的...

【专利技术属性】
技术研发人员：赵涛，程勇策，温明，袁滔，乔宇晨，
申请(专利权)人：中国电子科技集团公司第三研究所，
类型：发明
国别省市：