对象识别方法和装置、存储介质及电子设备制造方法及图纸

本发明专利技术公开了一种对象识别方法和装置、存储介质及电子设备。其中，该方法包括：利用训练后的对象识别网络，对包含待处理对象的道路图像进行多次识别处理，得到多个对象识别信息；其中，对象识别信息中至少包含针对待处理对象进行预测后得到的预测关键点信息和类别信息；对象识别网络是基于样本道路图像中历史对象的预测关键点信息和对应的标注关键点信息之间的差异信息进行训练得到的；基于多个对象识别信息，确定对待处理对象进行识别后得到的对象类别、位置信息和关键点。本发明专利技术解决了由于相关技术中由于采用多阶段识别技术手段造成的车辆识别效率较低的技术问题。的车辆识别效率较低的技术问题。的车辆识别效率较低的技术问题。

【技术实现步骤摘要】
对象识别方法和装置、存储介质及电子设备


[0001]本专利技术涉及图像识别
，具体而言，涉及一种对象识别方法和装置、存储介质及电子设备。

技术介绍

[0002]随着经济发展与基础设施的完善，道路车辆逐渐增多，相应的给交通监管带来了沉重的负担，而一些高速等场景紧急事故，如车辆违章压线、停车的延迟处理也给二次事故的发生埋下了隐患；其中违章压线等问题若仅仅依靠车辆边框很难进行准确的定位，因此对车辆关键点定位的利用至关重要。目前对交通道路场景目标的关键点定位主要采用了两阶段的方法，首先通过检测算法，对道路目标进行检测，获取对应的检测框与类别，最后依据检测框的结果对车辆的关键点进行定位来获得最终结果；这种多阶段的方法不仅增加了实际工程部署的复杂度，而且降低了整体的性能，并且当检测得到的车辆目标不完整或者框内包含其它车辆目标时，会出现车辆关键点定位错乱的问题。
[0003]针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

[0004]本专利技术实施例提供了一种对象识别方法和装置、存储介质及电子设备，以至少解决由于相关本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种对象识别方法，其特征在于，包括：利用训练后的对象识别网络，对包含待处理对象的道路图像进行多次识别处理，得到多个对象识别信息；其中，所述对象识别信息中至少包含针对所述待处理对象进行预测后得到的预测关键点信息和类别信息；所述对象识别网络是基于样本道路图像中历史对象的预测关键点信息和对应的标注关键点信息之间的差异信息进行训练得到的；基于所述多个对象识别信息，确定对所述待处理对象进行识别后得到的对象类别、位置信息和关键点。2.根据权利要求1所述的方法，其特征在于，在所述位置信息包括所述待处理对象的检测框所在的位置的情况下，所述基于所述多个对象识别信息，确定针对所述待处理对象进行识别后得到的对象类别、位置信息和关键点，包括：利用非极大值抑制算法，分别对每个所述对象识别信息中的预测关键点信息和类别信息进行处理，得到所述待处理对象的对象类别和所述待处理对象的检测框所在的位置，以及所述待处理对象的目标关键点信息，其中，所述目标关键点信息是基于所述多个对象识别信息中包含的预测关键点信息确定的；基于关键点偏移信息，对所述目标关键点信息进行处理，得到所述待处理对象的关键点。3.根据权利要求2所述的方法，其特征在于，所述目标关键点信息包括关键点坐标；所述关键点偏移信息包括针对所述关键点坐标的坐标偏移量；其中，所述基于关键点偏移信息，对所述目标关键点信息进行处理，得到所述待处理对象的关键点，包括：将所述关键点坐标和所述坐标偏移量进行叠加，将叠加得到的坐标对应的位置点确定为所述待处理对象的关键点。4.根据权利要求1所述的方法，其特征在于，所述对象识别网络包括N个子识别网络；其中，每个所述子识别网络中包含串联连接的特征提取层和识别层，且第i个子识别网络的特征提取层和第i+1个子识别网络的识别层连接，所述N为大于1的整数，所述i为大于0且小于N的整数；利用训练后的对象识别网络，对包含待处理对象的道路图像进行多次识别处理，得到多个对象识别信息，包括：分别利用所述N个子识别网络对所述道路图像进行识别，得到N个对象识别信息，每个子识别网络对应一个对象识别信息。5.根据权利要求4所述的方法，其特征在于，所述分别利用所述N个子识别网络对所述道路图像进行识别，得到N个对象识别信息，包括：利用第j个子识别网络对所述道路图像进行识别过程包括：利用所述第j个子识别网络中的特征提取层，对第j
‑
1个子识别网络的特征提取层输出的特征进行处理，得到所述第j个子识别网络中的特征提取层输出的特征；利用所述第j个子识别网络中的识别层，对所述第j个子识别网络中的特征提取层输出的特征进行识别，得到所述第j个子识别网络对应的对象识别信息；其中：所述j为大于0且不大于N的整数；所述j为1时，所述第j
‑
1个子识别网络的特征提取层输出的特征为对所述道路图像的预处理特征。6.根据权利要求5所述的方法，其特征在于，所述对象识别网络还包括下采样层和特征
预处理层，所述特征预处理层与所述子识别网络包含的特征提取层的网络结构相同；所述分别利用所述N个子识别网络对所述道路图像进行识别，得到N个对象识别信息，每个子识别网络对应一个对象识别信息之前，还包括：利用所述下采样层对所述道路图像进行下采样处理；利用所述特征预处理层对所述下采样处理得到的结构进行特征提取，得到对所述道路图像的所述预处理特征。7.根据权利要求4所述的方法，其特征在于，所述特征提取层包括串联连接的密集层和过渡层，所述密集层包括K个密集区块，所述密集区块中包括由第一卷积核尺寸的卷积层和由第二卷积核尺寸的卷积层；所述过渡层包括：由第三卷积核尺寸构成的第一最大池化层。8.根据权利要求4所述的方法，其特征在于，所述识别层包括：检测头结构和检测输出结构，所述检测头结构包括第二最大池化层、检测卷积层及全局处理层，其中，所述检测卷积层中第一检测卷积层与第二检测卷积层具有相同卷积核尺寸，但步长不同且输出通道数不同；所述全局处理层中包括：全局最大池化层以及第一处理卷积层和第二处理卷积层，所述第一处理卷积层与所述...

【专利技术属性】
技术研发人员：李松，王亚运，余言勋，刘智辉，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：