目标识别方法及系统技术方案

一种目标识别方法及系统。所述方法包括：在接收到输入图像以后，分别利用预设的检测网络模型，对所述输入图像进行目标检测，得到目标物品的检测结果；所述目标物品的检测结果包括：目标物品类别信息、目标物品位置信息及置信度信息；利用预设的分类网络模型，对所述目标物品的检测结果进行分类，得到所述目标物品的分类结果；所述目标物品的分类结果包括：目标物品类别信息及置信度信息；利用所述目标物品的分类结果，判断所述目标物品的检测结果是否有效，将有效的所述目标物品的检测结果，作为所述目标物品的识别结果。应用上述方案，可以提高目标检测的准确性。以提高目标检测的准确性。以提高目标检测的准确性。

【技术实现步骤摘要】
目标识别方法及系统


[0001]本专利技术涉及目标检测领域，具体涉及一种目标识别方法及系统。

技术介绍

[0002]深度学习的原型，是用计算机系统架构来模拟人类大脑，广泛应用在安检等领域中。其中，深度学习在安检领域的应用，主要为目标检测，即检测出输入图像中目标物品的位置和分类信息。
[0003]现有基于深度学习进行目标检测的方案，通常使用单个卷积神经网络(Convolutional Neural Networks，CNN)或全连接深度神经网络(Deep Neural Networks，DNN)，进行目标检测。
[0004]然而，采用上述方案进行目标检测的准确性较差。

技术实现思路

[0005]本专利技术要解决的问题是：提高目标检测的准确性。
[0006]为解决上述问题，本专利技术实施例提供了一种目标识别方法，所述方法包括：
[0007]在接收到输入图像以后，分别利用预设的检测网络模型，对所述输入图像进行目标检测，得到目标物品的检测结果；所述目标物品的检测结果包括：目标物品类别信息、目标物品位置信息及置信度信息；
[0008]利用预设的分类网络模型，对所述目标物品的检测结果进行分类，得到所述目标物品的分类结果；所述目标物品的分类结果包括：目标物品类别信息及置信度信息；
[0009]利用所述目标物品的分类结果，判断所述目标物品的检测结果是否有效，将有效的所述目标物品的检测结果，作为所述目标物品的识别结果。
[0010]可选地，所述利用所述目标物品的分类结果，判断所述目标物品的检测结果是否有效，包括：
[0011]利用预设的第一训练样本类别映射关系信息，对所述目标物品的检测结果中目标物品类别信息进行类别转换，并基于类别转换结果，判断所述目标物品的检测结果是否有效，得到所述目标物品的识别结果；
[0012]其中，所述第一训练样本类别映射关系信息，为同一训练样本在作为所述检测网络模型对应的训练样本时所在的类别，与在作为所述分类网络模型对应的训练样本时所在的类别，二者之间的对应关系信息。
[0013]可选地，所述基于类别转换结果，判断所述目标物品的检测结果是否有效，包括：
[0014]基于类别转换结果，判断所述目标物品的检测结果中的目标物品类别信息，与所述目标物品的分类结果的目标物品类别信息，是否匹配，得到第一判断结果；
[0015]基于第一判断结果，结合所述目标物品的检测结果及所述目标物品的分类结果中的置信度信息，确定所述目标物品的检测结果是否有效。
[0016]可选地，所述基于第一判断结果，结合所述目标物品的检测结果及所述目标物品
的分类结果中的置信度信息，确定所述目标物品的检测结果是否有效，包括：
[0017]当所述第一判断结果为二者匹配时，若所述目标物品的检测结果中置信度高于第一置信度阈值，或者所述目标物品的分类结果中置信度高于第二置信度阈值，则所述目标物品的检测结果有效，否则无效；
[0018]当所述第一判断结果为二者不匹配时，若所述目标物品的检测结果中置信度高于第三置信度阈值，或者所述目标物品的分类结果中置信度高于第四置信度阈值，则所述目标物品的检测结果有效，否则无效；
[0019]其中，所述第三置信度阈值大于第一置信度阈值，所述第四置信度阈值大于第二置信度阈值。
[0020]可选地，所述方法还包括：
[0021]当所述目标物品的检测结果无效时，利用预设的第二训练样本类别映射关系信息，对所述目标物品的检测结果中目标物品类别信息进行类别转换，并基于类别转换结果，得到所述目标物品的相似物品识别结果；
[0022]其中，所述第二训练样本类别映射关系信息，为同一训练样本在作为所述检测网络模型对应的训练样本时所在训练样本类别，与在作为所述分类网络模型对应的训练样本时所在的相似训练样本类别，二者之间的对应关系信息；所述相似训练样本类别为具有相同视觉特征的训练样本类别，或者训练样本类别表中位于同级别的一个或多个训练样本类别。
[0023]可选地，所述在接收到输入图像以后，分别利用预设的检测网络模型，对所述输入图像进行目标检测，得到目标物品的检测结果，包括：
[0024]在接收到输入图像以后，分别利用预设的两个以上检测网络模型，对所述输入图像进行目标物品检测；
[0025]对各所述检测网络模型输出的中间检测结果进行融合，得到目标物品的检测结果；所述中间检测结果包括：目标物品类别信息、目标物品位置信息及置信度信息；
[0026]其中，任意两个所述检测网络模型对应的训练样本的类别不同。
[0027]可选地，任意两个所述检测网络模型对应的训练样本的类别完全不同，或者部分不同。
[0028]可选地，任意两个所述检测网络模型对应训练样本的类别数量的差异，小于预设第一类别差值；每个所述检测网络模型对应的训练样本中，任意两类别的训练样本数量的差异，小于第一样本差阈值。
[0029]可选地，所述两个以上检测网络模型是通过如下方法进行训练得到的：
[0030]统计所有训练样本中，各类别的训练样本数量，并确定具有最多训练样本的第一类别与具有最少训练样本的第二类别；
[0031]将所述第一类别所具有的训练样本数量至所述第二类别所具有的训练样本数量所限定的训练样本区间，均匀划分为K份，得到K-1个样本数量分隔值，K为大于1的正整数；
[0032]基于K-1个样本数量分隔值，及各类别的训练样本数量，对所获取的训练样本的类别进行分隔，得到K个检测网络模型的训练样本，并进行训练。
[0033]可选地，所述对各所述检测网络模型输出的中间检测结果进行融合，得到所述目标物品的检测结果，包括：
[0034]当同一目标物品的目标物品类别信息，仅存在于其中一个中间检测结果中时，将所在的中间检测结果，作为所述目标物品的检测结果；
[0035]当同一目标物品的目标物品类别信息，存在与两个以上中间检测结果中时，结合所述两个以上中间检测结果中的目标物品位置信息及置信度信息，得到所述目标物品的检测结果。
[0036]可选地，所述结合所述两个以上中间检测结果中的目标物品位置信息及置信度信息，得到所述目标物品的检测结果，包括：
[0037]对于所述两个以上中间检测结果中，任一置信度非最低的中间检测结果，分别计算第一面积，并对任一所述第一面积均执行以下操作：计算所述第一面积与各第二面积之间的重合面积，并根据所述重合面积的大小，对相应的中间检测结果进行剔除操作，将所述两个以上中间检测结果中执行剔除操作后的中间检测结果，作为本轮所述目标物品的检测结果；
[0038]将各轮所述目标物品的检测结果，及所述两个以上中间检测结果中置信度最低的中间检测结果，共同作为所述目标物品的检测结果；
[0039]其中，所述第一面积为所述中间检测结果的目标物品位置信息所对应的目标物品面积，所述第二面积为所述两个以上中间检测结果中剩余中间检测结果的目标物本文档来自技高网...

【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：在接收到输入图像以后，分别利用预设的检测网络模型，对所述输入图像进行目标检测，得到目标物品的检测结果；所述目标物品的检测结果包括：目标物品类别信息、目标物品位置信息及置信度信息；利用预设的分类网络模型，对所述目标物品的检测结果进行分类，得到所述目标物品的分类结果；所述目标物品的分类结果包括：目标物品类别信息及置信度信息；利用所述目标物品的分类结果，判断所述目标物品的检测结果是否有效，将有效的所述目标物品的检测结果，作为所述目标物品的识别结果。2.如权利要求1所述的目标识别方法，其特征在于，所述利用所述目标物品的分类结果，判断所述目标物品的检测结果是否有效，包括：利用预设的第一训练样本类别映射关系信息，对所述目标物品的检测结果中目标物品类别信息进行类别转换，并基于类别转换结果，判断所述目标物品的检测结果是否有效，得到所述目标物品的识别结果；其中，所述第一训练样本类别映射关系信息，为同一训练样本在作为所述检测网络模型对应的训练样本时所在的类别，与在作为所述分类网络模型对应的训练样本时所在的类别，二者之间的对应关系信息。3.如权利要求2所述的目标识别方法，其特征在于，所述基于类别转换结果，判断所述目标物品的检测结果是否有效，包括：基于类别转换结果，判断所述目标物品的检测结果中的目标物品类别信息，与所述目标物品的分类结果的目标物品类别信息，是否匹配，得到第一判断结果；基于第一判断结果，结合所述目标物品的检测结果及所述目标物品的分类结果中的置信度信息，确定所述目标物品的检测结果是否有效。4.如权利要求3所述的目标识别方法，其特征在于，所述基于第一判断结果，结合所述目标物品的检测结果及所述目标物品的分类结果中的置信度信息，确定所述目标物品的检测结果是否有效，包括：当所述第一判断结果为二者匹配时，若所述目标物品的检测结果中置信度高于第一置信度阈值，或者所述目标物品的分类结果中置信度高于第二置信度阈值，则所述目标物品的检测结果有效，否则无效；当所述第一判断结果为二者不匹配时，若所述目标物品的检测结果中置信度高于第三置信度阈值，或者所述目标物品的分类结果中置信度高于第四置信度阈值，则所述目标物品的检测结果有效，否则无效；其中，所述第三置信度阈值大于第一置信度阈值，所述第四置信度阈值大于第二置信度阈值。5.如权利要求1所述的目标识别方法，其特征在于，还包括：当所述目标物品的检测结果无效时，利用预设的第二训练样本类别映射关系信息，对所述目标物品的检测结果中目标物品类别信息进行类别转换，并基于类别转换结果，得到所述目标物品的相似物品识别结果；其中，所述第二训练样本类别映射关系信息，为同一训练样本在作为所述检测网络模型对应的训练样本时所在训练样本类别，与在作为所述分类网络模型对应的训练样本时所
在的相似训练样本类别，二者之间的对应关系信息；所述相似训练样本类别为具有相同视觉特征的训练样本类别，或者训练样本类别表中位于同级别的一个或多个训练样本类别。6.如权利要求1所述的目标识别方法，其特征在于，所述在接收到输入图像以后，分别利用预设的检测网络模型，对所述输入图像进行目标检测，得到目标物品的检测结果，包括：在接收到输入图像以后，分别利用预设的两个以上检测网络模型，对所述输入图像进行目标物品检测；对各所述检测网络模型输出的中间检测结果进行融合，得到目标物品的检测结果；所述中间检测结果包括：目标物品类别信息、目标物品位置信息及置信度信息；其中，任意两个所述检测网络模型对应的训练样本的类别不同。7.如权利要求6所述的目标识别方法，其特征在于，任意两个所述检测网络模型对应的训练样本的类别完全不同，或者部分不同。8.如权利要求6所述的目标识别方法，其特征在于，任意两个所述检测网络模型对应训练样本的类别数量的差异，小于预设第一类别差值；每个所述检测网络模型对应的训练样本中，任意两类别的训练样本数量的差异，小于第一样本差阈值。9.如权利要求6所述的目标识别方法，其特征在于，所述两个以上检测网络模型是通过如下方法进行训练得到的：统计所有训练样本中，各类别的训练样本数量，并确定具有最多训练样本的第一类别与具有最少训练样本的第二类别；将所述第一类别所具有的训练样本数量至所述第二类别所具有的训练样本数量所限定的训练样本区间，均匀划分为K份，得到K-1个样本数量分隔值，K为大于1的正整数；基于K-1个样本数量分隔值，及各类别的训练样本数量，对所获取的训练样本的类别进行分隔，得到K个检测网络模型的训练样本，并进行训练。10.如权利要求9所述的目标识别方法，其特征在于，所述对各所述检测网络模型输出的中间检测结果进行融合，得到所述目标物品的检测结果，包括：当同一目标物品的目标物品类别信息，仅存在于其中一个中间检测结果中时，将所在的中间检测结果，作为所述目标物品的检测结果；当同一目标物品的目标物品类别信息，存在与两个以上中间检测结果中时，结合所述两个以上中间检测结果中的目标物品位置信息及置信度信息，得到所述目标物品的检测结果。11.如权利要求10所述的目标识别方法，其特征在于，所述结合所述两个以上中间检测结果中的目标物品位置信息及置信度信息，得到所述目标物品的检测结果，包括：对于所述两个以上中间检测结果中，任一置信度非最低的中间检测结果，分别计算第一面积，并对任一所述第一面积均执行以下操作：计算所述第一面积与各第二面积之间的重合面积，并根据所述重合面积的大小，对相应的中间检测结果进行剔除操作，将所述两个以上中间检测结果中执行剔除操作后的中间检测结果，作为本轮所述目标物品的检测结果；将各轮所述目标物品的检测结果，及所述两个以上中间检测结果中置信度最低的中间检测结果，共同作为所述目标物...

【专利技术属性】
技术研发人员：李新伟，陆继承，秦亮，顾怡韵，王家泉，
申请(专利权)人：上海复旦微电子集团股份有限公司，
类型：发明
国别省市：