基于视频识别的小样本学习方法技术

本发明专利技术公开了基于视频识别的小样本学习方法，包括如下步骤：采集多帧连续的视频图像，并生成预处理图像；切割预处理图像，在所采集的多帧连续的视频图像中检测被识别对象的目标区域；将被识别对象的目标区域，传输至SSD算法模块，利用SSD算法提取各帧视频图像中被识别对象目标区域的特点；根据提取的被识别对象目标区域的特点，构建用于学习的深度神经网络模型；基于公用数据库训练深度神经网络模型，并对采集多帧连续的视频图像进行识别测试；选取少量未识别的视频图像建立训练样本库。本发明专利技术针对小样本数据集的特征提取方法能通过网络模型的特征提取性能，可以实现视频图像数据的小样本学习，节省大量的视频识别时间。节省大量的视频识别时间。节省大量的视频识别时间。

【技术实现步骤摘要】
基于视频识别的小样本学习方法


[0001]本专利技术涉及视频图像处理
，尤其涉及基于视频识别的小样本学习方法。

技术介绍

[0002]随着深度学习在图像领域内的飞速发展，计算机对图像的识别已经接近甚至超越人类的表现。近几年来大数据技术、卷积神经网络和计算及性能都在飞速发展，大规模数据的图像任务，例如图像分类、目标检测、图像分割等都已经发展的非常成熟。然而目前主流的深度学习网络模型都针对样本数量较大的任务提出，而忽略了现实生活中大多数任务场景下数据量稀缺的问题，大数据样本训练费时、耗力，业界已开始探索小样本机器学习方法。

技术实现思路

[0003]基于
技术介绍
存在的技术问题，本专利技术提出了基于视频识别的小样本学习方法。
[0004]本专利技术提出的基于视频识别的小样本学习方法，包括如下步骤：S1采集多帧连续的视频图像，并生成预处理图像；S2切割预处理图像，在所采集的多帧连续的视频图像中检测被识别对象的目标区域；S3将被识别对象的目标区域，传输至SSD算法模块，利用SSD算法提取各帧视频图像中被识别对象目标区域的特点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于视频识别的小样本学习方法，其特征在于，包括如下步骤：S1采集多帧连续的视频图像，并生成预处理图像；S2切割预处理图像，在所采集的多帧连续的视频图像中检测被识别对象的目标区域；S3将被识别对象的目标区域，传输至SSD算法模块，利用SSD算法提取各帧视频图像中被识别对象目标区域的特点；S4根据提取的被识别对象目标区域的特点，构建用于学习的深度神经网络模型；S5基于公用数据库训练深度神经网络模型，并对采集多帧连续的视频图像进行识别测试；S6选取少量未识别的视频图像建立训练样本库；S7用建立训练样本库继续训练深度神经网络；S8用训练好的深度神经网络对采集多帧连续的视频图像进行识别测试。2.根据权利要求1所述的基于视频识别的小样本学习方法，其特征在于，所述视频图像通过卷积块进行特征提取，得到图像投融资，通过池化层对提取后的图像特征进行全局特征提取，得到全局特征标量。3.根据权利要求1所述的基于视频识别的小样本学习方法，其特征在于，根据所提取的各帧视频图像中被识别对象目标区域的特征，分析被识别对象的目标区域有否出现持续时间位于最小阈值与最大阈值之间的动作，并将目标区域出现了持续时间位于最小阈值与最大阈...

【专利技术属性】
技术研发人员：费树岷，陆志刚，王彬彬，
申请(专利权)人：南京东奇智能制造研究院有限公司，
类型：发明
国别省市：