一种基于全特征融合建立目标预判优化模型的方法技术

本发明专利技术公开了一种基于全特征融合建立目标预判优化模型的方法，包括：一：采集若干待识别图像，并确定出各待识别图像的不规则显著像素簇；二：对待识别图像进行去噪增强处理，得到去噪增强图像；三：引入品质函数，将去噪增强图像转换成空间序列，并基于空间序列得到时序信息、空序信息以及初始预判模型；四：将时序信息与空序信息融合至初始预判模型，并在保留时序信息的情况下，将所有待识别图像的图像帧融合至初始预判模型中，得到基于全特征融合的目标预判模型；五：对目标预判模型进行智能优化，得到目标预判优化模型。该方法赋予模型自学习和自适应能力，使模型能够随着时间推移不断提升识别效率，最终实现熟悉目标的快速检测和高效识别。识别。识别。

【技术实现步骤摘要】
一种基于全特征融合建立目标预判优化模型的方法


[0001]本专利技术属于目标识别
，具体涉及一种基于全特征融合建立目标预判优化模型的方法，根据该方法建立的目标预判优化模型通常应用于熟悉场景中熟悉目标的高效识别。

技术介绍

[0002]在图像识别领域，熟悉场景经常会出现，提升熟悉场景检测效率与识别精度能够增加算法适应性并缩短计算时间。一方面，熟悉场景检测中显著性区域检测至关重要，快速、准确检测出显著性区域将节省算力、缩短时间。另一方面，提高低分辨率图像识别精度对于保障整个系统识别精度具有重要意义。根据是否是基于学习的建模方法可以把显著性检测算法分为三个大类，包括基于非学习模型的显著性检测、基于传统机器学习模型的显著性检测、基于深度学习模型的显著性检测。基于非学习模型的显著性检测还可以分为基于局部对比度的显著性检测算法和基于全局对比度的显著性检测算法，但当图像中显著性对象区域过大时，会导致非显著性目标区域的显著值更大，进而将背景标注为显著性区域。然而，传统机器学习显著性检测算法往往只能提取出低级特征，而仅仅依靠低级特征无法取得理想的效果。针对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于全特征融合建立目标预判优化模型的方法，其特征在于包括如下步骤：步骤一：使用摄像头采集若干待识别图像，对待识别图像进行处理，确定出各待识别图像的不规则显著像素簇；步骤二：根据不规则显著像素簇对待识别图像进行去噪增强处理，处理完成后得到去噪增强图像；步骤三：在去噪增强图像引入品质函数度量观测到的特征之间的相互关系程度，再根据度量观测到的特征之间的相互关系程度获取特征的关联测度，然后基于关联测度将去噪增强图像转换成空间序列，并基于空间序列得到时序信息、空序信息以及初始预判模型；步骤四：采用广义高阶循环网络，将时序信息与空序信息融合至初始预判模型，并在保留时序信息的情况下，将所有待识别图像的图像帧融合至初始预判模型中，融合完成后得到基于全特征融合的目标预判模型；步骤五：对目标预判模型进行智能优化，优化完成后得到目标预判优化模型。2.根据权利要求1所述的一种基于全特征融合建立目标预判优化模型的方法，其特征在于：步骤一中，待识别图像的不规则显著像素簇采用基于Transformer的深度学习网络结构处理得出。3.根据权利要求1所述的一种基于全特征融合建立目标预判优化模型的方法，其特征在于：步骤二中，所述去噪增强处理的方法为：S11：将所有待识别图像的不规则显著像素簇以像素点为单位转换成序列数据，转换完成后得到多组序列数据；S12：采用基于Transformer的深度学习网络结构分别对各组序列数据进行处理，得到多组处理数据；S13：采用BM3D算法对多组处理数据进行处理，将空域去噪和变换域去噪相结合，得到低噪图像；S14：根据NL
‑
Means算法在低噪图像中通过相似图像块之间的距离搜索相似图像块，使用相似图像块的块邻域实现维纳滤波，滤波完成后，再经加权聚合和比对即得到去噪增强图像。4.根据权利要求3所述的一种基于全特征融合建立目标预判优化模型的方法，其特征在于：步骤S14中，所述去噪增强图像的得出方法为：Step1：计算相似图像块之间的距离，计算公式如下：式中，Z
x
为低噪图像中的参考图像块，Z
xR
为低噪图像中的待匹配区域图像块，表示对所有的参考图像块和待匹配区域图像块进行2D变换，Υ
′
表示对所有低噪图像的数值进行硬阈值操作，d(Z
xR
,Z
x
)为相似图像块的距离；Step2：将相似图像块之间的距离进行分组，分组后通过设置阈值进行协同滤波，协同滤波后再通过逆变换恢复所有低噪图像的数值到空域，得到空域下相似图像块的距离，其中，空域下相似图像块的距离的计算方法为：
式中，表示对所有的参考图像块和...

【专利技术属性】
技术研发人员：李超，殷光强，王治国，唐飞，任银旺，杨晓宇，林若希，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：