一种基于特征识别的图像目标识别方法及系统技术方案

本申请实施例提供了一种基于特征识别的图像目标识别方法及系统，应用于计算机图像识别技术领域。在该图像目标识别方法中，对多个图像目标进行k

【技术实现步骤摘要】
一种基于特征识别的图像目标识别方法及系统


[0001]本申请涉及计算机图像识别处理
，尤其涉及一种基于特征识别的图像目标识别方法及系统。

技术介绍

[0002]在计算机图像识别
中，需要对图像中各个图像目标进行识别。但在图像包括密集的多个目标的场景中，对不同大小的目标进行识别的精度不一。且在图像中的面积占比较大的图像目标容易获得图像识别模型的更多的关注，以至于图像识别模型对面积占比较小的图像目标的识别精度大大降低。从而造成图像识别精度的降低。

技术实现思路

[0003]本申请实施例提供一种基于特征识别的图像目标识别方法及系统，根据图像目标的不同面积占比，对图像目标进行一定比例的锚点分配，从而实现了对多目标图像中各个大小的目标都保持一定的识别精度。
[0004]为达到上述目的，本申请的实施例采用如下技术方案：
[0005]第一方面，提供了一种基于特征识别的图像目标识别方法，该方法包括：对预训练集中的多个第一样本图像上的多个图像目标进行k
‑
means计算，得到多个图像识别锚点；根据所述多个图像目标的图像面积占比，对所述多个图像目标进行分类，得到第一图像目标分类和第二图像目标分类；所述第一图像目标分类中的所述图像目标的图像面积占比，大于，所述第二图像目标分类中的所述图像目标的图像目标占比；为所述第一图像目标分类和所述第二图像目标分类分配所述多个图像识别锚点；所述第一图像目标分类的所述图像识别锚点，少于，所述第二图像目标分类的所述图像识别锚点；按照所述多个图像识别锚点的分配比例，基于crop
‑
yolo
‑
tiny算法进行图像识别模型的训练；使用训练后的所述第一图形识别模型进行图形目标识别。
[0006]在一种可能的实施方式中，面积占比较大的所述图像目标所对应的所述图像识别锚点的锚点数量，小于，面积占比较小的所述图像目标所对应的所述图像识别锚点的锚点数量。
[0007]在一种可能的实施方式中，在所述基于crop
‑
yolo
‑
tiny算法进行第一图像识别模型的训练之前，对所述预训练集中的所述多个图像目标进样本增强。
[0008]在一种可能的实施方式中，所述样本增强包括：对所述预训练集中的所述多个图像目标进行色彩翻转，将色彩翻转后的所述多个图像目标进行剪切和拼接，得到负样本训练集。
[0009]在一种可能的实施方式中，所述样本增强包括：从所述预训练集中筛选出多个第一图像；所述多个第一图像为所述预训练集中图像质量在前k％的训练图像；从所述多个第一图像中扣出每个所述图像面积占比分类所对应的图像目标；将扣出的所述图像目标贴合至不同的图像上，得到第二样本图像；将所述第二样本图像并入所述预训练集中。
[0010]在一种可能的实施方式中，为所述第一图像目标分类和所述第二图像目标分类对应设置第一图像大小和第二图像大小。
[0011]在一种可能的实施方式中，所述基于crop
‑
yolo
‑
tiny算法进行图像识别模型的训练，包括：通过所述图像识别模型，对所述第一图像大小的所述第一图像目标分类进行特征提取，得到第一特征，对所述第二图像大小的所述第二图像目标分类进行特征提取，得到第二特征；计算所述第一特征和第一真实值之间的第一损失熵，计算所述第二特征与第二真实值之间的第二损失熵；根据所述第一损失熵和所述第二损失熵对所述图像识别模型进行训练。
[0012]在一种可能的实施方式中，采用遗传算法对所述训练进行迭代，直至所述图像识别模型训练至收敛，或者，直至所述迭代的次数达到2000。
[0013]第二方面，本申请实施例还提供了一种基于特征识别的图像目标识别系统，该系统包括图像识别模型；所述图像识别模型包括第一特征处理模块、第二特征处理模块和损失熵计算模块；其中，所述第一特征处理模块用于，提取第一图像大小的特征图，得到第一特征；所述第二特征处理模块用于，提取第二图像大小的特征图，得到第二特征；所述损失熵计算模块用于，计算所述第一特征和第一真实值之间的第一损失熵，计算所述第二特征与第二真实值之间的第二损失熵。
[0014]在一种可能的实施方式中，所述第一特征处理模块包括级联的十个层级；所述第二特征处理模块包括级联的五个层级；在所述第一特征处理模块中，第一层级包括十六层DSConv网络，第二层级包括三十二层DSConv网络，第三层级包括六十四层DSConv网络，第四层级包括一百二十八层DSConv网络，第五层包括二百五十六层DSConv网络，第六层级包括五百一十二层DSConv网络，第七层级包括一千零二十四层DSConv网络，第八层级包括二百五十六层Conc层，第九层包括五百一十二层层DSConv网络，第十层级包括二百五十六层Conv层；在所述第二特征处理模块中，第一层级包括一百二十八层Conv层，第二层级包括一层上采样层，第三层级包括一层concat操作层，第四层级包括二百五十六层DSConv网络，第五层级包括二百五十六层Conv层；所述第二特征处理模块的第一层级的输入端与所述第一特征处理模块的第七层级的输出端连接；所述第二特征处理模块的第三层级的输入端还与所述第一特征处理模块的第五层级的输出端连接。
[0015]第三方面，本申请实施例还提供了一种电子设备，包括处理器和存储器。该处理器中包括上述第二方面所记载的基于特征识别的图像目标识别系统。
[0016]第四方面，本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质包括指令，当该指令在上述第三方面所记载的电子设备上运行时，使得该电子设备执行如上述第一方面所记载的基于特征识别的图像目标识别方法。
附图说明
[0017]图1为本申请实施例提供的一种基于特征识别的图像目标识别方法的流程示意图；
[0018]图2为本申请实施例提供的一种基于特征识别的图像目标识别系统的结构示意图；
[0019]图3为本申请实施例提供的又一种基于特征识别的图像目标识别系统的结构示意
图；
[0020]图4为本申请实施例提供的又一种基于特征识别的图像目标识别系统的结构示意图；
[0021]图5为本申请实施例提供的一种DSConv网络的结构示意图。
具体实施方式
[0022]需要说明的是，本申请实施例涉及的术语“第一”、“第二”等仅用于区分同一类型特征的目的，不能理解为用于指示相对重要性、数量、顺序等。
[0023]本申请实施例涉及的术语“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
[0024]本申请实施例涉及的术语“耦合”、“连接”应做广义理解，例如，可以指物理上的直接连接，也可以指通过电子器件实现的间接连接，例如通过电本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征识别的图像目标识别方法，其特征在于，所述方法包括：对预训练集中的多个第一样本图像上的多个图像目标进行k
‑
means计算，得到多个图像识别锚点；根据所述多个图像目标的图像面积占比，对所述多个图像目标进行分类，得到第一图像目标分类和第二图像目标分类；所述第一图像目标分类中的所述图像目标的图像面积占比，大于，所述第二图像目标分类中的所述图像目标的图像目标占比；为所述第一图像目标分类和所述第二图像目标分类分配所述多个图像识别锚点；所述第一图像目标分类的所述图像识别锚点，少于，所述第二图像目标分类的所述图像识别锚点；按照所述多个图像识别锚点的分配比例，基于crop
‑
yolo
‑
tiny算法进行图像识别模型的训练；使用训练后的所述第一图形识别模型进行图形目标识别。2.根据权利要求1所述的方法，其特征在于，面积占比较大的所述图像目标所对应的所述图像识别锚点的锚点数量，小于，面积占比较小的所述图像目标所对应的所述图像识别锚点的锚点数量。3.根据权利要求1所述的方法，其特征在于，在所述基于crop
‑
yolo
‑
tiny算法进行第一图像识别模型的训练之前，对所述预训练集中的所述多个图像目标进样本增强。4.根据权利要求3所述的方法，其特征在于，所述样本增强包括：对所述预训练集中的所述多个图像目标进行色彩翻转，将色彩翻转后的所述多个图像目标进行剪切和拼接，得到负样本训练集。5.根据权利要求3或4所述的方法，其特征在于，所述样本增强包括：从所述预训练集中筛选出多个第一图像；所述多个第一图像为所述预训练集中图像质量在前k％的训练图像；从所述多个第一图像中扣出每个所述图像面积占比分类所对应的图像目标；将扣出的所述图像目标贴合至不同的图像上，得到第二样本图像；将所述第二样本图像并入所述预训练集中。6.根据权利要求1所述的方法，其特征在于，为所述第一图像目标分类和所述第二图像目标分类对应设置第一图像大小和第二图像大小。7.根据权利要求6所述的方法，其特征在于，所述基于crop
‑
yolo

【专利技术属性】
技术研发人员：何忠漂，
申请(专利权)人：合肥卓倪网络科技有限公司，
类型：发明
国别省市：