一种用于动态智能货柜的鲁棒性特征学习方法技术

本发明专利技术提供了一种用于动态智能货柜的鲁棒性特征学习方法，包括步骤S1根据第一输出特征图M生成第一全局抑制掩码G；步骤S2、生成第二全局抑制掩码G'；步骤S3、获得全局抑制后的第二特征图M'；步骤S4、划分所述M为多个连续的小尺度局部特征图m

【技术实现步骤摘要】
一种用于动态智能货柜的鲁棒性特征学习方法


[0001]本专利技术涉及动态智能货柜和计算机视觉
，具体涉及一种用于动态智能货柜的鲁棒性特征学习方法。

技术介绍

[0002]动态智能货柜作为无人零售模式的重要组成部分，为消费者享受快捷、高效的消费方式提供了方便；同时，也为商户寻找低成本、高质量的运营模式提供了入口。然而，受消费者行为习惯、购物场景等因素的影响，极易造成动态智能货柜的零售商品在零售过程中产生若干不同等级的遮挡，严重影响了商品的特征表示和提取，进而无法有效完成动态智能货柜的相关功能。在遮挡严重时甚至只能依赖后台人工值守“看视频”甄别，不仅无法发挥相关技术的核心优势，而且由于工作人员疲劳工作等原因，漏操作、误操作频率较高，无法保证零售商品的特征被实时、准确地学习，这使得动态智能货柜的自动、智能化分析成为一项迫切需求。
[0003]虽然，计算机视觉、人机交互和云边端协同技术都取得了较大的发展，但鲁棒性成为其制约因素。若能够挖掘获得动态智能货柜零售商品的高质量特征，不但减轻了人工的工作压力，提高了工作效率和识别准确率，更能为消费本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于动态智能货柜的鲁棒性特征学习方法，其特征在于，包括以下步骤：步骤S1、采用深度神经网络隐含层提取动态智能货柜中零售商品的颜色、轮廓和纹理信息，获得隐含层的第一输出特征图M；根据所述M的维度、高度和宽度生成第一全局抑制掩码G；步骤S2、通过最大值算法遍历获得所述M的显著特征的所在区域，同时，获得所述M的非显著特征的所在区域，利用所述M的显著特征和所述M的非显著特征的所在区域对所述G进行初始化赋值，并通过使用伯努利分布对所述G调和所述M的显著特征和所述M的非显著特征的比例，生成第二全局抑制掩码G'；步骤S3、将所述G'均匀覆盖在所述M上，用于完成对所述M上显著特征的抑制，从而获得全局抑制后的第二特征图M'，其中，所述M'＝M*G'，M'表示所述M和G'的对应矩阵元素的乘积；步骤S4、划分所述M为多个连续的小尺度局部特征图m
i
，在所述m
i
上生成局部抑制掩码K
i
'；其中，s
r
表示对所述M的行划分间隔，s
c
表示对所述M的列划分间隔，W表示所述M的宽度，H表示所述M的高度，表示所述M划分后的局部特征图数量；步骤S5、将所述K
i
'均匀覆盖在所述m
i
上，用于完成对所述m
i
上显著特征的抑制，获得M
K
'，其中，M
K
'表示由个局部特征图m
i
进行局部抑制后拼接的特征图；步骤S6、采用步骤S1
‑
S3实施的全局抑制操作和步骤S4
‑
S5的局部抑制操作，最终生成第三输出特征图M”，所述M”采用表达式(1)表示：在表达式(1)中，ω为失活系数，ω∈[0,1)，其数值大小根据观察实验结果和类激活图的可视化图像中的特征表达情况进行手工调整；所述实验结果是所述动态智能货柜的零售商品识别实验结果。2.根据权利要求1所述的用于动态智能货柜的鲁棒性特征学习方法，其特征在于，在步骤S1中，所述M∈R
D
×
H
×
W
，其中，D表示所述M的维度，H表示所述M的高度，W表示所述M的宽度。3.根据权利要求2所述的用于动态智能货柜的鲁棒性特征学习方法，其特征在于，所述G是由0和1组成的二值化矩阵，且覆盖在所述M上。4.根据权利要求3所述的用于动态智能货柜的鲁棒性特征学习方法，其特征在于，在步骤S1中，所述M是所述G的整数倍。5.根据权利要求4所述的用于动态智能货柜的鲁棒性特征学习方法，其特征在于，在步骤S1中，所述G与所述M的维度、高度和宽度相同。6.根据权利要求5所述的用于动态智能货柜的鲁棒性特征学习方法，其特征在于，在步骤S2中，使用最大值算法遍历获得所述M的每一维度中最大值点的位置L(d，x，y)，其中，所述M的显著特征的所在区域表示为以L(d，x，y)为中心点做边长为3t的正方形，即L(d，x
±
t，
y
±
t)，所述t的取值为任意实数；当对所述G初始化赋值在所述M的显著特征的所在区域的位置时，所述G取值为0，表示丢弃所述M上显著特征的所在区域对应的像素单元；当对所述G初始化赋值在所述M的非显著特征的所在区域的位置时，所述G取值为...

【专利技术属性】
技术研发人员：张健，陶泽，贺建飚，任子欣，熊友曹，
申请(专利权)人：中南大学，
类型：发明
国别省市：