[发明专利]目标对象的识别方法和装置，及机器人

权利要求书

1.一种目标对象的识别方法，其特征在于，包括：

获取至少一个滑动窗口，其中，每个滑动窗口内的图像中包含待识别的目标对象；

采用至少一个卷积神经网络对所述至少一个滑动窗口内的图像进行识别，得到所述至少一个滑动窗口的识别结果，其中，所述识别结果至少包括：识别类型和置信度；

在任意一个滑动窗口的置信度达到一个或多个卷积神经网络的置信度阈值的情况下，标记所述待识别的目标对象的类型为所述任意一个滑动窗口的识别类型。

2.根据权利要求1所述的方法，其特征在于，在任意一个滑动窗口的置信度未达到所述至少一个卷积神经网络的置信度阈值的情况下，丢弃所述任意一个滑动窗口。

3.根据权利要求1所述的方法，其特征在于，在所述至少一个卷积神经网络中包含多个卷积神经网络的情况下，采用至少一个卷积神经网络对所述至少一个滑动窗口内的图像进行识别，得到所述至少一个滑动窗口的识别结果，包括：

采用第一卷积神经网络对所述至少一个滑动窗口内的图像进行识别，得到所述至少一个滑动窗口的识别结果；

在所述任意一个滑动窗口的置信度达到所述第一卷积神经网络的置信度阈值的情况下，确定所述任意一个滑动窗口为第一滑动窗口；

采用第二卷积神经网络对至少一个第一滑动窗口内的图像进行识别，得到所述至少一个第一滑动窗口的识别结果；

其中，所述第二卷积神经网络的复杂度与所述第一卷积神经网络的复杂度不同。

4.根据权利要求3所述的方法，其特征在于，在所述任意一个滑动窗口的置信度未达到所述第一卷积神经网络的置信度阈值的情况下，丢弃所述任意一个滑动窗口。

5.根据权利要求3所述的方法，其特征在于，所述第二卷积神经网络的置信度阈值大于所述第一卷积神经网络的置信度阈值；在任意一个第一滑动窗口的置信度未达到所述第二卷积神经网络的置信度阈值的情况下，丢弃所述任意一个第一滑动窗口。

6.根据权利要求1至5中任意一项所述的方法，其特征在于，采用至少一个卷积神经网络对所述至少一个滑动窗口内的图像进行识别，得到所述至少一个滑动窗口的识别结果，包括：

采用卷积核提取所述至少一个滑动窗口内的图像的特征向量；

采用分类算法对每个滑动窗口内的图像的特征向量进行分类，得到所述每个滑动窗口的识别类型和置信度。

7.根据权利要求6所述的方法，其特征在于，在采用至少一个卷积神经网络对所述至少一个滑动窗口内的图像进行识别，得到所述至少一个滑动窗口的识别结果之前，所述方法还包括：

获取预设的训练集，其中，所述训练集至少包括：不同类型的多个目标对象，所述不同类型至少包括：所述识别类型；

根据所述训练集，得到所述至少一个卷积神经网络的模型参数；

保存所述至少一个卷积神经网络的模型参数，并设定相应的置信度阈值。

8.根据权利要求7所述的方法，其特征在于，获取预设的训练集包括：

构建所述不同类型的多个目标对象的图像集合；

将所述图像集合转化为预定的输入格式，并插入每个目标对象的标签信息，得到所述预设的训练集，其中，所述每个目标对象的标签信息用于表征所述每个目标对象的类型。

9.根据权利要求7所述的方法，其特征在于，根据所述训练集，得到所述至少一个卷积神经网络的模型参数包括：

根据所述训练集，得到所述至少一个卷积神经网络的初始模型参数；

获取目标误差函数和模型参数优化方法；

根据所述目标误差函数和所述模型参数优化方法，对所述至少一个卷积神经网络的初始模型参数进行优化，得到所述至少一个卷积神经网络的模型参数。

10.根据权利要求7所述的方法，其特征在于，设定相应的置信度阈值包括：

采用所述至少一个卷积神经网络对携带有标签信息的测试集进行识别，得到所述测试集的召回率，其中，所述标签信息用于表征所述测试集中每个目标对象的类型；

在所述测试集的召回率未达到预设召回率的情况下，调整所述至少一个卷积神经网络的置信度阈值；

在所述测试集的召回率达到所述预设召回率的情况下，设定所述至少一个卷积神经网络的置信度阈值为所述相应的置信度阈值。