[发明专利]对象识别方法和系统

说明书

本发明公开了一种对象识别方法和系统，用于从输入图像中识别对象。所述方法包括：使用对象识别模型从输入图像中截取对象区域图像；使用关键点识别模型获取对象区域图像上的多个关键点位置；获取将多个关键点位置映射到与其对应的多个关键点标准位置的仿射变换矩阵；以及使用仿射变换矩阵对对象区域图像进行仿射变换，得到对象标准化图像。由此，本发明将对象检测和对象关键点检测结合起来，可以提高检测速度和准确度。

技术领域

本发明涉及图像识别检测领域，特别是涉及一种用于从图像中识别对象的对象识别方法和系统。

背景技术

神经网络是一种基于仿生设计的数学模型，近年来被广泛应用于图像识别，语音识别等任务。

神经元的积累的刺激是由其他神经元传递过来的刺激量和对应的权重之和，用X_j表示这种积累，Y_i表示某个神经元传递过来的刺激量，W_i表示链接某个神经元刺激的权重，得到公式：X_j＝(y₁*W₁)+(y₂*W₂)+...+(y_i*W_i)+...+(y_n*W_n)，而当X_j完成积累后，完成积累的神经元本身对周围的一些神经元传播刺激，将其表示为y_j得到如下所示：y_j＝f(X_j)，神经元根据积累后X_j的结果进行处理后，对外传递刺激y_j。用f函数映射来表示这种处理，将它称之为激活函数。

卷积神经网络是将人工神经网络和深度学习技术相结合而产生的新型人工神经网络方法，是为了识别二维形状而设计的多层感知器，具有局部感知区域、层次结构化、特征抽取和分类过程结合的全局训练的特点。Fukushima提出的基于神经元之间的局部连接型和层次结构组织的Neocogition模型是卷积神经网络的第一个实现网络。LeCun等人设计并采用基于误差梯度的算法训练了卷积神经网络，在一些模式识别领域取得非常好的性能，并且给出了卷积神经网络公式的推导和证明。

卷积神经网络已经成功地应用到了文档分析、人脸检测、语音检测、车牌识别、手写数字识别、视频中的人体动作识别等各个方面。

发明内容

本发明主要的目的是提供一种将对象检测和对象关键点检测结合起来的对象识别方法和系统，以提高对象检测的速度和准确度。

根据本发明的一个方面，提供了一种对象识别方法，用于从输入图像中识别对象，该方法包括：使用对象识别模型从输入图像中截取对象区域图像；使用关键点识别模型获取对象区域图像上的多个关键点位置；获取将多个关键点位置映射到与其对应的多个关键点标准位置的仿射变换矩阵；以及使用仿射变换矩阵对对象区域图像进行仿射变换，得到对象标准化图像。

优选地，使用对象识别模型从输入图像中截取对象区域图像的步骤可以包括：使用对象识别模型分析输入图像，以获取其中的对象区域范围；以及从输入图像中截取对象区域图像。

优选地，在获取仿射变换矩阵之前，该方法还可以包括：基于对象区域图像上的关键点位置和对象的固有几何属性重新计算对象区域范围，并重新截取对象区域图像。

优选地，在获取仿射变换矩阵之前，该方法还可以包括：对对象区域图像进行拉伸或压缩，以使其具有预定形状和尺寸，其中，关键点标准位置是具有预定形状和尺寸的标准对象图像上的关键点位置。