[发明专利]基于深度学习的目标差异性检测方法和目标差异性检测设备

权利要求书

1.一种基于深度学习的目标差异性检测方法，其特征在于，所述检测方法包括以下步骤：

通过训练好的网络模型，对第一目标图像进行第一前向传播，以计算所述第一目标图像的第一特征向量，并且记录所述训练好的网络模型的每个网络节点在所述第一前向传播中获得的第一状态值；

通过所述训练好的网络模型，对第二目标图像进行第二前向传播，以计算所述第二目标图像的第二特征向量，并且记录所述训练好的网络模型的每个网络节点在所述第二前向传播中获得的第二状态值；

根据计算出的所述第一特征向量和所述第二特征向量，判断所述第一目标图像与所述第二目标图像是否相似；

当判断所述第一目标图像与所述第二目标图像相似时，根据计算出的所述第一特征向量和所述第二特征向量，来计算差异向量；

将计算出的所述差异向量作为梯度，通过所述每个网络节点具有所述第一状态值的所述训练好的网络模型，进行第一反向传播，以获得所述第一目标图像的第一差异热力图；以及

将计算出的所述差异向量作为梯度，通过所述每个网络节点具有所述第二状态值的所述训练好的网络模型，进行第二反向传播，以获得所述第二目标图像的第二差异热力图。

2.如权利要求1所述的目标差异性检测方法，其特征在于，根据计算出的所述第一特征向量和所述第二特征向量，判断所述第一目标图像与所述第二目标图像是否相似的步骤进一步包括以下步骤：

计算所述第一特征向量与所述第二特征向量之间的欧式距离；

将计算出的所述欧式距离与预定阈值进行比较；

当所述欧式距离小于所述预定阈值时，判断所述第一目标图像与所述第二目标图像相似；以及

当所述欧式距离大于等于所述预定阈值时，判断所述第一目标图像与所述第二目标图像不相似。

3.如权利要求1所述的目标差异性检测方法，其特征在于，根据计算出的所述第一特征向量和所述第二特征向量，来计算所述差异向量的步骤进一步包括以下步骤：

计算所述第一特征向量与所述第二特征向量之间的向量差；

对所述向量差进行归一化计算，以获得归一化向量差，并且对所述归一化向量差中的各个元素取绝对值，将所述归一化向量差中的绝对值小于1/n的元素的值设置为0，以及将所述归一化向量差中的绝对值大于等于1/n的元素的值设置为1，以获得处理后的归一化向量差，其中n为所述归一化向量差中包含的元素的总维数；以及

用所述处理后的归一化向量差对所述向量差进行加权计算，以获得所述差异向量。

4.如权利要求1-3中任一项所述的目标差异性检测方法，其特征在于，采用包含拍摄所述第一目标图像的摄像头所拍摄的大量图像以及拍摄所述第二目标图像的摄像头所拍摄的大量图像的一组图像作为训练样本，来对预定网络模型进行训练，以获得所述训练好的网络模型。

5.如权利要求4所述的目标差异性检测方法，其特征在于，所述预定网络模型为卷积神经网络。