[发明专利]一种基于关键区域检测的复杂目标精准识别方法

说明书

本发明涉及一种基于关键区域检测的复杂目标精准识别方法，包括：使用交叉训练的方法对整个神经网络进行融合训练，使用卷积神经网络提取目标特征，使用检测子网络以锚方框作为参考检测复杂目标的关键区域，使用区域标准池化将关键区域池化为固大小的特征图，使用分类子网络对关键区域进行分类，融合各个关键区域的分类结果从而达到对目标的精准识别。整个网络包括了关键区域检测子网络和关键区域分类子网络，由检测子网络检测出复杂目标具有区分度的关键区域，再由分类子网络对关键区域进行分类，融合各区域的分类结果对整体目标进行识别。这两个子网络共享了VGG卷积神经网络提取的特征,从而使复杂目标的识别达了到快速与精准的效果。

技术领域

本发明涉及图像处理技术，特别是涉及一种基于关键区域检测的复杂目标精准识别方法。

背景技术

复杂目标的分类与识别，是计算机视觉领域一项重要而基础的任务。不同种类的复杂目标，其大部分部位往往是相同或者相似的，而其差异往往体现在局部的一些关键区域，因此复杂目标的图像存在着大量干扰和冗余信息。而现有的一些针对复杂目标的分类识别方法，因无法去除复杂目标图像中的干扰与冗余信息，存在着精确度低的问题。为了实现对复杂目标的精准分类识别，研究一种基于关键区域检测的复杂目标精准识别方法具有重要意义。

发明内容

有鉴于此，本发明的主要目的在于提供一种识别精准度高的基关键区域检测的复杂目标精准识别方法，在大大提高检测精度的同时，保证了识别的快速性。

为了达到上述目的，本发明提出的技术方案为：一种基于关键区域检测的复杂目标精准识别方法，实现步骤如下：

步骤1，读取数据库中训练样本中复杂目标图片，复杂目标关键区域的坐标标签，以及复杂目标分类标签，使用交叉训练的方法对复杂目标精准识别网络进行融合训练。

步骤2，将待识别的复杂目标图片作为步骤1训练之后的复杂目标精准识别网络的输入，通过VGG卷积神经网络提取特征，得到待识别的复杂目标图片的特征图。

步骤3，将步骤2得到的特征图输入到关键区域检测子网络中，以3×3大小的子网络在特征图上进行滑动，以锚方框作为参考，检测复杂目标图片的关键区域，给出关键区域的预测方框和是否是关键区域的可能性P_is,P_not；

步骤4，采用非最大抑制对检测到的重叠度较高的区域进行过滤，当不同预测方框交集部分面积与并集部分面积的比例超过规定的阈值IOU_threshold时，则仅保留是关键区域可能性P_is最大的预测方框，而对其他的方框进行过滤；

步骤5，设定是关键区域可能性P_is的阈值P_threshold，将是关键区域可能性P_is大于设定阈值P_threshold的区域映射到VGG网络提取的特征图上；

步骤6，将步骤5得到的映射到特征图上的区域进行区域标准池化，把检测出的不同大小的区域池化为固定大小的特征图；

步骤7、将步骤6得到的固定大小的特征图作为分类子网络的输入，使用分类子网络对其作精准的分类，使用softmax函数对分类结果归一化，得到对关键区域分类的概率；

步骤8，针对同一张图片对应的一个复杂目标，对步骤7得到的各个关键区域的分类的对应概率取均值进行融合，得到复杂目标种类的精准识别结果。

所述步骤1中，整个网络交叉训练的过程如下：

步骤11，使用以ImageNet数据库图片为训练样本、针对分类任务训练的VGG网络的权值作为初始权值，在此基础上进行微调；