[发明专利]通用动量方法、基于通用动量方法的目标检测与识别方法

权利要求书

1.一种通用动量方法，适于目标检测与识别，其特征在于，所述通用动量方法包括：

S1：建立识别阶段非光滑稀疏学习分类模型：

其中，λ||w||₁是正则化项，λ是正则化参数，w是优化权重向量；是hinge损失函数，l(w；(x_i,y_i))＝max{0,1-y_iw,x_i}；x_i∈Rn是输入的特征向量，y_i∈{+1,-1}是第i个样例的类标;

S2：采用下述迭代公式以更新优化权重向量w，其迭代步骤为：

其中，η为步长，β为动量参数，s为自由参数，为随机次梯度。通过设置动量项巧妙选取变步长可以得到具有稀疏性的个体输出解向量w; 初始化经过T次迭代最终得到更新优化权重向量w_T；

S3：将分类模型表示为f(w_T)，对每一个特征向量进行分类，输出相应的类别。

2.根据权利要求1所述的通用动量方法，其特征在于，所述通用动量方法还包括：

S4：根据分类效果，精调非光滑稀疏学习分类模型的各项参数。

3.根据权利要求2所述的通用动量方法，其特征在于，步骤S4中，所述根据分类效果，精调非光滑稀疏学习分类模型的各项参数的过程包括：

获取分类结果的实际误差值，将实际误差值与预设的误差值阈值做比对，如果实际误差值大于误差值阈值，采用当前参数的非光滑稀疏学习分类模型作为最终分类模型，否则，重复步骤S1-S3，调整包括正则化参数λ、自由参数s在内的非光滑稀疏学习分类模型的各项参数，直至分类结果的实际误差值大于误差值阈值。

4.一种基于通用动量方法的目标检测与识别方法，其特征在于，所述目标检测与识别方法包括：

S101：获取待检测与识别的样本图像；

S102：获取样本图像的若干个目标候选区域；

S103：根据深度卷积神经网络提取每个目标候选区域的特征；

S104：采用如权利要求1-3任意一项中所述的通用动量方法，训练非光滑稀疏学习分类模型对提取的特征进行分类；

S105：根据分类效果，精调非光滑稀疏学习分类模型的各项参数；

S106：采用边界框回归算法重新定位目标边界框。

5.根据权利要求4所述的基于通用动量方法的目标检测与识别方法，其特征在于，步骤S102中，所述获取样本图像的若干个目标候选区域的过程包括以下步骤：

对接收的样本图像，采用选择搜索的策略，预先提取1k-2k个可能包含物体的候选区域作为目标候选区域，并缩放处理为一致的尺寸，得到固定大小的候选区域图像。

6.根据权利要求4所述的基于通用动量方法的目标检测与识别方法，其特征在于，步骤S103中，所述根据深度卷积神经网络提取每个目标候选区域的特征的过程包括以下步骤：

通过特征提取的CNN网络，针对每一个特征候选区得到一个固定长度的特征向量。

7.根据权利要求4所述的基于通用动量方法的目标检测与识别方法，其特征在于，步骤S106中，所述通过边界框回归算法重新定位目标边界框的过程包括以下步骤：

建立候选框位置评估的损失函数，即真实框的位置与有效候选框位置的回归器，根据二者的交叠面积是否大于某个设定的阈值来判别有效性，以完成候选框位置的精修。