[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

说明书

本发明公开了一种通用动量方法、以及基于通用动量方法的目标检测与识别方法，包括：获取待检测与识别的样本图像；获取图像的目标候选区域；根据深度卷积神经网络提取目标候选区域的特征；采用通用动量方法，建立非光滑稀疏学习分类模型对提取的特征进行分类；根据分类效果，精调分类模型的参数；通过边界框回归算法重新定位目标边界框。本发明提出的通用动量方法泛化能力更强，使用个体输出的形式更有助于稀疏性地保持，并且能够自适应地调整分类模型的各项参数，对于不同类型的样本图像，均可以更好地提高R‑CNN对于目标检测与识别的速度，具有更加普适的实践意义；另外，通过采用通用动量方法和精修候选框位置，提高检测与识别的速率、成功率和准确率，普遍提高R‑CNN对于目标检测与识别的速度。

技术领域

本发明涉及目标检测与识别技术领域，具体而言涉及一种通用动量方法、以及基于通用动量方法的目标检测与识别方法。

背景技术

传统目标检测与识别方法中使用的动量技术包括Heavy-ball型动量方法和NAG型动量方法两种，对于分类模型算法能够起到一定的加速效果，并且有助于保持算法的稳定性。

但这两种动量方法有其各自适用的条件。Heavy-ball型动量方法更多用于光滑强凸情况，NAG型动量方法更多用于光滑情况，两者在处理某些类别的样本图像时，并不能较大幅度地提升检测与识别速度，用户需要提前对样本图像的特征类型进行预判，以选择最适用的动量方法以达到预想的加速效果。另外，前述两种动量方法采用平均的输出方式，内存开销大，不具有稀疏性，对于非光滑情况的收敛速率提升帮助较小，用户需要针对非光滑情况另作处理。当目标检测过程中出现的特征类型较复杂时，处理过程将更加繁复困难。

发明内容

针对前述问题，本发明目的在于提供一种通用动量方法、以及基于通用动量方法的目标检测与识别方法，以解决传统Heavy-ball型动量方法或NAG型动量方法对于某类样本图像检测与识别速度慢的问题。采用的通用动量方法泛化能力更强，使用个体输出的形式更有助于稀疏性地保持，能够自适应地调整分类模型的各项参数，对于不同类型的样本图像，均可以更好地提高R-CNN对于目标检测与识别的速度，具有更加普适的实践意义。

为达成上述目的，结合图1，本发明提出一种通用动量方法，适于目标检测与识别，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。

进一步的实施例中，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。

进一步的实施例中，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：