[发明专利]一种融合多种神经网络的相似物体识别方法

权利要求书

1.一种融合多种神经网络的相似物体识别方法，其特征在于：所述方法包括以下步骤：

步骤1：通过摄像头获取若干具有相似物体的图像集；

步骤2：对图像集进行预处理并进行标注；

步骤3：利用数据增强方法扩充处理后的数据集，得到满足神经网络训练要求的样本数量的训练样本集；

步骤4：将训练样本集分别用Cascade R-CNN、Grid R-CNN、Libra R-CNN、Retina-Net进行训练；

步骤5：将四种网络训练的结果进行集成并根据验证准确度设置多网络投票机制输出结果，得到最终的集成神经网络；

步骤6：通过摄像头实时导入待识别物体图像，以集成神经网络对待识别物体进行辨认，最终输出图像中待识别物体的识别结果。

2.根据权利要求1所述的一种融合多种神经网络的相似物体识别方法，其特征在于：所述步骤1中，相似物体为同种类型且形状相似的物体。

3.根据权利要求1所述的一种融合多种神经网络的相似物体识别方法，其特征在于：所述步骤2包含以下步骤：

步骤2.1：人工对图像集中的所有图像进行筛选核查，去除掉物体遮挡率超过预设值的图像；

步骤2.2：对筛选后的图像集进行框图标注，将图像中的物体具体类别和名称添加到标注文件中。

4.根据权利要求1所述的一种融合多种神经网络的相似物体识别方法，其特征在于：所述步骤3包含以下步骤：

步骤3.1：对处理后的图像集中每一张图，从随机缩放、平移、旋转、翻转、像素缺失、对比度调整、仿射变换的手段中选择一种或多种，使得图像总量扩充至16倍且无重复图像；

步骤3.2：计算出数据增强后物体的包围框并保存到标注文件中，实现图片集和包围框的同步扩充，完成数据增强；

步骤3.3：得到数据增强之后的、满足神经网络训练要求的样本数量的训练样本集。

5.根据权利要求1所述的一种融合多种神经网络的相似物体识别方法，其特征在于：所述步骤4中，初始化神经网络训练模型包括以下步骤：

步骤4.1：初始化Cascade R-CNN神经网络训练模型；训练若干个级联检测器，采用随机梯度下降法，设置学习率、动量和权重衰减率，采用线性衰减并设置为每A步长衰减一次，设置总训练轮数，每轮对全体数据进行训练；

步骤4.2：初始化Grid R-CNN神经网络训练模型，采用随机梯度下降法，设置学习率、动量和权重衰减率，采用线性衰减并设置为每B步长衰减一次，设置总训练轮数，每轮对全体数据进行训练；

步骤4.3：初始化Libra R-CNN神经网络训练模型，采用随机梯度下降法，设置学习率、动量和权重衰减率，采用线性衰减并设置为每C步长衰减一次，设置总训练轮数，每轮对全体数据进行训练；

步骤4.4：初始化Retina-Net神经网络训练模型，采用随机梯度下降法，设置学习率、动量和权重衰减率，采用线性衰减并设置为每D步长衰减一次，设置总训练轮数，每轮对全体数据进行训练。

6.根据权利要求1所述的一种融合多种神经网络的相似物体识别方法，其特征在于：所述步骤5中，根据步骤4中四种神经网络模型验证集的输出准确率，对每个网络分配权重，在权重的基础上建立多网络投票机制，投票机制综合每个网络识别结果和占比权重来输出最终的结果，从而实现融合多种网络识别结果的目标的集成神经网络。

7.根据权利要求1所述的一种融合多种神经网络的相似物体识别方法，其特征在于：所述步骤6中，集成神经网络能够自动处理摄像头实时传入的图像，处理速度达到0.2s/帧。