[发明专利]一种大焦距监控场景下多尺度目标的快速精准识别方法

说明书

一种大焦距监控场景下多尺度目标的快速精准识别方法，涉及人工智能领域和计算机视觉领域。本发明的方法步骤为：1）动态anchor设定：获取训练数据，并对训练的目标进行数据拟合，通过大数据拟合来分析anchor的特性，动态的设定anchor的值。2）设计网络结构DAnchorNet：设计DAnchorNet中目标检测分支与目标分割分支，通过目标检测分支与分割分支的结合来解决目标检测超参阈值的设定。3）设计DAnchorNet的损失函数：通过动态权重设计方案来优化训练过程中的损失函数，关注目标区域的平均概率值来对总的损失进行调整。本发明通过动态anchor能有效提升大焦距监控场景下多尺度目标的检出率，通过分割与动态anchor检测相结合的网络结构能有效提升目标检测的准确率，进而有效的提升目标识别的整体效果。

技术领域

本发明涉及人工智能领域和计算机视觉领域，特别是大焦距监控场景下多尺度目标的快速精准识别方法。

背景技术

目标检测与识别在生活中多个领域中有着广泛的应用，它是将图像或者视频中的目标与不感兴趣的部分区分开，判断是否存在目标。若存在目标则确定目标的位置，识别目标是一种计算机视觉任务。目标检测与识别是计算机视觉领域中一个非常重要的研究方向，随着互联网，人工智能技术，智能硬件的迅猛发展，人类生活中存在着大量的图像和视频数据，这使得计算机视觉技术在人类生活中起到的作用越来越大，对计算机视觉的研究也越来越火热。目标检测与识别，作为计算机视觉领域的基石，也越来越受到重视。在实际生活中应用也越来越广泛，例如目标跟踪，视频监控，信息安全，自动驾驶，图像检索，医学图像分析，网络数据挖掘，无人机导航，遥感图像分析，国防系统等。

目标检测也就成为了近年来理论和应用的研究热点，它是图像处理和计算机视觉学科的重要分支，也是智能监控系统的核心部分，同时目标检测也是泛身份识别领域的一个基础性的算法，对后续的人脸识别、步态识别、人群计数、实例分割等任务起着至关重要的作用。因此，提升目标检测的准确率以及降低目标的漏检率有着重要的实际意义。

目前，目标检测与识别的研究方法主要有两大类：基于传统图像处理和机器学习算法的目标检测与识别方法、基于深度学习的目标检测与识别方法。

1、基于传统图像处理和机器学习算法的目标检测与识别方法：

传统的目标检测与识别方法可以表示为：目标特征提取-目标识别-目标定位。这里所用到的特征都是人为设计的，例如SIFT (尺度不变特征变换匹配算法ScaleInvariantFeatureTransform), HOG(方向梯度直方图特征HistogramofOrientedGradient), SURF(加速稳健特征Speeded Up Robust Features)等。通过这些特征对目标进行识别，然后再结合相应的策略对目标进行定位。

2、基于深度学习的目标检测与识别方法：

如今，基于深度学习的目标检测与识别成为主流方法，可以表示为：图像的深度特征提取-基于深度神经网络的目标识别与定位，其中用到深度神经网络模型是卷积神经网络CNN。目前可以将现有的基于深度学习的目标检测与识别算法大致分为以下三大类：

1）基于区域建议的目标检测与识别算法，如R-CNN, Fast-R-CNN, Faster-R-CNN。

2）基于回归的目标检测与识别算法，如YOLO, SSD。

3）基于搜索的目标检测与识别算法，如基于视觉注意的AttentionNet，基于强化学习的算法。

上述现有技术还存在的不足有：

1、基于传统图像处理和机器学习算法的目标检测算法存在的缺陷：