[发明专利]一种前景目标提取方法及装置在审

专利信息
申请号: 202010728063.4 申请日: 2020-07-23
公开(公告)号: CN111833372A 公开(公告)日: 2020-10-27
发明(设计)人: 张迪;潘华东;殷俊 申请(专利权)人: 浙江大华技术股份有限公司
主分类号: G06T7/194 分类号: G06T7/194;G06K9/62
代理公司: 北京康信知识产权代理有限责任公司 11240 代理人: 张秀英
地址: 310051 浙江*** 国省代码: 浙江;33
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 一种 前景 目标 提取 方法 装置
【权利要求书】:

1.一种前景目标提取方法,其特征在于,包括:

获取摄像头采集的目标图像;

将所述目标图像输入预先训练好的目标神经网络模型中,得到所述目标神经网络模型的骨干网络输出的所述目标图像的特征信息;

将所述特征信息输入所述目标神经网络模型的全连接层,得到所述目标图像的分类结果;

根据所述分类结果将所述目标图像的特征信息输入对应的前景目标分割结构中,得到所述目标图像对应的前景目标图像。

2.根据权利要求1所述的方法,其特征在于,将所述特征信息输入所述目标神经网络模型的全连接层,得到所述目标图像的分类结果包括:

在所述目标图像包含前景目标且前景目标占比大于或等于预定比值的情况下,将所述目标图像的特征信息输入所述目标神经网络模型的两个全连接层,得到所述目标图像的分类结果为第一分类结果;

在所述目标图像包含前景目标且前景目标占比小于所述预定比值的情况下,将所述目标图像的特征信息输入所述目标神经网络模型的两个全连接层,得到所述目标图像的分类结果为第二分类结果。

3.根据权利要求2所述的方法,其特征在于,根据所述分类结果将所述目标图像的特征信息输入对应的前景目标分割结构中,得到所述目标图像对应的前景目标图像包括:

在所述分类结果为所述第一分类结果的情况下,将所述目标图像的特征信息输入对应的第一前景目标分割结构中,得到所述目标图像对应的前景目标图像;或者,

在所述分类结果为所述第一分类结果的情况下,将所述目标图像的特征信息输入对应的第一前景目标分割结构中,得到所述目标图像对应的前景目标图像;在所述分类结果为所述第二分类结果的情况下,将所述目标图像的特征信息输入对应的第二前景目标分割结构中,得到所述目标图像对应的前景目标图像。

4.根据权利要求1至3中任一项所述的方法,其特征在于,在将所述目标图像输入预先训练好的目标神经网络模型中,得到所述目标神经网络模型的骨干网络输出的所述目标图像的特征信息之前,所述方法还包括:

构建数据集,其中,所述数据集包括预定数量的图像以及所述图像对应的前景目标,所述图像包括:第一类图像和第二类图像,所述第一类图像为包含前景目标且前景目标占比大于或等于预定比值的图像,所述第二类图像为包含前景目标且前景目标占比小于所述预定比值;

使用所述预定数量的图像以及所述图像对应的前景目标对原始神经网络模型进行训练,得到所述目标神经网络模型,其中,所述预定数量的图像为所述原始神经网络模型的输入,训练好的所述目标神经网络模型输出的所述目标图像对应的前景目标图像与所述目标图像实际对应的前景目标满足目标损失函数。

5.根据权利要求4所述的方法,其特征在于,使用所述预定数量的图像以及所述图像对应的前景目标对原始神经网络模型进行训练,得到所述目标神经网络模型包括:

将所述预定数量的图像输入所述原始神经网络模型中,得到所述原始神经网络模型的骨干网络输出的所述预定数量的特征信息;

根据所述预定数量的图像的特征信息对所述原始神经网络模型的两个全连接层进行训练,其中,所述预定数量的图像的特征信息为所述原始神经网络模型的两个全连接层的输入,训练好的所述原始神经网络模型的两个全连接层输出的所述目标图像对应的分类结果与所述目标图像实际对应的分类结果满足第一损失函数;

将所述第一类图像的特征信息对所述原始神经网络模型的第一前景目标分割结构进行训练,其中,所述第一类图像的特征信息为所述原始神经网络模型的第一前景目标分割结构的输入,训练好的所述原始神经网络模型的第一前景目标分割结构输出的所述目标图像对应的前景目标与所述目标图像实际对应的前景目标满足第二损失函数;和/或

将所述第二类图像的特征信息对所述原始神经网络模型的第二前景目标分割结构进行训练,其中,所述第二类图像的特征信息为所述原始神经网络模型的第二前景目标分割结构的输入,训练好的所述原始神经网络模型的第二前景目标分割结构输出的所述目标图像对应的前景目标与所述目标图像实际对应的前景目标满足第三损失函数,其中,所述目标损失函数是根据所述第一损失函数与所述第二损失函数确定的,或所述目标损失函数是根据所述第一损失函数、所述第二损失函数以及所述第三损失函数确定的。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于浙江大华技术股份有限公司,未经浙江大华技术股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202010728063.4/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top