[发明专利]目标分类方法及系统

说明书

一种目标分类方法及系统。所述方法可以包括：当接收到目标物品的检测结果时，分别利用预设的两个以上分类网络模型，对所述目标物品的检测结果进行分类；所述目标物品的检测结果包括：目标物品类别信息、目标物品位置信息及置信度信息；对各所述分类网络模型输出的中间分类结果进行融合，得到所述目标物品的分类结果；所述目标物品的分类结果包括：目标物品类别信息及置信度信息；其中，任意两个所述分类网络模型对应的训练样本的类别不同。应用上述方案，可以目标检测的准确性。

技术领域

本发明涉及目标检测领域，具体涉及一种目标分类方法及系统。

背景技术

深度学习的原型，是用计算机系统架构来模拟人类大脑，广泛应用在安检等领域中。其中，深度学习在安检领域的应用，主要为目标检测，即检测出输入图像中目标物品的位置和分类信息。

现有基于深度学习进行目标检测的方案，通常使用单个卷积神经网络(Convolutional Neural Networks，CNN)或全连接深度神经网络(Deep Neural Networks，DNN)，进行目标检测。

然而，采用上述方案进行目标检测的准确性较差。

发明内容

本发明要解决的问题是：提高目标检测的准确性。

为解决上述问题，本发明实施例提供了一种目标分类方法，所述方法包括：

当接收到目标物品的检测结果时，分别利用预设的两个以上分类网络模型，对所述目标物品的检测结果进行分类；所述目标物品的检测结果包括：目标物品类别信息、目标物品位置信息及置信度信息；

对各所述分类网络模型输出的中间分类结果进行融合，得到所述目标物品的分类结果；所述目标物品的分类结果包括：目标物品类别信息及置信度信息；

其中，任意两个所述分类网络模型对应的训练样本的类别不同。

可选地，任意两个所述分类网络模型对应的训练样本的类别完全不同，或者部分不同。

可选地，每个所述分类网络模型对应的训练样本中，任意两类别的训练样本数量的差异，小于第二样本差阈值。

可选地，所述两个以上分类网络模型对应的训练样本是通过如下方法确定的：

从所有训练样本中，选取具有相同视觉特的征训练样本，将具有相同视觉特征的训练样本，作为同一所述分类网络模型对应的训练样本；

从按照视觉特征选取后剩余的训练样本中，选取具有相同物品使用特性的训练样本，将具有相同物品使用特性的训练样本，作为同一所述分类网络模型对应的训练样本；

从按照视觉特征及物品使用特性选取后剩余的训练样本中，选取具有相同物品材质的训练样本，将具有相同物品材质的训练样本，作为同一所述分类网络模型对应的训练样本。

可选地，所述两个以上分类网络模型对应的训练样本还通过如下方法确定：

将具有不同视觉特征，但训练样本数量差值小于预设第三样本差阈值的两类别的训练样本，作为同一所述分类网络模型对应的训练样本；所述第三样本差阈值小于所述第二样本差阈值。

可选地，所述对各所述分类网络模型输出的中间分类结果进行融合，得到所述目标物品的分类结果，包括：

当同一目标物品的目标物品类别信息，仅存在于一个中间分类结果中时，将所在的中间分类结果，作为所述目标物品的分类结果；

当同一目标物品的目标物品类别信息，仅存在于两个中间分类结果中时，将所在的两个中间分类结果中具有较高置信度的中间分类结果，作为所述目标物品的分类结果；