[发明专利]检测目标特征数量和统计信息的智能识别方法

说明书

本申请公开了一种检测目标特征数量和统计信息的智能识别方法，通过将卷积神经网络的输入层和隐藏层经批量归一化后的特征值与同一个设定的阈值进行比较，根据比较结果映射特征值，大于所述阈值则将该位置的目标特征映射为接近1的值，否则映射为接近0，进而统计输入层和隐藏层中的目标特征数量。本申请能够通过卷积神经网络的隐藏层实现对于待检测对象中目标特征数量的统计，基于目标特征数量的统计能够反向应用到目标检测的过程中，提高检测的准确性。

技术领域

本申请涉及一种检测目标特征数量和统计信息的智能识别方法。

背景技术

卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程要求。目前的卷积神经网络技术，难以方便的检测目标的数量，或者检测某些特征或隐藏特征的数量，并且依赖特征数量的目标检测也难以实现。

发明内容

本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。

根据本申请的一个方面，提供了一种检测目标特征数量和统计信息的智能识别方法，通过将卷积神经网络的输入层和隐藏层经批量归一化后的特征值与同一个设定的阈值进行比较，根据比较结果映射特征值，大于所述阈值则将该位置的目标特征映射为接近1的值，否则映射为接近0，进而统计输入层和隐藏层中的目标特征数量。

对于上述技术方案，申请人还有进一步的优化措施。

可选地，统计输入层和隐藏层中待检测对象中每一行、每一列中的映射后的目标特征并求和，从而生成行目标特征数量、列目标特征数量。

进一步地，所述行目标特征数量、列目标特征数量的和构成总合目标特征数量。

可选地，统计输入层和隐藏层中待检测对象中每一行、每一列中的映射后的目标特征分别进行相邻元素求差，从而生成行特征变化次数、列特征变化次数。

进一步地，所述行特征变化次数、列特征变化次数的和构成总合特征变化次数。

可选地，对于检测到的各位置的值进行比较的过程是在卷积神经网络的输入层和每一个隐藏层进行运算，并将运算结果拼接到全连接层或者1X1的卷积层前的一个隐藏层上，或者拼接到中间的隐藏层上，再在全连接层或者1X1卷积层进行Softmax分类回归连接到输出层，即可预测特征数量，或者预测与特征数量相关联的分类信息。

可选地，对于检测到的各位置的值进行比较的过程是在卷积神经网络中选定部分隐藏层进行运算，并将运算结果拼接到全连接层或者1X1的卷积层前的一个隐藏层上，或者拼接到中间的隐藏层上，再在全连接层或者1X1卷积层进行Softmax分类回归连接到输出层，即可预测特征数量，或者预测与特征数量相关联的分类信息。

特别地，本发明还提供了一种计算设备，包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如上所述的方法。

本发明还提供了一种计算机可读存储介质，优选为非易失性可读存储介质，其内存储有计算机程序，所述计算机程序在由处理器执行时实现如上所述的方法。

本发明还提供了一种计算机程序产品，包括计算机可读代码，当所述计算机可读代码由计算机设备执行时，导致所述计算机设备执行如上所述的方法。

本申请的检测目标特征数量和统计信息的智能识别方法，其能够通过卷积神经网络的隐藏层实现对于待检测对象中目标特征数量的统计，基于目标特征数量的统计能够反向应用到目标检测的过程中，提高检测的准确性。