[发明专利]基于数据模态缺失和Embrace Net的图像定位方法

权利要求书

1.一种基于数据模态缺失和Embrace Net的图像定位方法，由离线建模与在线定位两阶段构成，其特征在于：

所述离线建模阶段包括如下步骤，

S1、利用相机收集训练图像，对训练图像进行图像预处理后进行类别划分，并作为训练数据集，

S2、对所述训练数据集中的训练图像进行特征提取与特征融合，随后进行离线分类学习，得到最佳参数的特征提取网络、特征融合网络和位置分类模型；

所述在线定位阶段包括如下步骤，

S3、利用相机收集目标图像，对目标图像进行图像预处理，

S4、利用所述特征提取网络对每幅目标图像进行特征提取、利用所述特征融合网络对所提取的特征进行特征融合，随后利用所述位置分类模型得到目标的位置估计值。

2.根据权利要求1所述的基于数据模态缺失和Embrace Net的图像定位方法，其特征在于，所述S1包括如下步骤：

S11、对待定位区域进行划分、在待定位区域内确定多个参考点，利用多个相机分别收集目标在每个参考点的训练图像；

S12、对所收集的训练图像进行大小归一化处理，若存在图像丢失，则利用像素值为255、大小与S11中所收集图像尺寸相同的黑色图像进行替代；

S13、依据位置信息对经过S12处理后的训练图像进行类别划分，将结果汇总、作为所述训练数据集。

3.根据权利要求1所述的基于数据模态缺失和Embrace Net的图像定位方法，其特征在于，所述S2包括如下步骤：

S21、搭建卷积神经网络模型和Embrace Net模型；

S22、基于所述卷积神经网络模型，利用卷积神经网络的卷积层、池化层和全连接层对所述训练数据集中的图像进行特征提取；

S23、基于所述Embrace Net模型，利用Embrace Net对S22中所提取的特征进行特征融合；

S24、利用卷积神经网络的全连接层和Softmax层对S23中融合后的特征进行离线分类学习，最终得到最佳参数的特征提取网络、特征融合网络和位置分类模型。

4.根据权利要求1所述的基于数据模态缺失和Embrace Net的图像定位方法，其特征在于，所述S3包括如下步骤：利用相机收集目标图像，对所述目标图像进行大小归一化处理，若存在图像丢失，则利用像素值为255的黑色图像进行替代。