[发明专利]一种基于特征共享的未知目标检测方法和存储介质

说明书

本发明提供了一种基于特征共享的未知目标检测方法和存储介质，先通过获取样本图像数据，对样本图像数据进行分类；而后根据所述样本图像数据的所属类别对样本图像数据进行属性分解，获得若干属性特征，并为每个属性特征赋予不同的属性标签；再将所有属性特征和属性标签输入检测模型进行训练，得到训练完成的检测模型；而后将待检测图像输入到训练完成的检测模型中，输出检测结果。由于将样本图像数据依照属性进行了分解，每一样本图像数据都会适应性生成一个或多个属性特征，从而有效拓宽了样本数量。同时，针对各个属性特征进行识别训练，使得训练完成的检测模型判断出待检测图像的类别，有效提升了目标检测的识别速度。

技术领域

本发明属于图像识别领域，具体涉及一种基于特征共享的未知目标检测方法和存储介质。

背景技术

图像识别是通过存储的信息(记忆中存储的信息)与当前的信息(当时进入感官的信息)进行比较实现对图像进行识别。目标检测是将待测图像输入到训练好的模型中，根据训练好的模型的检测判断输出识别结果，实现对待测图像中目标物额追踪。

检测模型在训练时需要用到大量样本图像数据，现有基于大量样本图像数据的目标检测识别是非常热门的，涌现出了很多效果较好的方法，但是对于少量样本或者零样本的目标检测分类则较少，深度网络有百万级别的参数来拟合训练数据，所以它们可以学习到一个巨大的函数空间(正式来说，是因为它们有一个很高的VC维，这就是为什么它们可以很好的从复杂的高维数据中学习的部分原因)。很遗憾的是，神经网络这个优势又成为了它们做少量样本学习的一大障碍。

发明内容

本发明为了克服上述现有技术中的缺陷，提出了一种基于特征共享的未知目标检测的技术方案，用以解决样本数量较少时无法实现对神经网络模型的充分训练，导致图像目标识别的准确度低的问题。

在第一方面，本申请提供了一种基于特征共享的未知目标检测方法，所述方法包括以下步骤：

获取样本图像数据，对样本图像数据进行分类；

根据所述样本图像数据的所属类别对样本图像数据进行属性分解，获得若干属性特征，并为每个属性特征赋予不同的属性标签；

将所有属性特征和属性标签输入检测模型进行训练，得到训练完成的检测模型；

将待检测图像输入到训练完成的检测模型中，输出检测结果。

作为一种可选的实施例，所述方法包括以下步骤：

对所述样本图像数据进行数据扩增，并将扩增后的样本图像数据输入到检测模型中进行训练。

作为一种可选的实施例，所述对所述样本图像数据进行数据扩增包括：

对所述样本图像数据进行执行以下操作中的任一项，以得到扩增后的样本图像数据：翻转、裁剪、缩放、加噪声、调整亮度。

作为一种可选的实施例，所述对所述样本图像数据进行数据扩增包括：

对所述样本图像数据进行识别，提取关键信息和第一背景信息；

从背景数据库中获取与所述第一背景信息相适配的第二背景信息，对所述关键信息和所述第二背景信息进行组合得到扩增后的样本图像数据。

作为一种可选的实施例，所述获取与所述第一背景信息相适配的第二背景信息包括：

获取与所述第一背景信息颜色相适配的背景信息，根据所述第一背景信息的亮度信息调整获取的背景信息，从而得到第二背景信息。

作为一种可选的实施例，所述将待检测图像输入到训练完成的检测模型中，输出检测结果包括：