[发明专利]一种实景地标识别方法

权利要求书

1.一种实景地标识别方法，其特征在于，所述方法包括：

通过地标定位网络对地标区域进行定位，并提取出地标区域的区域特征；

通过整图特征网络提取地标的整图特征；

对所述区域特征和整图特征进行双特征判断，生成地标的识别结果。

2.根据权利要求1所述的实景地标识别方法，其特征在于，所述通过定位网络对地标区域进行定位具体包括：

采用特征金字塔结构进行多尺度区域检索，输出为3个尺度的特征图，分别为19*19，38*38和76*76，其中，每个尺度中的一点包含：左上角和右下角坐标、地标的置信度以及各个地标的分类置信度，全部的数据维度使用n表示，每一种尺度的输出特征均通过底层特征和高层特征进行拼接，使得每个特征图均包含低层基础信息和高层语义信息。

3.根据权利要求2所述的实景地标识别方法，其特征在于，3个尺度分别对应9个区域框，每个尺度对应3个区域框，该区域框通过kmeans算法计算而来。

4.根据权利要求1所述的实景地标识别方法，其特征在于，在通过地标定位网络对地标区域进行定位的训练中使用的回归方法，包含若干种损失函数，分别是坐标框中心点回归、坐标高宽回归、坐标框重合回归。

5.根据权利要求1所述的实景地标识别方法，其特征在于，所述提取出地标区域的区域特征具体包括：

计算真实框和对应的多个预测框宽高比例和，然后计算出这些比例和他们倒数之间的最大值和，获取真实框和预测框在宽度和高度方向的最大差异；

计算宽度方向和高度方向最大差异之间的最大值。

6.根据权利要求5所述的实景地标识别方法，其特征在于，所述方法还包括：对地标特征进行学习，采用了Loss_cls进行分类优化，采用Loss_conf进行了目标过滤的优化，Loss_cls和Loss_conf之和作为特征损失进行模型优化，其中，

上式中，n表示地标类别数量，作为真实类别置信度，表示为1或者0；表示预测的类别置信度；y表示二分类中的真实类别置信度，表示预测的类别置信度。

7.根据权利要求1所述的实景地标识别方法，其特征在于，整图特征的提取网络和区域定位网络使用相同的主干网络，在训练时，整图特征网络和区域定位网络分别使用不同的训练数据，在训练的前期阶段，采用二阶段训练的方式进行网络更新，整图特征优化时采用冻结主干网络的方式进行优化；在训练的后期阶段，训练图片的批处理包含整图训练数据定位训练数据，并使用相同的归一化预处理方式，同时根据对应的训练数据进行损失计算并更新对应网络，而主干网络则会同时进行更新。

8.根据权利要求7所述的实景地标识别方法，其特征在于，所述整图特征优化损失函数为：

/

其中，表示预测的类别置信度。/