[发明专利]一种基于伪孪生网络与深度特征的目标识别匹配定位方法

权利要求书

1.一种基于伪孪生网络与深度特征的目标识别匹配定位方法，其特征在于，包括以下步骤：

S1、基于伪孪生网络模型进行目标识别与图像匹配定位一体化设计；

S2、获取目标图像并基于SSD算法对目标进行识别；

S3、基于深度特征匹配方法进行目标匹配定位；

S4、基于网格运动统计模型优化匹配结果。

2.根据权利要求1所述的一种基于伪孪生网络与深度特征的目标识别匹配定位方法，其特征在于，在S1中，具体是基于伪孪生网络思想，将SSD目标识别算法与深度特征匹配算法相融合提出的一种目标识别与图像匹配一体化网络结构。

3.根据权利要求2所述的一种基于伪孪生网络与深度特征的目标识别匹配定位方法，其特征在于，在S2中，目标识别是通过图像处理技术和算法，提取出带有待检测目标的检测框或分割出一个至多个图像区域，对场景中的对象进行定位并判断是否为目标的过程；

SSD目标识别算法使用的是一个单深层神经网络，可对不同分辨率的多个目标进行识别，并且能够在每个目标的位置生成具有不同的宽高比和尺寸的候选框，SSD网络主体设计的思想是特征分层提取，并依次进行边框回归和分类；

具体采用的SSD目标识别算法以VGG19网络模型作为主干网络，SSD模型输入固定尺寸的图像，将不同层级的特征图进行综合，对预先默认的边界框计算其类别及置信度，最终通过非极大值抑制获得目标检测结果；

为实现对目标的有效检测，该网络模型的损失函数采用位置误差Loc与类别置信度误差Conf的加权和为：

其中：N为先验框的正样本数量；

x为指示函数，表示默认边界框与真实边界框是否匹配；

c为类别置信度预测值；

α为权重系数；

l为预测边界框；

g为真实边界框；

定位损失函数L_loc采用光滑的L₁函数来计算l和g之间的损失，置信度损失函数L_conf通过softmax计算，定位损失L_loc和置信度损失L_conf的具体定义为：

式中：和包含了目标的位置信息，

m表示特征图数目；

表示m类别中第i个预测框；

表示m类别中第j个预测框；

表示第i个预测框与第j个真实框关于第k个类别是否匹配，匹配为1，反之为0；

Pos，loc，Neg分别表示正样本集合、负样本集合和边界框坐标位置集合。