CN106372666B - 一种目标识别方法及装置 - Google Patents

Abstract

本发明是关于一种目标识别方法及装置，通过从训练样本集中建立分割模型；使用分割模型，提取每个分割部件的特征向量及特征矩阵；对特征矩阵进行降维训练，得到分割部件的降维矩阵；使用降维矩阵将特征矩阵降维；利用降维后的特征矩阵得到每个分割部件的SVM分类检测器；使用SVM分类检测器检测检测图像，得到目标识别结果。该目标识别方法，结合人类认知学，将对新事物的识别从多样化的整体解析到相对单一的局部部件识别，然后利用概率公式将局部的识别结果结合起来反推出事物整体的识别结果，能够有效克服机器学习需要大样本库和多训练的限制，使得在相对单一的较小样本库中也能取得较好的多样化识别效果，提高目标识别的实用性和效率。

Description

一种目标识别方法及装置

技术领域

本公开涉及图像处理技术领域，尤其涉及一种目标识别方法及装置。

背景技术

目标识别通常利用图像处理技术，将一类型的目标从检测图像中识别出来。例如车辆识别，即是从检测图像中识别是否存在车辆，通过车辆识别能够辅助车辆违章抓拍。

为了进行目标识别，通常需要利用机器学习算法例如CNN(Convolutional NeuralNetworks，卷积神经网络)算法对计算机进行训练，使计算机从训练样本中提取目标的识别特征，进而利用所述识别特征判断检测图像中是否存在目标，完成目标识别。例如在车辆识别过程中，计算机使用大量车辆图像样本，进行机器学习算法的训练，从而提取车辆的识别特征；然后，获取车辆在公路违章位置的检测图像，通过所述识别特征，判断检测图像中是否存在车辆，如果存在车辆，则控制抓拍系统对违章位置的车辆进行抓拍。

然而，发明人通过研究发现，在使用上述方法进行目标识别时，为了提取目标的识别特征需要对海量的训练样本进行训练，耗费大量的计算资源和时间，限制了上述目标识别方法的实用性；而且，由于现有的目标样式各异，拍摄环境和拍摄角度多样，使得目标检测图像的差异较大，增大目标识别难度，进一步影响上述目标识别方法的实用性。

发明内容

本发明实施例中提供了一种目标识别方法及装置，以解决现有技术中的目标识别实用性差的问题。

为了解决上述技术问题，本发明实施例公开了如下技术方案：

本发明实施例提供一种目标识别方法，该方法包括以下步骤：

在第一训练样本集的各个训练样本上标注分割部件，根据训练样本和标注后的训练样本，建立分割模型；其中，所述分割部件包括构成待识别目标的多个部件；

从第二训练样本集中，使用所述分割模型，提取每个分割部件对应的特征向量，将所述特征向量组成所述分割部件对应的特征矩阵；所述第二训练样本集中的训练样本均包括相应的分割部件；

对从第二训练样本集中提取的特征矩阵进行降维训练，得到所述分割部件对应的降维矩阵；

从所述第三训练样本集中，使用所述分割模型和降维矩阵，获取每个分割部件所对应的、降维矩阵降维后的特征矩阵；所述第三训练样本集包括存在分割部件的训练样本和不存在分割部件的训练样本；

将从第三训练样本集中提取的、降维后的特征矩阵输入SVM(Support VectorMachine，支持向量机)分类器，训练得到每个分割部件所对应的SVM分类检测器；

将从待检测图像中提取的、降维后的特征矩阵输入相应的SVM分类检测器，得到目标识别结果。

可选地，所述建立分割模型之前，还包括：

根据目标的外观差异，确定外观差异小的部件作为所述分割部件。

可选地，建立分割模型之前，还包括：

将第一训练样本集中的训练样本转换为标准尺度样本；

从第二训练样本集中，使用所述分割模型，提取每个分割部件对应的特征向量之前，还包括：

将第二训练样本集中的训练样本转换为标准尺度样本；

从所述第三训练样本集中，使用所述分割模型和降维矩阵，获取每个分割部件所对应的、降维矩阵降维后的特征矩阵之前，还包括：

将第三训练样本集中的训练样本转换为标准尺度样本。

可选地，训练得到每个分割部件所对应的SVM分类检测器之后，还包括：

使用校验样本集对各个SVM分类检测器进行校验，得到SVM分类检测器的分类准确度；

当所述分类准确度低于准确度阈值时，更新第一训练样本集、第二训练样本集和第三训练样本集中的一个或多个；

根据更新后的训练样本集，重新生成SVM分类检测器。

可选地，所述将从待检测图像中提取的、降维后的特征矩阵输入相应的SVM分类检测器，得到目标识别结果，包括：

获取各个分类检测器输出的部件存在概率，其中所述部件存在概率为相应的分割部件在所述待检测图像中的存在概率；

根据所述部件存在概率，计算目标存在概率，所述目标存在概率为目标在检测图像中的存在概率，将所述目标存在概率作为目标识别结果。

本发明实施例还提供一种目标识别装置，该装置包括：

分割模型建立模块，用于在第一训练样本集的各个训练样本上标注分割部件，根据训练样本和标注后的训练样本，建立分割模型；其中，所述分割部件包括构成待识别目标的多个部件；

特征矩阵建立模块，用于从第二训练样本集中，使用所述分割模型，提取每个分割部件对应的特征向量，将所述特征向量组成所述分割部件对应的特征矩阵；所述第二训练样本集中的训练样本均包括相应的分割部件；

降维矩阵生成模块，用于对从第二训练样本集中提取的特征矩阵进行降维训练，得到所述分割部件对应的降维矩阵；

特征矩阵降维模块，用于从所述第三训练样本集中，使用所述分割模型和降维矩阵，获取每个分割部件所对应的、降维矩阵降维后的特征矩阵；所述第三训练样本集包括存在分割部件的训练样本和不存在分割部件的训练样本；

SVM分类检测器训练模块，用于将从第三训练样本集中提取的、降维后的特征矩阵输入SVM分类器，训练得到每个分割部件所对应的SVM分类检测器；

目标识别结果生成模块，用于将从待检测图像中提取的、降维后的特征矩阵输入相应的SVM分类检测器，得到目标识别结果。

可选地，该装置还包括：

分割部件确定模块，用于根据目标的外观差异，确定外观差异小的部件作为所述分割部件。

可选地，该装置还包括：

样本转换模块，用于将第一训练样本集中、第二训练样本集中和第三训练样本集中的训练样本转换为标准尺度样本。

可选地，该装置还包括：

分类准确度计算模块，用于使用校验样本集对各个SVM分类检测器进行校验，得到SVM分类检测器的分类准确度；

训练样本集更新模块，用于当所述分类准确度低于准确度阈值时，更新第一训练样本集、第二训练样本集和第三训练样本集中的一个或多个；

SVM分类检测器更新模块，用于根据更新后的训练样本集，重新生成SVM分类检测器。

可选地，所述目标识别结果生成模块包括：

部件存在概率计算模块，用于获取各个分类检测器输出的部件存在概率，其中所述部件存在概率为相应的分割部件在所述待检测图像中的存在概率；

目标存在概率计算模块，用于根据所述部件存在概率，计算目标存在概率，所述目标存在概率为目标在待检测图像中的存在概率，将所述目标存在概率作为目标识别结果。

本发明的实施例提供的技术方案可以包括以下有益效果：本发明实施例提供的一种目标识别方法及装置，通过在第一训练样本集的各个训练样本上标注分割部件，根据训练样本和标注后的训练样本，建立分割模型；从第二训练样本集中，使用所述分割模型，提取每个分割部件对应的特征向量，将所述特征向量组成所述分割部件对应的特征矩阵；对从第二训练样本集中提取的特征矩阵进行降维训练，得到所述分割部件对应的降维矩阵；从所述第三训练样本集中，使用所述分割模型和降维矩阵，获取每个分割部件所对应的、降维矩阵降维后的特征矩阵；将从第三训练样本集中提取的、降维后的特征矩阵输入SVM分类器，训练得到每个分割部件所对应的SVM分类检测器；将从待检测图像中提取的、降维后的特征矩阵输入相应的SVM分类检测器，得到目标识别结果。该目标识别方法，结合人类认知学，将对新事物的识别从多样化的整体解析到相对单一的局部部件识别，然后利用概率公式将局部的识别结果结合起来反推出事物整体的识别结果，能够有效克服机器学习需要的大样本库和多训练的限制，使得在相对单一的较小样本库中也能取得较好的多样化识别效果，提高目标识别的实用性和效率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有

技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人

员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种目标识别方法的流程示意图；

图2为本发明实施例提供的另一种目标识别方法的流程示意图；

图3为本发明实施例提供的一种目标识别装置的结构示意图；

图4为本发明实施例提供的另一种目标识别装置的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

人类能够将一类新的事物解析到局部及局部关系，通过对局部特征的认识加快对物体的理解和表征。在机器学习技术领域，贝叶斯程式学习框架(Bayesian ProgramLearning，BPL)提出了三个关键的思想，即组合性、因果性、学习如何学习。其中，组合性表示任何一个概念都可以看作是多个简单的“基元”的组合，因果性则反映了这些简单“基元”之间的位置、时间、因果方面的关系，学习如何学习是指如何利用已有“基元”及其关系的学习推出对新概念的认识和学习过程。本发明实施例从BPL的组合性、因果性思想出发，结合深度学习思想提出了一种在少量样本的情况下实现对目标识别的方法。

其中，所述目标可以为车辆，例如对车辆进行识别；当然所述目标还可以为其他类型的目标，例如人、牲畜等；本发明实施例将以车辆识别为例，具体介绍在少量车辆样本的情况下对车辆这一类事物的识别方法。在一种具体应用场景中，车辆识别可以辅助违章抓拍，例如拍摄固定区域的图像，所述固定区域可以理解为比如路口停车实线位置，如果有车辆出现在该固定区域则该车辆存在违章行为，从而控制抓拍摄像头进行违章抓拍，因此在本发明实施例中车辆识别只需识别图像中是否出现具有普遍特征的车辆即可，而非识别具有特殊特征的车辆。

参见图1，为本发明实施例提供的一种目标识别方法的流程示意图，本发明实施例是示出了目标识别的过程，包括以下步骤：

步骤S101：在第一训练样本集的各个训练样本上标注分割部件，根据训练样本和标注后的训练样本，建立分割模型。

为了提取目标的特征，本发明实施例采用图像分割的方法对目标的训练样本进行部件分割。在具体实施时，根据目标的外观差异，确定外观差异小的部件作为所述分割部件，所述分割部件包括构成待识别目标的任意多个部件。

在车辆识别过程中，所述分割部件包括车辆的轮胎、前车门、后车门、前车灯和后车灯中的一种或多种。本发明实施例中的所述分割部件包括车辆的轮胎、前车门、后车门、前车灯和后车灯总共5个部件。需要说明的是，本领域技术人员可以选择任意多个分割部件，而且对于车辆识别，所述分割部件也不限于上述部件，还可以包括引擎盖、雨刷等部件。

根据确定的分割部件，在第一训练样本集的各个训练样本上标注分割部件。其中，所述第一训练样本集包括多个训练样本，所述训练样本可以理解为目标图片。例如可以搜集网络图片等组成车辆样本库，从车辆样本库中提取500张车辆样本作为第一训练样本集；所述车辆样本中可能包括所述分割部件中的一个或多个，在每张车辆样本上标注所述分割部件，得到各个车辆样本的标签图。将标注车辆样本得到的标签图和原车辆样本输入DeconvNet网络结构中进行训练，经过50000次迭代得到车辆的分割模型DeconvNet_model。

另外，为了保证训练过程的顺利进行，提高训练效率，在建立分割模型之前，首先将第一训练样本集中的训练样本转换为标准尺度样本。由于第一训练样本集中的训练样本可能具有不同的尺度规格，将所述训练样本均转换为标准尺度样本；具体地，所述标准尺度样本可以为分辨率为250*250的尺度样本。当然，在具体实施时，所述标准尺度样本可以为任意分辨率的尺度样本。

步骤S102：在第二训练样本集中，使用所述分割模型，提取每个分割部件对应的特征向量，将所述特征向量组成所述分割部件对应的特征矩阵。

从车辆样本库中，提取第二训练样本集，所述第二训练样本集中的训练样本均包括相应的分割部件。在具体实施时，对于车辆轮胎，从车辆样本库中，提取500张包括车辆轮胎的训练样本，组成第二训练样本集；对于其他分割部件，同样从车辆样本库中，提取500张包括相应分割部件的训练样本，组成相应的第二训练样本集。

根据步骤S101确定的分割模型，使用所述分割模型对第二训练样本集中的训练样本进行处理。分割模型DeconvNet_model的deconv1_2网络层输出的32个特征图反映汽车的各分割部件特征，将32个特征图表示为Fx＝{x1,x2,...x32}，其中x1表示第1个特征图，x2表示第2个特征图，以及x32表示第32个特征图。

由于输出的32个特征图并非与5个分割部件特征一一对应，因此，需找出特征图与各个分割部件之间的对应关系。将车辆的5个分割部件表示为S＝{s1,s2,....s5}，其中s1表示车辆的第1个分割部件，例如车辆的轮胎；s2表示车辆的第2个分割部件，例如车辆的前车门；s3表示车辆的第3个分割部件，例如车辆的后车门；s4表示车辆的第4个分割部件，例如车辆的前车灯；s5表示车辆的第5个分割部件，例如车辆的后车灯。

根据车辆的各分割部件位置与特征图的响应情况可得到以下关系：

其中，i表示第i张训练样本，i的取值为1至500；x_i,k表示第i张训练样本的第k个特征图，k的取值范围为1至32；f⁽ⁱ⁾(s_j)表示汽车的第j个分割部件的特征图，j的取值范围为1至5；表示汽车的第j个分割部件在第k个特征图的权重，其大小取决于第j个分割部件在特征图x_i,k中的响应程度，而且的取值范围为在本发明实施例中，根据分割部件位置的亮度统计得到所述响应程度

车辆的各分割部件在32个特征图上的特征分布情况可根据其权重大小表示如下：

其中，T⁽ⁱ⁾(s_j)表示第i张训练样本的第j个分割部件在输出的32个特征图上的特征分布情况。

综合考虑车辆的5个分割部件在32个特征空间的响应强度，按照响应强度选取每个分割部件响应最强的前5个特征图表征对应分割部件的特征空间，公式如下：

其中F(s_j)表示第j个分割部件的特征空间，j的取值范围为1至5；X_j,n表示第j个分割部件的特征空间中的第n个特征图，由deconv1_2网络层输出的32个特征图中各对应分割部件响应较强的5个的特征图表示。

将5个分割部件特征空间中的所有特征图转化为1维列向量，则此时各分割部件特征空间可表示为：

其中是由对应的特征图X_j,n经过列向量化得到的列向量矩阵。车辆的各分割部件特征可以通过以下方式表示：

因此，对于每张训练样本，均可以得到如公式1所示的特征向量。对于第1个分割部件，将500张训练样本的特征按照列向量合并可构成特征矩阵Fw(s₁)；同样，对于第2个分割部件，使用由500张包括第2个分割部件的训练样本通过上述过程，可以得到每个训练样本对应的特征将500个特征按照列向量合并可构成特征矩阵Fw(s₂)；按照上述方式，得到第3个分割部件的特征矩阵Fw(s₃)，第4个分割部件的特征矩阵Fw(s₄)以及第5个分割部件的特征矩阵Fw(s₅)。

而且，为了保证特征提取过程的顺利进行，提高提取效率，从第二训练样本集中，使用所述分割模型，提取每个分割部件对应的特征向量之前，首先将第二训练样本集中的训练样本转换为标准尺度样本，上述标准尺度样本的获取过程可参见步骤S101中的描述，在此不再赘述。

步骤S103：对从第二训练样本集中提取的特征矩阵进行降维训练，得到所述分割部件对应的降维矩阵。

对步骤S102中得到的各个分割部件对应的特征矩阵进行降维训练，得到相应的降维矩阵。具体地，对于第1个分割部件，对特征矩阵Fw(s₁)进行降维训练，所述降维训练可以理解为主成分分析(Principal Component Analysis，PCA)训练，保留200个最大主成分可以得到第1个分割部件的降维矩阵Ew(s₁)；降维矩阵Ew(s₁)可理解为一个长为500宽为200的二维矩阵，在开放源代码计算机视觉类库(Open Source Computer vision Library，opencv)中可以用一个Mat的形式表示，得到降维矩阵后将其以xml文件的形式保存下来方便以后直接调用，不需要重复计算，在具体实施时，降维矩阵Ew(s₁)的获取可通过直接调用opencv的类PCA的成员变量eigenvectors得到，在此不再赘述。

同样，对于其他4个分割部件，按照上述方式，可以得到第2个部件的降维矩阵Ew(s₂)、第3个部件的降维矩阵Ew(s₃)、第4个部件的降维矩阵Ew(s₄)以及第5个部件的降维矩阵Ew(s₅)。

步骤S104：从所述第三训练样本集中，使用所述分割模型和降维矩阵，获取每个分割部件所对应的、降维矩阵降维后的特征矩阵。

对于每个个分割部件，从样本库中重新选取500张包含相应分割部件的训练样本作为正样本，从网上或图像库中另选取500张不包含相应分割部件的训练样本作为负样本，计算每个训练样本的降维特征向量，公式如下：

其中，为第t个分割部件的特征向量；Ew(s_t)为第t个分割部件的降维矩阵；g(s_t)为第t个分割部件的降维特征向量。

具体地，以第1个分割部件为例，按照步骤S102的方法使用分割模型，对于第三训练样本集中的每张训练样本，得到相应的特征向量根据公式(2)，使用步骤S103确定降维矩阵Ew(s₁)，得到每张训练样本对应的降维特征向量g(s₁)，所述降维特征向量g(s₁)包括200个特征值；将所有训练样本的降维特征向量g(s₁)组成降维后的特征矩阵G(s₁)，即所述降维后的特征矩阵G(s₁)为1000*200的特征矩阵，G(s₁)的每一行代表1张训练样本的降维特征向量。

对于其他4个分割部件，按照上述方式，可以得到第2个分割部件的降维后的特征矩阵G(s₂)、第3个分割部件的降维后的特征矩阵G(s₃)、第4个分割部件的降维后的特征矩阵G(s₄)以及第5个分割部件的降维后的特征矩阵G(s₅)。

另外，为了提高训练效率，同样，在本发明实例中，在从所述第三训练样本集中，使用所述分割模型和降维矩阵，获取每个分割部件所对应的、降维矩阵降维后的特征矩阵之前，首先对第三训练样本集中的训练样本转换为标准尺度样本，标注尺度样本的获得过程可以参见步骤S101的描述，在此不再赘述。

步骤S105：将从第三训练样本集中提取的、降维后的特征矩阵输入SVM分类器，训练得到每个分割部件所对应的SVM分类检测器。

将第1个分割部件的降维后的特征矩阵G(s₁)输入到支持向量机(Support VectorMachine，SVM)分类器中训练，得到第1个分割部件的SVM分类检测器SVM(s₁)；对于其他4个分割部件，按照同样的方式，得到第2个分割部件的SVM分类检测器SVM(s₂)、第3个分割部件的SVM分类检测器SVM(s₃)、第4个分割部件的SVM分类检测器SVM(s₄)以及第5个分割部件的SVM分类检测器SVM(s₅)。

步骤S106：将从待检测图像中提取的、降维后的特征矩阵输入相应的SVM分类检测器，得到目标识别结果。

对于检测图像，根据步骤S102的过程，使用分割模型，可以得到检测图像的5个特征向量其中特征向量对应第1个分割部件，特征向量对应第2个分割部件，特征向量对应第3个分割部件，特征向量对应第4个分割部件，特征向量对应第5个分割部件。

对于第1个分割部件，对特征向量使用步骤S104确定的降维矩阵Ew(s₁)进行降维操作，得到降维后的特征向量g(s₁)；对于第2个分割部件，对特征向量使用步骤S104确定的降维矩阵Ew(s₂)进行降维操作，得到降维后的特征向量g(s₂)；对于第3个分割部件，对特征向量使用步骤S104确定的降维矩阵Ew(s₃)进行降维操作，得到降维后的特征向量g(s₃)；对于第4个分割部件，对特征向量使用步骤S104确定的降维矩阵Ew(s₄)进行降维操作，得到降维后的特征向量g(s₄)；对于第5个分割部件，对特征向量使用步骤S104确定的降维矩阵Ew(s₅)进行降维操作，得到降维后的特征向量g(s₅)。

将降维后的特征向量g(s₁)输入第1个分割部件的SVM分类检测器SVM(s₁)，得到第1个分割部件的部件存在概率所述部件存在概率表征第1个分割部件在检测图像中的存在概率；按照上述方式，可以得到第2个分割部件的部件存在概率第3个分割部件的部件存在概率第4个分割部件的部件存在概率以及第5个分割部件的部件存在概率

根据所述部件存在概率，计算目标存在概率，所述目标存在概率为目标在检测图像中的存在概率，将所述目标存在概率作为目标识别结果。在检测图像I中国检测到其中m(m<＝5)个分割部件存在时，所述目标存在概率根据如下贝叶斯概率公式计算：

其中，I表示检测图像；P(A|S_r)为条件概率，表示观测到分割部件的情况下车辆存在的概率，P(A|S_r)的值可通过先验数据库计算；P(S_r|I)表示检测到检测图像I上分割部件的存在概率，

需要说明的是，在确定条件概率P(A|S_r)值时，所述先验数据库为用于检测车辆分割部件与车辆关系的一个数据集；而且，所述数据集同上述的SVM分类检测器相关，即所述SVM分类检测器针对的各分割部件与汽车的紧密度越高，对应的P(A|S_r)就越高。例如对于第1个分割部件，所述第1个分割部件为轮胎；当第1个分割部件的SVM分类检测器区分的轮胎是汽车轮胎，而非摩托车轮胎、自行车轮胎等非汽车轮胎，则第1个分割部件所对应的P(A|S_r)值设置为1；当训练的第1个分割部件的SVM分类检测器区分的仅仅是轮胎和非轮胎，而不管是否是汽车轮胎还是摩托车轮胎时，则第1个分割部件的P(A|S_r)需要通过所述先验数据库计算各种包含有轮胎的图片中汽车轮胎出现的概率值得到。同样，其他4个分割部件可以按照上述方式得到相应的条件概率P(A|S_r)，在此不再赘述。

因此，如果训练的分割部件的SVM分类检测器与检测目标即汽车严格相关，则其对应的分类准确率低，但相应的条件概率P(A|S_r)值高；如果训练的分割部件的SVM分类检测器与检测目标即汽车弱相关，例如所述SVM分类检测器与自行车轮胎或者摩托车轮胎强相关时，则其对应的分类准确率较高，但是其条件概率P(A|S_r)值较低。

最终，根据得到的目标存在概率P(A|I)，判断检测图像中是否存在车辆。

由上述实施例可见，本发明实施例提供的一种目标识别方法，通过在第一训练样本集的各个训练样本上标注分割部件，根据训练样本和标注后的训练样本，建立分割模型；从第二训练样本集中，使用所述分割模型，提取每个分割部件对应的特征向量，将所述特征向量组成所述分割部件对应的特征矩阵；对从第二训练样本集中提取的特征矩阵进行降维训练，得到所述分割部件对应的降维矩阵；从所述第三训练样本集中，使用所述分割模型和降维矩阵，获取每个分割部件所对应的、降维矩阵降维后的特征矩阵；将从第三训练样本集中提取的、降维后的特征矩阵输入SVM分类器，训练得到每个分割部件所对应的SVM分类检测器；将从待检测图像中提取的、降维后的特征矩阵输入相应的SVM分类检测器，得到目标识别结果。该目标识别方法，结合人类认知学，将对新事物的识别从多样化的整体解析到相对单一的局部部件识别，然后利用概率公式将局部的识别结果结合起来反推出事物整体的识别结果，能够有效克服机器学习需要的大样本库和多训练的限制，使得在相对单一的较小样本库中也能取得较好的多样化识别效果，提高目标识别的实用性和效率。

为了提高目标识别的准确率，在训练得到每个分割部件所对应的SVM分类检测器之后，参见图2，为本发明实施例提供的另一种目标识别方法的流程示意图，本发明实施例示出了对SVM分类检测器的校验更新过程，包括以下步骤：

步骤S201：使用校验样本集对各个SVM分类检测器进行校验，得到SVM分类检测器的分类准确度。

所述校验样本集，可以选取除上述步骤使用的训练样本以外的所有样本，或者具有标准判断结果的样本；将所述校验样本集中的所有样本，按照步骤S106中的方式，计算每个校验样本集中每个样本的目标识别结果，统计所述目标识别结果和标准判断结果，得到每个SVM分类检测器的分类准确度。

步骤S202：当所述分类准确度低于准确度阈值时，更新第一训练样本集、第二训练样本集和第三训练样本集中的一个或多个。

在具体实施时，可以预设所述准确度阈值，例如设置所述准确度阈值为80％；当SVM分类检测器的分类准确度低于所述准确度阈值时，判断相应的SVM分类检测器未能达到准确度要求。

由于SVM分类检测的准确度与样本选择有关，因此需要更新第一训练样本集、第二训练样本集合第三训练样本集中的一个或多个。在具体实施时，当所有分割部件的SVM分类检测器的准确度均低于准确度阈值时，可能分割模型的建立或者降维矩阵存在问题，则更新第一训练样本集和第二训练样本集；当部分分割部件的SVM分类检测器的准确度第一准确度阈值时，例如第1个分割部件的SVM分类检测器的分类准确度低于准确度阈值，则可能需要调整第三训练样本集。当然，本领域技术人员可以根据实际的准确度结果，判断更新第一训练样本集、第二训练样本集合第三训练样本集中的一个或多个。

步骤S203：根据更新后的训练样本集，重新生成SVM分类检测器。

使用步骤S202中确定的更新后的训练样本集，重复步骤S101至步骤S105中的全部或部分，从而更新相应的SVM分类检测器。

由上述实施例可见，本发明实施例的另一种目标识别方法，在生成SVM分类检测器后，使用校验样本集对所述SVM分类检测器进行准确度校验，当SVM分类检测器的准确度低于阈值时，重新生成并更新所述SVM分类检测器，从而有效提高目标识别的准确度。

通过以上的方法实施例的描述，所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：只读存储器(ROM)、随机存取存储器(RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

与本发明提供的一种目标识别方法实施例相对应，本发明还提供了一种目标识别装置。

参见图3，为本发明实施例提供的一种目标识别装置的结构示意图，该装置包括：

分割模型建立模块11，用于在第一训练样本集的各个训练样本上标注分割部件，根据训练样本和标注后的训练样本，建立分割模型；其中，所述分割部件包括构成待识别目标的多个部件；

特征矩阵建立模块12，用于从第二训练样本集中，使用所述分割模型，提取每个分割部件对应的特征向量，将所述特征向量组成所述分割部件对应的特征矩阵；所述第二训练样本集中的训练样本均包括相应的分割部件；

降维矩阵生成模块13，用于对从第二训练样本集中提取的特征矩阵进行降维训练，得到所述分割部件对应的降维矩阵；

特征矩阵降维模块14，用于从所述第三训练样本集中，使用所述分割模型和降维矩阵，获取每个分割部件所对应的、降维矩阵降维后的特征矩阵；所述第三训练样本集包括存在分割部件的训练样本和不存在分割部件的训练样本；

SVM分类检测器训练模块15，用于将从第三训练样本集中提取的、降维后的特征矩阵输入SVM分类器，训练得到每个分割部件所对应的SVM分类检测器；

目标识别结果生成模块16，用于将从检测图像中提取的、降维后的特征矩阵输入相应的SVM分类检测器，得到目标识别结果。

可选地，该装置还包括：

分割部件确定模块，用于根据目标的外观差异，确定外观差异小的部件作为所述分割部件；当所述目标为车辆时，所述分割部件包括车辆的轮胎、前车门、后车门、前车灯和后车灯中的一种或多种。

可选地，该装置还包括：

样本转换模块，用于将第一训练样本集中、第二训练样本集中和第三训练样本集中的训练样本转换为标准尺度样本。

可选地，目标识别结果生成模块16包括：

部件存在概率计算模块，用于获取各个分类检测器输出的部件存在概率，其中所述部件存在概率为相应的分割部件在所述待检测图像中的存在概率；

目标存在概率计算模块，用于根据所述部件存在概率，计算目标存在概率，所述目标存在概率为目标在待检测图像中的存在概率，将所述目标存在概率作为目标识别结果。

由上述实施例可见，本发明实施例提供的一种目标识别装置，通过在第一训练样本集的各个训练样本上标注分割部件，根据训练样本和标注后的训练样本，建立分割模型；从第二训练样本集中，使用所述分割模型，提取每个分割部件对应的特征向量，将所述特征向量组成所述分割部件对应的特征矩阵；对从第二训练样本集中提取的特征矩阵进行降维训练，得到所述分割部件对应的降维矩阵；从所述第三训练样本集中，使用所述分割模型和降维矩阵，获取每个分割部件所对应的、降维矩阵降维后的特征矩阵；将从第三训练样本集中提取的、降维后的特征矩阵输入SVM分类器，训练得到每个分割部件所对应的SVM分类检测器；将从待检测图像中提取的、降维后的特征矩阵输入相应的SVM分类检测器，得到目标识别结果。该目标识别方法，结合人类认知学，将对新事物的识别从多样化的整体解析到相对单一的局部部件识别，然后利用概率公式将局部的识别结果结合起来反推出事物整体的识别结果，能够有效克服机器学习需要的大样本库和多训练的限制，使得在相对单一的较小样本库中也能取得较好的多样化识别效果，提高目标识别的实用性和效率。

参见图4，为本发明实施例提供的另一种目标识别装置的结构示意图，在图3所示结构的基础上，本发明实施例中的目标识别装置还包括：

分类准确度计算模块21，用于使用校验样本集对各个SVM分类检测器进行校验，得到SVM分类检测器的分类准确度；

训练样本集更新模块22，用于当所述分类准确度低于准确度阈值时，更新第一训练样本集、第二训练样本集和第三训练样本集中的一个或多个；

SVM分类检测器更新模块23，用于根据更新后的训练样本集，重新生成SVM分类检测器。

由上述实施例可见，本发明实施例提供的另一种目标识别装置，在生成SVM分类检测器后，使用校验样本集对所述SVM分类检测器进行准确度校验，当SVM分类检测器的准确度低于阈值时，重新生成并更新所述SVM分类检测器，从而有效提高目标识别的准确度。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种目标识别方法，其特征在于，包括以下步骤：

在第一训练样本集的各个训练样本上标注分割部件，将所述训练样本和标注后的训练样本输入DeconvNet网络结构中进行训练，经过预定次数的迭代得到分割模型；其中，所述分割部件包括构成待识别目标的多个部件；

将第二训练样本集中的训练样本输入到所述分割模型，所述分割模型的网络层输出多个反映所述分割部件特征的特征图，根据所述分割部件位置的亮度统计得到所述分割部件在所述特征图中的权重，根据所述权重选取预设数量的特征图表征所述分割部件的特征空间，将所述特征空间中的特征图进行列向量化得到列向量矩阵，根据所述列向量矩阵得到所述分割部件的特征向量，将所述特征向量组成所述分割部件对应的特征矩阵；所述第二训练样本集中的训练样本均包括相应的分割部件；

对从第二训练样本集中提取的特征矩阵进行降维训练，得到所述分割部件对应的降维矩阵；

从第三训练样本集中，使用所述分割模型和降维矩阵，获取每个分割部件所对应的降维矩阵降维后的特征矩阵；所述第三训练样本集包括存在分割部件的训练样本和不存在分割部件的训练样本；

将从第三训练样本集中提取的降维后的特征矩阵输入SVM分类器，训练得到每个分割部件所对应的SVM分类检测器；

将从待检测图像中提取的降维后的特征矩阵输入相应的SVM分类检测器，得到目标识别结果，其中，得到目标识别结果包括：

获取各个分类检测器输出的部件存在概率，其中所述部件存在概率为相应的分割部件在待检测图像中的存在概率；

根据所述部件存在概率，计算目标存在概率，所述目标存在概率为目标在检测图像中的存在概率，将所述目标存在概率作为目标识别结果。

2.根据权利要求1所述的目标识别方法，其特征在于，所述在第一训练样本集的各个训练样本上标注分割部件之前，还包括：

根据目标的外观差异，确定外观差异小的部件作为所述分割部件。

3.根据权利要求1所述的目标识别方法，其特征在于，

建立分割模型之前，还包括：

将第一训练样本集中的训练样本转换为标准尺度样本；

从第二训练样本集中，使用所述分割模型，提取每个分割部件对应的特征向量之前，还包括：

将第二训练样本集中的训练样本转换为标准尺度样本；

从所述第三训练样本集中，使用所述分割模型和降维矩阵，获取每个分割部件所对应的、降维矩阵降维后的特征矩阵之前，还包括：

将第三训练样本集中的训练样本转换为标准尺度样本。

4.根据权利要求1所述的目标识别方法，其特征在于，训练得到每个分割部件所对应的SVM分类检测器之后，还包括：

使用校验样本集对各个SVM分类检测器进行校验，得到SVM分类检测器的分类准确度；

当所述分类准确度低于准确度阈值时，更新第一训练样本集、第二训练样本集和第三训练样本集中的一个或多个；

根据更新后的训练样本集，重新生成SVM分类检测器。

5.一种目标识别装置，其特征在于，该装置包括：

分割模型建立模块，用于在第一训练样本集的各个训练样本上标注分割部件，将所述训练样本和标注后的训练样本输入DeconvNet网络结构中进行训练，经过预定次数的迭代得到分割模型；其中，所述分割部件包括构成待识别目标的多个部件；

特征矩阵建立模块，用于将第二训练样本集中的训练样本输入到所述分割模型，所述分割模型的网络层输出多个反映所述分割部件特征的特征图，根据所述分割部件位置的亮度统计得到所述分割部件在所述特征图中的权重，根据所述权重选取预设数量的特征图表征所述分割部件的特征空间，将所述特征空间中的特征图进行列向量化得到列向量矩阵，根据所述列向量矩阵得到所述分割部件的特征向量，将所述特征向量组成所述分割部件对应的特征矩阵；所述第二训练样本集中的训练样本均包括相应的分割部件；

降维矩阵生成模块，用于对从第二训练样本集中提取的特征矩阵进行降维训练，得到所述分割部件对应的降维矩阵；

特征矩阵降维模块，用于从第三训练样本集中，使用所述分割模型和降维矩阵，获取每个分割部件所对应的降维矩阵降维后的特征矩阵；所述第三训练样本集包括存在分割部件的训练样本和不存在分割部件的训练样本；

SVM分类检测器训练模块，用于将从第三训练样本集中提取的降维后的特征矩阵输入SVM分类器，训练得到每个分割部件所对应的SVM分类检测器；

目标识别结果生成模块，用于将从待检测图像中提取的降维后的特征矩阵输入相应的SVM分类检测器，得到目标识别结果，所述目标识别结果生成模块包括：

部件存在概率计算模块，用于获取各个分类检测器输出的部件存在概率，其中所述部件存在概率为相应的分割部件在待检测图像中的存在概率；

目标存在概率计算模块，用于根据所述部件存在概率，计算目标存在概率，所述目标存在概率为目标在待检测图像中的存在概率，将所述目标存在概率作为目标识别结果。

6.根据权利要求5所述的目标识别装置，其特征在于，该装置还包括：

分割部件确定模块，用于根据目标的外观差异，确定外观差异小的部件作为所述分割部件。

7.根据权利要求5所述的目标识别装置，其特征在于，该装置还包括：

样本转换模块，用于将第一训练样本集中、第二训练样本集中和第三训练样本集中的训练样本转换为标准尺度样本。

8.根据权利要求5所述的目标识别装置，其特征在于，该装置还包括：

分类准确度计算模块，用于使用校验样本集对各个SVM分类检测器进行校验，得到SVM分类检测器的分类准确度；

训练样本集更新模块，用于当所述分类准确度低于准确度阈值时，更新第一训练样本集、第二训练样本集和第三训练样本集中的一个或多个；

SVM分类检测器更新模块，用于根据更新后的训练样本集，重新生成SVM分类检测器。