CN112507805A - 一种场景识别方法及设备 - Google Patents

一种场景识别方法及设备 Download PDF

Info

Publication number
CN112507805A
CN112507805A CN202011293100.XA CN202011293100A CN112507805A CN 112507805 A CN112507805 A CN 112507805A CN 202011293100 A CN202011293100 A CN 202011293100A CN 112507805 A CN112507805 A CN 112507805A
Authority
CN
China
Prior art keywords
scene
features
salient
preset
distinguishing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011293100.XA
Other languages
English (en)
Other versions
CN112507805B (zh
Inventor
叶力荣
张国栋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Silver Star Intelligent Technology Co Ltd
Original Assignee
Shenzhen Silver Star Intelligent Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Silver Star Intelligent Technology Co Ltd filed Critical Shenzhen Silver Star Intelligent Technology Co Ltd
Priority to CN202011293100.XA priority Critical patent/CN112507805B/zh
Publication of CN112507805A publication Critical patent/CN112507805A/zh
Application granted granted Critical
Publication of CN112507805B publication Critical patent/CN112507805B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Image Analysis (AREA)

Abstract

本申请适用于场景识别技术领域，提供了一种场景识别方法，包括：获取待识别的场景图片，从场景图片中提取整体特征，以及，从场景图片中提取显著图特征，组合整体特征和显著图特征，得到场景图片的目标场景特征；再使用预设场景分类器对目标场景特征进行分类，得到场景图片对应的场景类型。上述方案，组合整体特征和显著图特征，得到场景图片的目标场景特征，更加关注于场景图片中的显著物体，能有效的排除各种干扰因素，从而提升了室内场景识别准确率，并且可以更好的适应复杂环境，准确的对复杂环境进行识别。

Description

一种场景识别方法及设备
技术领域
本申请属于场景识别技术领域，尤其涉及一种场景识别方法及设备。
背景技术
随着计算机技术、人工智能的不断发展，智能机器人的不断普及，场景识别已经成为计算机视觉的重要研究任务之一。当场景中包含的物体数量、种类比较多，有多种布局方式，出现遮挡、光照等情况时，都会给场景识别增加难度。现有的场景识别方法中，只是简单地将全局特征与局部特征不加区分地进行拼接，这样并不能有效的排除各种干扰因素，复杂场景下场景识别的准确率低。
发明内容
本申请实施例提供了一种场景识别方法及设备，可以解决现有场景识别方法中不能有效的排除各种干扰因素，复杂场景下场景识别的准确率低问题。
第一方面，本申请实施例提供了一种场景识别方法，包括：
获取待识别的场景图片；
从所述场景图片中提取整体特征，以及，从所述场景图片中提取显著图特征；
组合所述整体特征和所述显著图特征，得到所述场景图片的目标场景特征；
使用预设场景分类器对所述目标场景特征进行分类，得到所述场景图片对应的场景类型。
进一步地，所述从所述场景图片中提取整体特征，包括：
从所述场景图片中提取特征描述子；
根据预设字典对所述特征描述子进行编码，得到第一稀疏编码；
对所述第一稀疏编码进行最大池化处理，得到整体特征。
进一步地，所述从所述场景图片中提取显著图特征，包括：
根据预设显著物体识别神经网络模型从所述场景图片中识别出显著物体，得到所述显著物体对应的显著图；
根据预设物体识别检测模型对所述显著图进行判别检测，得到所述显著图中包含的物体类别；
获取所述显著图中的显著物体的物体分数，所述物体分数用于标识所述显著物体和所述第一稀疏编码之间的相关关系；
根据所述物体类别确定所述显著物体的判别类型，所述判别类型包括判别物体和非判别物体；
根据所述物体分数和所述第一稀疏编码确定所述判别物体的判别物体特征和所述非判别物体的非判别物体特征，并根据所述判别物体特征和所述非判别物体特征，确定所述显著图特征。
进一步地，所述根据所述物体分数和所述第一稀疏编码确定所述判别物体的判别物体特征和所述非判别物体的非判别物体特征，包括：
根据预设判别分析算法获取判别物体的权重参数和非判别物体的权重参数；
根据所述判别物体的权重参数、所述物体分数和所述第一稀疏编码，确定所述判别物体的判别物体特征；
根据所述非判别物体的权重参数、所述物体分数和所述第一稀疏编码，确定所述非判别物体的非判别物体特征。
进一步地，所述根据预设判别分析算法获取判别物体的权重参数和非判别物体的权重参数，包括：
获取第一距离度量和第二距离度量；所述第一距离度量为所有第一目标距离的和，所述第一目标距离为所述判别物体的特征与其相邻的判别物体的特征之间的距离；所述第二距离度量为所有第二目标距离的和，所述第二目标距离为所述判别物体的特征与其相邻的非判别物体的特征之间的距离；
根据所述第一距离度量和所述第二距离度量确定特征分离信息；
在预设权重参数范围内确定使所述特征分离信息最大的判别物体的权重参数和非判别物体的权重参数。
进一步地，所述根据所述物体类别确定所述显著物体的判别类型，包括：
统计预设样本集中目标场景出现的第一次数，以及所述显著物体的在所述目标场景中出现的第二次数；
若所述第二次数和所述第一次数的比值小于或者等于预设噪声阈值，则判定所述显著物体为非判别物体；
若所述第二次数和所述第一次数的比值大于所述预设噪声阈值，则判定所述显著物体为判别物体。
进一步地，所述获取所述显著图中的显著物体的物体分数，包括：
获取所述显著图中的显著物体对应的面积；
根据预设计算规则和所述面积，计算所述显著图中的显著物体的物体分数。
进一步地，在所述使用预设场景分类器对所述目标场景特征进行分类，得到所述场景图片对应的场景类型之前，还包括：
获取样本训练集；所述样本训练集包括样本场景特征及其对应的场景类型；
通过所述样本训练集对预设分类器进行训练，得到用于识别所述场景图片对应的场景类型的预设场景分类器。
进一步地，所述组合所述整体特征和所述显著图特征，得到所述场景图片的目标场景特征，包括：
对所述显著图特征进行归一化处理，得到归一化显著图特征；
将所述整体特征与所述归一化显著图特征进行拼接，得到所述场景图片的目标场景特征。
第二方面，本申请实施例提供了一种场景识别装置，包括：
第一获取单元，用于获取待识别的场景图片；
提取单元，用于从所述场景图片中提取整体特征，以及，从所述场景图片中提取显著图特征；
第一处理单元，用于组合所述整体特征和所述显著图特征，得到所述场景图片的目标场景特征；
第二处理单元，用于使用预设场景分类器对所述目标场景特征进行分类，得到所述场景图片对应的场景类型。
进一步地，所述提取单元，具体用于：
从所述场景图片中提取特征描述子；
根据预设字典对所述特征描述子进行编码，得到第一稀疏编码；
对所述第一稀疏编码进行最大池化处理，得到整体特征。
进一步地，所述提取单元，具体用于：
根据预设显著物体识别神经网络模型从所述场景图片中识别出显著物体，得到所述显著物体对应的显著图；
根据预设物体识别检测模型对所述显著图进行判别检测，得到所述显著图中包含的物体类别；
获取所述显著图中的显著物体的物体分数，所述物体分数用于标识所述显著物体和所述第一稀疏编码之间的相关关系；
根据所述物体类别确定所述显著物体的判别类型，所述判别类型包括判别物体和非判别物体；
根据所述物体分数和所述第一稀疏编码确定所述判别物体的判别物体特征和所述非判别物体的非判别物体特征，并根据所述判别物体特征和所述非判别物体特征，确定所述显著图特征。
进一步地，所述提取单元，具体用于：
根据预设判别分析算法获取判别物体的权重参数和非判别物体的权重参数；
根据所述判别物体的权重参数、所述物体分数和所述第一稀疏编码，确定所述判别物体的判别物体特征；
根据所述非判别物体的权重参数、所述物体分数和所述第一稀疏编码，确定所述非判别物体的非判别物体特征。
进一步地，所述提取单元，具体用于：
获取第一距离度量和第二距离度量；所述第一距离度量为所有第一目标距离的和，所述第一目标距离为所述判别物体的特征与其相邻的判别物体的特征之间的距离；所述第二距离度量为所有第二目标距离的和，所述第二目标距离为所述判别物体的特征与其相邻的非判别物体的特征之间的距离；
根据所述第一距离度量和所述第二距离度量确定特征分离信息；
在预设权重参数范围内确定使所述特征分离信息最大的判别物体的权重参数和非判别物体的权重参数。
进一步地，所述提取单元，具体用于：
统计预设样本集中目标场景出现的第一次数，以及所述显著物体的在所述目标场景中出现的第二次数；
若所述第二次数和所述第一次数的比值小于或者等于预设噪声阈值，则判定所述显著物体为非判别物体；
若所述第二次数和所述第一次数的比值大于所述预设噪声阈值，则判定所述显著物体为判别物体。
进一步地，所述提取单元，具体用于：
获取所述显著图中的显著物体对应的面积；
根据预设计算规则和所述面积，计算所述显著图中的显著物体的物体分数。
进一步地，所述场景识别装置，还包括：
第二获取单元，用于获取样本训练集；所述样本训练集包括样本场景特征及其对应的场景类型；
训练单元，用于通过所述样本训练集对预设分类器进行训练，得到用于识别所述场景图片对应的场景类型的预设场景分类器。
进一步地，所述第一处理单元，具体用于：
对所述显著图特征进行归一化处理，得到归一化显著图特征；
将所述整体特征与所述归一化显著图特征进行拼接，得到所述场景图片的目标场景特征。
第三方面，本申请实施例提供了一种场景识别设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的场景识别方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的场景识别方法。
本申请实施例与现有技术相比存在的有益效果是：获取待识别的场景图片，从场景图片中提取整体特征，以及，从场景图片中提取显著图特征，组合整体特征和显著图特征，得到场景图片的目标场景特征；再使用预设场景分类器对目标场景特征进行分类，得到场景图片对应的场景类型。上述方案，组合整体特征和显著图特征，得到场景图片的目标场景特征，更加关注于场景图片中的显著物体，能有效的排除各种干扰因素，从而提升了室内场景识别准确率，并且可以更好的适应复杂环境，准确的对复杂环境进行识别。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，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是本申请第一实施例提供的一种场景识别方法的示意流程图；
图2是本申请第一实施例提供的一种场景识别方法中S1021～S1023的示意流程图；
图3是本申请第一实施例提供的一种场景识别方法中S1024～S1028的示意流程图；
图4是本申请第一实施例提供的一种场景识别方法中S10281～S10283的示意流程图；
图5是本申请第二实施例提供的场景识别装置的示意图；
图6是本申请第三实施例提供的场景识别设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
随着计算机技术、人工智能的不断发展，智能机器人的不断普及，场景识别已经成为计算机视觉的重要研究任务之一。解决室内场景识别准确率不高的问题将有助于人机交互、智能机器人、智能视频监控等领域的应用，而且场景识别被认为是图片、视频检索等计算机视觉任务的先验知识。不同于室外场景通常物体类别较为集中单一，室内场景识别更加具有挑战。不同场景可包含的场景物体数量较多，种类多样，有多样的布局，有遮挡、光照不同及尺度不同的难点，并且存在语意模糊的特点，即类间差异小类内差异大，使室内场景识别变得更加复杂。
近年来，传统场景识别方法通常可以分为三个步骤，图片预处理、特征提取和分类器分类。在场景识别中，普遍使用的特征提取方法有尺度不变特征变换(Scale-invariantFeature Transform,SIFT)、加速鲁棒特征(Speeded-Up Robust Features,SURF)、梯度方向直方图(Histogram of Oriented Gradient,HOG)、子类判别分析(SubclassDiscriminant Analysis,SDA)；比较流行的分类方法有视觉词袋模型(Bag of visualWord,BoW)，但是由于其是一种无序特征表示，缺少物体空间位置关系的特征，该方法提出了空间金字塔匹配(Spatial Pyramid Matching，SPM)来改进BoW，但是SPM是硬视觉编码，容易产生重建误差；此后，又有人提出了用稀疏编码(Sparse Coding)策略来学习视觉词典，用稀疏编码来对图片进行编码，再使用最大池化(Max Pooling)的方法表示图像特征，称为稀疏空间金字塔匹配(Sparse coding Spatial Pyramid Matching,ScSPM)，一定程度上解决了SPM的问题；有人对ScSPM进行了改进，提出了局域性约束线性编码(Locality-constrained Linear Coding,LLC)，引入了局部性约束，不仅需要满足稀疏编码，还需要使非零系数赋值给临近的字典。分类方法可以是通过稀疏表示的残差项进行分类，也有将稀疏表示的特征用支持向量机(Support Vector Machine，SVM)，K最近邻算法(K-NearestNeighbors,KNN)等分类器进行分类。此后，又提出了一种结合深度学习与稀疏表示的室内场景识别方法，利用Fast-RCNN对图片进行物体检测和识别，构建图片的底层特征，再利用词袋模型将底层特征和空间特征结合得到中层特征，构建中层特征的稀疏字典，对测试样本进行稀疏表示，根据残差的大小判断测试样本所属的类别；段勇等人通过提取机器人工作场景图片中的SIFT特征使用视觉词袋模型进行场景分类，并使用深度神经网络进行场景识别，然后将这两种方法的预测结果合并成新的特征向量进行最后的分类；此后又提出了基于深度学习的融合全局特征和局部物品信息的家庭室内场景识别方法，但是，其只是简单地将全局特征与局部特征不加区分地进行拼接。这些方法没有考虑到场景中不同物体对场景识别的作用是不一样的。
所以，基于以上背景，本申请提出了一种场景识别方法，本申请中的场景识别方法考虑到了场景中不同物体对于场景识别的作用是不一样的，在识别时，采用整体特征和局部特征进行拼接，得到更准确的目标场景特征，从而实现复杂环境下的场景识别。
请参见图1，图1是本申请第一实施例提供的一种场景识别方法的示意流程图。本实施例中一种场景识别方法的执行主体为具有场景识别功能的设备，例如，移动设备、服务器、机器人等等。如图1所示的场景识别方法可以包括：
S101：获取待识别的场景图片。
设备检测到场景识别指令时，获取待识别的场景图片。设备获取待识别的场景图片的方式此处并不做限定，可以是通过具有摄像功能的设备拍摄后发送至本设备，也可以是本设备自身具备拍摄功能可以获取到待识别的场景图片，例如，安装了摄像模组的机器人可以通过自身的拍照功能，直接获取到待识别的场景图片。
S102：从所述场景图片中提取整体特征，以及，从所述场景图片中提取显著图特征。
设备从场景图片中提取整体特征，其中，整体特征即为将场景图片视为一个整体进行特征提取，得到的特征，可以直接就场景图片整体进行最大池化，提取到整体特征。
设备从场景图片中提取显著图特征，显著图特征是从场景图像中获取到的显著图的特征。显著图特征主要是局部特征，采用显著图特征主要是为了更好的获取到可以表征场景信息的特征。
具体地说，为了准确的提取到整体特征，如图2所示，从场景图片中提取整体特征可以采用S1021～S1023所述的方法，S1021～S1023具体如下：
S1021：从所述场景图片中提取特征描述子。
在本实施例中，设备可以先从场景图片中提取特征描述子，对于提取特征描述子的算法不做限制，可以采用SIFT特征进行提取。SIFT特征(Scale invariant featuretransform)是一种局部特征检测的方法，该算法可以搜索出图像中的特征点，并且对特征点计算出一个128维的特征描述子，该算法具有尺度不变性，旋转不变性等特征，并且一定程度上不会受到光照的影响。
S1022：根据预设字典对所述特征描述子进行编码，得到第一稀疏编码。
设备中存储预设字典，预设字典实际上就是一组基，也就是线代中的一组向量，其中，预设字典可以为设备提前训练好的，字典训练，即利用训练样本通过最小化代价函数得到字典(也称为基等)，也可称为特征学习。
本实施例中，可以采用字典B作为预设字典，字典B由一组线性独立的基矢量组成，这些基能够构建整个矢量空间，即空间中任意矢量s都可以通过这组基的线性组合进行重构。
预设字典用于对特征描述子进行编码，设备根据预设字典对特征描述子进行编码，即利用预设字典再次最小化代价函数，得到第一稀疏编码。也就是说，本质上是进行稀疏表示，可以基于局域性约束线性编码(Locality-constrained Linear Coding，LLC)进行稀疏表示，进行编码，得到第一稀疏编码。
S1023：对所述第一稀疏编码进行最大池化处理，得到整体特征。
设备对第一稀疏编码进行最大池化处理，得到整体特征。具体来说，整体特征为
Figure BDA0002784410640000111
用fi表示特征描述子，
Figure BDA0002784410640000112
表示在第i个位置pi(i＝1,2,…,N)的fi对应的第一稀疏编码。x的第k个元素x(k)(k＝1,2,…,K)是第一稀疏编码通过最大池化后得到的最大值：
Figure BDA0002784410640000113
这里，
Figure BDA0002784410640000114
是池化所作用的区域。在最大池化方法中，x的第k个元素由第k个第一稀疏编码中的最大值决定。一般情况下，
Figure BDA0002784410640000115
是长方形区域，
Figure BDA0002784410640000116
是第k个第一稀疏编码。
在S1021～S1023基础上，为了使最后得到的目标场景特征可以更好的表征物体的信心，设备可以采用以下方式从场景图片中提取显著图特征，如图3所示，从场景图片中提取显著图特征可以采用S1024～S1028所述的方法，S1024～S1028具体如下：
S1024：根据预设显著物体识别神经网络模型从所述场景图片中识别出显著物体，得到所述显著物体对应的显著图。
在本实施例中，更关注物体的局部的特征，通过提取显著图的方式，来聚焦局部。所以，设备中预存了预设显著物体识别神经网络模型，其中，预设显著物体识别神经网络模型可以由设备预先训练，也可以由其他设备预先训练。
预设显著物体识别神经网络模型是通过使用机器学习算法对样本进行训练得到，在训练中，预设显著物体识别神经网络模型的输入为样本场景图片及其对应的显著图标签，预设显著物体识别神经网络模型的输出为样本场景图片的显著图信息。
其中，在选取样本场景图片时，应当挑选一些布局复杂的场景，例如室内场，可以选择典型的MIT室内场景库。样本训练集中的样本的数量，可以根据实际情况进行设置，在一定程度上来说，训练的样本数量越多，使用训练得到的预设场景分类器进行分类时，得出的结果越准确。在训练之前，可以对样本场景图片进行尺寸统一处理，保证训练结果。
其中，预设显著物体识别神经网络模型可以包括输入层、隐藏层、损失函数层(输出层)。隐藏层包括两个以上的隐含层节点，输入层包括一个输入层节点，用于从外部接收输入的样本场景图片及其对应的显著图标签。隐含层用于对样本场景图片进行处理，识别出显著物体。输出层用于输出样本场景图片的显著图信息。
设备将场景图片输入预设显著物体识别神经网络模型，识别出显著物体，得到所述显著物体对应的显著图。
S1025：根据预设物体识别检测模型对所述显著图进行判别检测，得到所述显著图中包含的物体类别。
设备中预存了预设物体识别检测模型，其中，预设物体识别检测模型可以由设备预先训练，也可以由其他设备预先训练。
其中，预设物体识别检测模型是利用FasterR-CNN算法进行训练的，在训练过程中，预设物体识别检测模型的输入为样本显著图及其对应的物体类别标签，预设物体识别检测模型的输出为样本显著图的物体类别信息。
设备根据预设物体识别检测模型对显著图进行判别检测，得到显著图中包含的物体类别。
S1026：获取所述显著图中的显著物体的物体分数，所述物体分数用于标识所述显著物体和所述第一稀疏编码之间的相关关系。
在本实施例中，从场景图片中分割出了显著图，并且识别出了显著图对应的物体类别。由于不同的物体在场景图片中的显著性和判别性是不同的，所以，在本实施例中，为了使得最后获取的显著图特征能够更好的表征物体信息，采用了加权的软池化方法。
设备获取显著图中的显著物体的物体分数，其中，物体分数用于标识所述显著物体和所述第一稀疏编码之间的相关关系，即，在后续软池化中，物体分数起到了一个权重的作用，增加了物体区域中的编码被选中的概率。
设备可以通过计算第i个位置pi对应显著物体的显著平均分得到第i个位置的物体分数。
具体来说，设备获取显著图中的显著物体对应的面积，即获取第i个位置pi对应的显著物体区域的面积。设备中存储预设计算规则，用于计算物体分数，根据预设计算规则和面积，计算显著图中的显著物体的物体分数。预设计算规则可以为：
Figure BDA0002784410640000131
其中，S(m)表示pi对应物体区域的面积，Sobj(pi)表示了物体与ci的相关关系，即物体分数，Ms(p)表示了显著图。
S1027：根据所述物体类别确定所述显著物体的判别类型，所述判别类型包括判别物体和非判别物体。
场景图片中的不同种类的显著物体对于场景判别所起的作用是不一样的，比如，有人的场景，人很可能成为显著物体，但是其对于场景判别起不到作用。所以，需要对显著物体进行判断，判断显著物体的是判别物体还是非判别物体。设备可以根据物体类别确定显著物体的判别类型，判别类型包括判别物体和非判别物体。对于判别方法此处不做限定，可以根据预设的判别模型进行判断，也可以根据物体类别与判别类型的对应关系进行判断。
一种实施方式中，设备可以通过对预设样本集中的数据进行统计，通过设置噪声阈值来判断显著物体的判别类型。设备统计预设样本集中目标场景出现的第一次数，以及显著物体的在目标场景中出现的第二次数；若第二次数和第一次数的比值小于或者等于预设噪声阈值，则判定显著物体为非判别物体；若第二次数和第一次数的比值大于预设噪声阈值，则判定显著物体为判别物体。
举例来说，这里可以对显著物体进行标号，即添加索引，可以使用如下的函数得到最大索引：
Figure BDA0002784410640000141
得到索引后，设备统计第i种场景在训练集中出现的次数
Figure BDA0002784410640000142
第j种显著物体在第i种室内场景中出现的次数计为
Figure BDA0002784410640000143
其中，一张样本场景图片中每种物体出现次数最多计1次，设定预设噪声阈值
Figure BDA0002784410640000144
如果
Figure BDA0002784410640000145
将其视为非判别物体，否则为判别物体。
S1028：根据所述物体分数和所述第一稀疏编码确定所述判别物体的判别物体特征和所述非判别物体的非判别物体特征，并根据所述判别物体特征和所述非判别物体特征，确定所述显著图特征。
设备根据物体分数和第一稀疏编码确定判别物体的判别物体特征和非判别物体的非判别物体特征。具体来说，设备中可以预先设置计算规则，根据物体分数和第一稀疏编码来计算判别物体特征和非判别物体特征。设备根据判别物体特征和非判别物体特征，确定显著图特征，即当显著图中的显著物体为判别物体时，可以根据判别物体特征确定显著图特征；当显著图中的显著物体为非判别物体时，可以根据非判别物体特征确定显著图特征。
一种实施方式中，根据所述物体分数和所述第一稀疏编码确定所述判别物体的判别物体特征和所述非判别物体的非判别物体特征，可以采用S10281～S10283所述的方法，如图4所示，S10281～S10283具体如下：
S10281：根据预设判别分析算法获取判别物体的权重参数和非判别物体的权重参数。
设备获取根据预设判别分析算法获取判别物体的权重参数和非判别物体的权重参数。设备中预设了预设判别分析算法，用于确定判别物体的权重参数和非判别物体的权重参数。其中，判别物体的权重参数和非判别物体的权重参数是用来调整权重大小的，即调整物体分数Sobj(pi)。设αdis,αindis分别为判别物体的权重参数和非判别物体的权重参数，
Figure BDA0002784410640000151
分别为调整后的判别物体的权重和调整后的非判别物体的权重。由于Sobj(pi)在[0,1]范围内，增大αindis，使非判别物体或者显著分数小的区域作为噪声区域被去除，减小αdis强调显著分数小但是为判别物体的区域，使其成为目标物体区域。
为了找到合适的判别物体的权重参数和非判别物体的权重参数，下面具体说明一下根据预设判别分析算法确定判别物体的权重参数和非判别物体的权重参数的过程。设备获取第一距离度量和第二距离度量，其中，第一距离度量为第一目标距离的和，第一目标距离为判别物体的特征与其相邻的判别物体的特征之间的距离，第二距离度量为所有第二目标距离的和，第二目标距离为判别物体的特征与其相邻的非判别物体的特征之间的距离。根据第一距离度量和第二距离度量确定特征分离信息；在预设权重参数范围内确定使特征分离信息最大的判别物体的权重参数和非判别物体的权重参数。
举例来说，其中，第一距离度量即为判别物体内距离，第二距离度量即为判别与非判别物体间距离，可以通过如下公式来表示：
Figure BDA0002784410640000152
Figure BDA0002784410640000153
其中，i表示图片中所有判别物体的特征表示，所有判别物体特征与其最相邻的n个判别物体特征
Figure BDA0002784410640000154
的距离之和为判别物体内距离Dwithin(αdis,αindis)。所有判别物体特征与其最相邻的n个非判别物体特征
Figure BDA0002784410640000155
的距离之和为判别与非判别物体间距离Dbetween(αdis,αindis)。我们用这两个度量的商表示的分离性，我们寻找使得分离性最大的αdis,αindis。
Figure BDA0002784410640000156
限制αdis,αindis位于范围[αdis_min,αdis_max],[αindis_min,αindis_max]，在此范围内使用随机搜索得到αsis,αindis的最优解。
S10282：根据所述判别物体的权重参数、所述物体分数和所述第一稀疏编码，确定所述判别物体的判别物体特征。
设备根据判别物体的权重参数、物体分数和第一稀疏编码，确定判别物体的判别物体特征，具体如下：
Figure BDA0002784410640000161
其中，Sobj(pi)为物体分数，
Figure BDA0002784410640000162
为调整后的判别物体的权重，
Figure BDA0002784410640000163
为判别物体的判别物体特征，
Figure BDA0002784410640000164
是第k个第一稀疏编码。
S10283：根据所述非判别物体的权重参数、所述物体分数和所述第一稀疏编码，确定所述非判别物体的非判别物体特征。
设备根据非判别物体的权重参数、物体分数和第一稀疏编码，确定非判别物体的非判别物体特征，具体如下：
Figure BDA0002784410640000165
其中，Sobj(pi)为物体分数，
Figure BDA0002784410640000166
为调整后的非判别物体的权重，
Figure BDA0002784410640000167
为非判别物体的非判别物体特征，
Figure BDA0002784410640000168
是第k个第一稀疏编码。
S103：组合所述整体特征和所述显著图特征，得到所述场景图片的目标场景特征。
设备组合整体特征和显著图特征，得到场景图片的目标场景特征。
进一步地，为了减少误差，设备可以对显著图特征进行归一化处理，得到归一化显著图特征；将整体特征与归一化显著图特征进行拼接，得到场景图片的目标场景特征。
S104：使用预设场景分类器对所述目标场景特征进行分类，得到所述场景图片对应的场景类型。
设备中可以预先训练好预设场景分类器，也可以从其他设备中调用预先训练好的预设场景分类器。设备使用预设场景分类器对目标场景特征进行分类，得到场景图片对应的场景类型。
其中，当设备自行训练预设场景分类器时，预设场景分类器的可以采用以下的方法进行训练：获取样本训练集；样本训练集包括样本场景特征及其对应的场景类型。样本训练集中的样本的数量，可以根据实际情况进行设置，在一定程度上来说，训练的样本数量越多，使用训练得到的预设场景分类器进行分类时，得出的结果越准确。通过样本训练集对预设分类器进行训练，得到用于识别场景图片对应的场景类型的预设场景分类器。
本申请实施例与现有技术相比存在的有益效果是：获取待识别的场景图片，从场景图片中提取整体特征，以及，从场景图片中提取显著图特征，组合整体特征和显著图特征，得到场景图片的目标场景特征；再使用预设场景分类器对目标场景特征进行分类，得到场景图片对应的场景类型。上述方案，组合整体特征和显著图特征，得到场景图片的目标场景特征，更加关注于场景图片中的显著物体，能有效的排除各种干扰因素，从而提升了室内场景识别准确率，并且可以更好的适应复杂环境，准确的对复杂环境进行识别。
此外，本实施例中害根据显著图对不同物体计算显著分数来辅助寻找编码中的索引及辅助计算加权图像特征表示向量，并通过统计数据集中不同物体在不同场景中出现的概率得到判别物体和非判别物体，减小非判别对象特征表示的权重来使图像特征表示不仅仅含有空间信息还含有带区分度的物体信息，这种比简单的长方形网格更高层的知识，并且更加关注于图片中的显著物体和判别物体，减少背景信息的干扰来提升室内场景识别准确率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
请参见图5，图5是本申请第二实施例提供的场景识别装置的示意图。包括的各单元用于执行图1～图4对应的实施例中的各步骤。具体请参阅图1～图3各自对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图5，场景识别装置5包括：
第一获取单元510，用于获取待识别的场景图片；
提取单元520，用于从所述场景图片中提取整体特征，以及，从所述场景图片中提取显著图特征；
第一处理单元530，用于组合所述整体特征和所述显著图特征，得到所述场景图片的目标场景特征；
第二处理单元550，用于使用预设场景分类器对所述目标场景特征进行分类，得到所述场景图片对应的场景类型。
进一步地，所述提取单元520，具体用于：
从所述场景图片中提取特征描述子；
根据预设字典对所述特征描述子进行编码，得到第一稀疏编码；
对所述第一稀疏编码进行最大池化处理，得到整体特征。
进一步地，所述提取单元520，具体用于：
根据预设显著物体识别神经网络模型从所述场景图片中识别出显著物体，得到所述显著物体对应的显著图；
根据预设物体识别检测模型对所述显著图进行判别检测，得到所述显著图中包含的物体类别；
获取所述显著图中的显著物体的物体分数，所述物体分数用于标识所述显著物体和所述第一稀疏编码之间的相关关系；
根据所述物体类别确定所述显著物体的判别类型，所述判别类型包括判别物体和非判别物体；
根据所述物体分数和所述第一稀疏编码确定所述判别物体的判别物体特征和所述非判别物体的非判别物体特征，并根据所述判别物体特征和所述非判别物体特征，确定所述显著图特征。
进一步地，所述提取单元，具体用于：
根据预设判别分析算法获取判别物体的权重参数和非判别物体的权重参数；
根据所述判别物体的权重参数、所述物体分数和所述第一稀疏编码，确定所述判别物体的判别物体特征；
根据所述非判别物体的权重参数、所述物体分数和所述第一稀疏编码，确定所述非判别物体的非判别物体特征。
进一步地，所述提取单元520，具体用于：
获取第一距离度量和第二距离度量；所述第一距离度量为所有第一目标距离的和，所述第一目标距离为所述判别物体的特征与其相邻的判别物体的特征之间的距离；所述第二距离度量为所有第二目标距离的和，所述第二目标距离为所述判别物体的特征与其相邻的非判别物体的特征之间的距离；
根据所述第一距离度量和所述第二距离度量确定特征分离信息；
在预设权重参数范围内确定使所述特征分离信息最大的判别物体的权重参数和非判别物体的权重参数。
进一步地，所述提取单元520，具体用于：
统计预设样本集中目标场景出现的第一次数，以及所述显著物体的在所述目标场景中出现的第二次数；
若所述第二次数和所述第一次数的比值小于或者等于预设噪声阈值，则判定所述显著物体为非判别物体；
若所述第二次数和所述第一次数的比值大于所述预设噪声阈值，则判定所述显著物体为判别物体。
进一步地，所述提取单元520，具体用于：
获取所述显著图中的显著物体对应的面积；
根据预设计算规则和所述面积，计算所述显著图中的显著物体的物体分数。
进一步地，所述场景识别装置5，还包括：
第二获取单元，用于获取样本训练集；所述样本训练集包括样本场景特征及其对应的场景类型；
训练单元，用于通过所述样本训练集对预设分类器进行训练，得到用于识别所述场景图片对应的场景类型的预设场景分类器。
进一步地，所述第一处理单元530，具体用于：
对所述显著图特征进行归一化处理，得到归一化显著图特征；
将所述整体特征与所述归一化显著图特征进行拼接，得到所述场景图片的目标场景特征。
图6是本申请第三实施例提供的场景识别设备的示意图。如图6所示，该实施例的场景识别设备6包括：处理器60、存储器61以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62，例如场景识别程序。所述处理器60执行所述计算机程序62时实现上述各个场景识别方法实施例中的步骤，例如图1所示的步骤101至104。或者，所述处理器60执行所述计算机程序62时实现上述各装置实施例中各模块/单元的功能，例如图5所示模块510至540的功能。
示例性的，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述场景识别设备6中的执行过程。例如，所述计算机程序62可以被分割成第一获取单元、提取单元、第一处理单元、第二处理单元，各单元具体功能如下：
第一获取单元，用于获取待识别的场景图片；
提取单元，用于从所述场景图片中提取整体特征，以及，从所述场景图片中提取显著图特征；
第一处理单元，用于组合所述整体特征和所述显著图特征，得到所述场景图片的目标场景特征；
第二处理单元，用于使用预设场景分类器对所述目标场景特征进行分类，得到所述场景图片对应的场景类型。
所述场景识别设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是场景识别设备6的示例，并不构成对场景识别设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述场景识别设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述场景识别设备6的内部存储单元，例如场景识别设备6的硬盘或内存。所述存储器61也可以是所述场景识别设备6的外部存储设备，例如所述场景识别设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述场景识别设备6还可以既包括所述场景识别设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述场景识别设备所需的其他程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种网络设备，该网络设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (11)

1.一种场景识别方法，其特征在于，包括：
获取待识别的场景图片；
从所述场景图片中提取整体特征，以及，从所述场景图片中提取显著图特征；
组合所述整体特征和所述显著图特征，得到所述场景图片的目标场景特征；
使用预设场景分类器对所述目标场景特征进行分类，得到所述场景图片对应的场景类型。
2.如权利要求1所述的场景识别方法，其特征在于，所述从所述场景图片中提取整体特征，包括：
从所述场景图片中提取特征描述子；
根据预设字典对所述特征描述子进行编码，得到第一稀疏编码；
对所述第一稀疏编码进行最大池化处理，得到整体特征。
3.如权利要求2所述的场景识别方法，其特征在于，所述从所述场景图片中提取显著图特征，包括：
根据预设显著物体识别神经网络模型从所述场景图片中识别出显著物体，得到所述显著物体对应的显著图；
根据预设物体识别检测模型对所述显著图进行判别检测，得到所述显著图中包含的物体类别；
获取所述显著图中的显著物体的物体分数，所述物体分数用于标识所述显著物体和所述第一稀疏编码之间的相关关系；
根据所述物体类别确定所述显著物体的判别类型，所述判别类型包括判别物体和非判别物体；
根据所述物体分数和所述第一稀疏编码确定所述判别物体的判别物体特征和所述非判别物体的非判别物体特征，并根据所述判别物体特征和所述非判别物体特征，确定所述显著图特征。
4.如权利要求3所述的场景识别方法，其特征在于，所述根据所述物体分数和所述第一稀疏编码确定所述判别物体的判别物体特征和所述非判别物体的非判别物体特征，包括：
根据预设判别分析算法获取判别物体的权重参数和非判别物体的权重参数；
根据所述判别物体的权重参数、所述物体分数和所述第一稀疏编码，确定所述判别物体的判别物体特征；
根据所述非判别物体的权重参数、所述物体分数和所述第一稀疏编码，确定所述非判别物体的非判别物体特征。
5.如权利要求4所述的场景识别方法，其特征在于，所述根据预设判别分析算法获取判别物体的权重参数和非判别物体的权重参数，包括：
获取第一距离度量和第二距离度量；所述第一距离度量为所有第一目标距离的和，所述第一目标距离为所述判别物体的特征与其相邻的判别物体的特征之间的距离；所述第二距离度量为所有第二目标距离的和，所述第二目标距离为所述判别物体的特征与其相邻的非判别物体的特征之间的距离；
根据所述第一距离度量和所述第二距离度量确定特征分离信息；
在预设权重参数范围内确定使所述特征分离信息最大的判别物体的权重参数和非判别物体的权重参数。
6.如权利要求3所述的场景识别方法，其特征在于，所述根据所述物体类别确定所述显著物体的判别类型，包括：
统计预设样本集中目标场景出现的第一次数，以及所述显著物体的在所述目标场景中出现的第二次数；
若所述第二次数和所述第一次数的比值小于或者等于预设噪声阈值，则判定所述显著物体为非判别物体；
若所述第二次数和所述第一次数的比值大于所述预设噪声阈值，则判定所述显著物体为判别物体。
7.如权利要求3所述的场景识别方法，其特征在于，所述获取所述显著图中的显著物体的物体分数，包括：
获取所述显著图中的显著物体对应的面积；
根据预设计算规则和所述面积，计算所述显著图中的显著物体的物体分数。
8.如权利要求1所述的场景识别方法，其特征在于，在所述使用预设场景分类器对所述目标场景特征进行分类，得到所述场景图片对应的场景类型之前，还包括：
获取样本训练集；所述样本训练集包括样本场景特征及其对应的场景类型；
通过所述样本训练集对预设分类器进行训练，得到用于识别所述场景图片对应的场景类型的预设场景分类器。
9.如权利要求1所述的场景识别方法，其特征在于，所述组合所述整体特征和所述显著图特征，得到所述场景图片的目标场景特征，包括：
对所述显著图特征进行归一化处理，得到归一化显著图特征；
将所述整体特征与所述归一化显著图特征进行拼接，得到所述场景图片的目标场景特征。
10.一种场景识别设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至9任一项所述的方法。
11.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至9任一项所述的方法。
CN202011293100.XA 2020-11-18 2020-11-18 一种场景识别方法及设备 Active CN112507805B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011293100.XA CN112507805B (zh) 2020-11-18 2020-11-18 一种场景识别方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011293100.XA CN112507805B (zh) 2020-11-18 2020-11-18 一种场景识别方法及设备

Publications (2)

Publication Number Publication Date
CN112507805A true CN112507805A (zh) 2021-03-16
CN112507805B CN112507805B (zh) 2024-06-21

Family

ID=74956790

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011293100.XA Active CN112507805B (zh) 2020-11-18 2020-11-18 一种场景识别方法及设备

Country Status (1)

Country Link
CN (1) CN112507805B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069481A (zh) * 2015-08-19 2015-11-18 西安电子科技大学 基于空间金字塔稀疏编码的自然场景多标记分类方法
CN105389550A (zh) * 2015-10-29 2016-03-09 北京航空航天大学 一种基于稀疏指引与显著驱动的遥感目标检测方法
GB201615006D0 (en) * 2016-09-05 2016-10-19 Nokia Technologies Oy Salient object detection
CN109165682A (zh) * 2018-08-10 2019-01-08 中国地质大学（武汉） 一种融合深度特征和显著性特征的遥感图像场景分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069481A (zh) * 2015-08-19 2015-11-18 西安电子科技大学 基于空间金字塔稀疏编码的自然场景多标记分类方法
CN105389550A (zh) * 2015-10-29 2016-03-09 北京航空航天大学 一种基于稀疏指引与显著驱动的遥感目标检测方法
GB201615006D0 (en) * 2016-09-05 2016-10-19 Nokia Technologies Oy Salient object detection
CN109165682A (zh) * 2018-08-10 2019-01-08 中国地质大学（武汉） 一种融合深度特征和显著性特征的遥感图像场景分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
严晗;刘佶鑫;龚建荣;: "典型室内场景显著性稀疏识别", 南京师大学报(自然科学版), no. 01, 20 March 2017 (2017-03-20) *
史静;朱虹;王栋;杜森;: "融合视觉感知特性的场景分类算法", 中国图象图形学报, no. 12, 16 December 2017 (2017-12-16) *

Also Published As

Publication number Publication date
CN112507805B (zh) 2024-06-21

Similar Documents

Publication Publication Date Title
CN110717554B (zh) 图像识别方法、电子设备及存储介质
CN112131978B (zh) 一种视频分类方法、装置、电子设备和存储介质
US10445602B2 (en) Apparatus and method for recognizing traffic signs
CN111709311A (zh) 一种基于多尺度卷积特征融合的行人重识别方法
Oliveira et al. On exploration of classifier ensemble synergism in pedestrian detection
CN107944431A (zh) 一种基于运动变化的智能识别方法
Elguebaly et al. Simultaneous high-dimensional clustering and feature selection using asymmetric Gaussian mixture models
CN113870254B (zh) 目标对象的检测方法、装置、电子设备及存储介质
Symeonidis et al. Neural attention-driven non-maximum suppression for person detection
Najibi et al. Towards the success rate of one: Real-time unconstrained salient object detection
KR101093107B1 (ko) 영상정보 분류방법 및 장치
Zheng et al. Attention assessment based on multi‐view classroom behaviour recognition
Huang et al. Person re-identification across multi-camera system based on local descriptors
Mondéjar-Guerra et al. Keypoint descriptor fusion with Dempster–Shafer theory
CN111027434A (zh) 一种行人识别模型的训练方法、装置及电子设备
Jabnoun et al. Visual scene prediction for blind people based on object recognition
CN112507805A (zh) 一种场景识别方法及设备
CN114927236A (zh) 一种面向多重目标图像的检测方法及系统
CN114462479A (zh) 模型训练方法、检索方法以及模型、设备和介质
Ştefan et al. Deep learning-based person search with visual attention embedding
Sykora et al. Comparison of Neural Networks with Feature Extraction Methods for Depth Map Classification
CN116052220B (zh) 行人重识别方法、装置、设备及介质
Gonçalves et al. Evaluation of traditional and deep learning human detection techniques applied to surveillance: A performance comparison at distinct object sizes
Das et al. An integrated method for multiple object detection and localization
CN116978060A (zh) 一种鸟类识别方法与系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: 518000 1701, building 2, Yinxing Zhijie, No. 1301-72, sightseeing Road, Xinlan community, Guanlan street, Longhua District, Shenzhen, Guangdong Province

Applicant after: Shenzhen Yinxing Intelligent Group Co.,Ltd.

Address before: 518000 building A1, Yinxing hi tech Industrial Park, Guanlan street, Longhua District, Shenzhen City, Guangdong Province

Applicant before: Shenzhen Silver Star Intelligent Technology Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant