CN112613508A - 一种物体识别方法、装置及设备 - Google Patents
一种物体识别方法、装置及设备 Download PDFInfo
- Publication number
- CN112613508A CN112613508A CN202011558197.2A CN202011558197A CN112613508A CN 112613508 A CN112613508 A CN 112613508A CN 202011558197 A CN202011558197 A CN 202011558197A CN 112613508 A CN112613508 A CN 112613508A
- Authority
- CN
- China
- Prior art keywords
- image frame
- neural network
- sample
- preset
- convolutional neural
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 32
- 230000011218 segmentation Effects 0.000 claims abstract description 32
- 238000010801 machine learning Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 55
- 238000004590 computer program Methods 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000010845 search algorithm Methods 0.000 claims description 10
- 238000003709 image segmentation Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 description 13
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于物体识别技术领域，提供了一种物体识别方法，包括：获取待识别图像；根据预设分割算法对所述待识别图像进行分割处理，得到至少一个图像框；通过卷积神经网络对所述图像框进行特征提取，得到所述图像框对应的物体特征；通过机器学习算法对所述物体特征进行识别，得到所述待识别图像所包含的物体的物体类别。上述方法，采用卷积神经网络对图像框进行特征提取，可以提取出图像框更深层次的特征，提高了物体识别的准确率。
Description
技术领域
本申请属于物体识别技术领域，尤其涉及一种物体识别方法、装置及设备。
背景技术
目前，传统的物体识别技术主要是获取一帧图像，然后把图片划分成不同大小的候选框图像，然后对候选框图像进行特征提取生成高纬向量，通过Adaboot、SVM等机器学习算法里面进行候选框图像分类，最终得到候选框图像的类别信息。但是，上述方法中，特征提取的能力有限，无法对特征进行更高层次的提取，这样导致进行物体识别时准确率偏低。
发明内容
本申请实施例提供了一种物体识别方法、装置及设备，可以解决现有的物体识别方法中特征提取的能力有限，无法对特征进行更高层次的提取，导致进行物体识别时准确率偏低的问题。
第一方面，本申请实施例提供了一种物体识别方法，包括：
获取待识别图像；
根据预设分割算法对所述待识别图像进行分割处理，得到至少一个图像框；
通过卷积神经网络对所述图像框进行特征提取，得到所述图像框对应的物体特征；
通过机器学习算法对所述物体特征进行识别，得到所述待识别图像所包含的物体的物体类别。
进一步地，所述卷积神经网络为mobilenet-ssd神经网络、yolov4-tiny神经网络或nanodet神经网络。
进一步地，所述预设分割算法为暴力搜索算法、Selective Search算法或基于边缘检测的图像分割算法。
进一步地，所述机器学习算法为支持向量机算法或Adaboot算法。
进一步地，所述卷积神经网络的训练过程包括：
获取预设的卷积神经网络，并且获取训练样本集；所述训练样本集包括样本图像框及其对应的物体特征标签；
将所述样本图像框输入至所述预设卷积神经网络轻量模型进行处理，得到所述样本图像框对应的样本物体特征；
根据预设损失函数获取所述样本图像框对应的样本物体特征和所述样本图像框对应的物体特征标签之间的差异信息；
若所述差异信息满足预设停止训练条件，则停止训练，将当前的所述预设卷积神经网络轻量模型作为用于输出图像框对应的物体特征的卷积神经网络；
若所述差异信息不满足所述第一预设停止训练条件，则调整预设参数，并返回所述将所述样本图像框输入至所述预设卷积神经网络轻量模型进行处理，得到所述样本图像框对应的样本物体特征。
进一步地，所述获取训练样本集，包括：
获取样本图像框及其对应的物体特征标签，并且获取所述样本图像框中物体的物体类别；
若所述物体类别对应的所述样本图像框的数量小于预设数量，则对所述样本图像框进行变换处理，得到样本图像框变换图像；
根据所述样本图像框及其对应的物体特征标签、所述样本图像框变换图像及其对应的物体特征标签，确定所述训练样本集。
第二方面，本申请实施例提供了一种物体识别装置，包括：
获取单元，用于获取待识别图像；
分割单元，用于根据预设分割算法对所述待识别图像进行分割处理，得到至少一个图像框；
提取单元，用于通过卷积神经网络对所述图像框进行特征提取，得到所述图像框对应的物体特征；
识别单元，用于通过机器学习算法对所述物体特征进行识别，得到所述待识别图像所包含的物体的物体类别。
进一步地，所述卷积神经网络为mobilenet-ssd神经网络、yolov4-tiny神经网络或nanodet神经网络。
进一步地，所述预设分割算法为暴力搜索算法、Selective Search算法或基于边缘检测的图像分割算法。
进一步地，所述机器学习算法为支持向量机算法或Adaboot算法。
进一步地，所述物体识别装置还包括，训练单元，具体用于：
获取预设的卷积神经网络，并且获取训练样本集；所述训练样本集包括样本图像框及其对应的物体特征标签；
将所述样本图像框输入至所述预设卷积神经网络轻量模型进行处理，得到所述样本图像框对应的样本物体特征；
根据预设损失函数获取所述样本图像框对应的样本物体特征和所述样本图像框对应的物体特征标签之间的差异信息；
若所述差异信息满足预设停止训练条件，则停止训练，将当前的所述预设卷积神经网络轻量模型作为用于输出图像框对应的物体特征的卷积神经网络；
若所述差异信息不满足所述第一预设停止训练条件，则调整预设参数，并返回所述将所述样本图像框输入至所述预设卷积神经网络轻量模型进行处理，得到所述样本图像框对应的样本物体特征。
进一步地，训练单元，具体用于：
获取样本图像框及其对应的物体特征标签，并且获取所述样本图像框中物体的物体类别；
若所述物体类别对应的所述样本图像框的数量小于预设数量，则对所述样本图像框进行变换处理，得到样本图像框变换图像；
根据所述样本图像框及其对应的物体特征标签、所述样本图像框变换图像及其对应的物体特征标签，确定所述训练样本集。
第三方面，本申请实施例提供了一种物体识别装置，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物体识别方法。
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物体识别方法。
本申请实施例中，获取待识别图像；根据预设分割算法对所述待识别图像进行分割处理，得到至少一个图像框；通过卷积神经网络对所述图像框进行特征提取，得到所述图像框对应的物体特征；通过机器学习算法对所述物体特征进行识别，得到所述待识别图像所包含的物体的物体类别。上述方法，采用卷积神经网络对图像框进行特征提取，可以提取出图像框更深层次的特征，提高了物体识别的准确率。
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物体识别方法的示意流程图；
图2是本申请第二实施例提供的物体识别装置的示意图；
图3是本申请第三实施例提供的物体识别设备的示意图。
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。
请参见图1，图1是本申请第一实施例提供的一种物体识别方法的示意流程图。本实施例中一种物体识别方法的执行主体为具有物体识别功能的设备，例如，服务器、个人电脑、手机、机器人等等。如图1所示的物体识别方法可以包括：
S101：获取待识别图像。
设备检测到图像识别指令时，获取待识别图像。设备获取待识别图像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图像，例如，安装了摄像模组的机器人可以通过自身的拍照功能，直接获取到待识别图像。
S102：根据预设分割算法对所述待识别图像进行分割处理，得到至少一个图像框。
设备中预先存储预设分割算法，设备根据预设分割算法对待识别图像进行分割处理，得到至少一个图像框。设备对待识别图像进行分割时，可以得到多个图像框，并且多个图像框的大小可以不一致。每个图像框中可以包括一种物体。
其中，预设分割算法可以为暴力搜索算法、Selective Search算法或基于边缘检测的图像分割算法，或者可以采用其他图像分割算法，此处不做限制。
S103：通过卷积神经网络对所述图像框进行特征提取，得到所述图像框对应的物体特征。
设备将图像框输入卷积神经网络，通过卷积神经网络对图相框进行特征提取，得到图像框对应的物体特征。
本实施例中，采用卷积神经网络进行特征提取，可以更有效的对图相框进行特征提取，可以对特征进行更高层侧的抽象，从而让后续的物体分类也更加的精准。
其中，如果该方法应用于机器人嵌入式平台，为了满足物体识别的实时性要求，所以卷积神经网络可以采用一些轻量型的网络。所以，卷积神经网络可以为mobilenet-ssd神经网络、yolov4-tiny神经网络或nanodet神经网络。
具体来说，卷积神经网络的训练过程可以包括：
获取预设的卷积神经网络，并且获取训练样本集；训练样本集包括样本图像框及其对应的物体特征标签。
可以理解是，训练样本集的样本数据的数量和类别越丰富，训练得到的卷积神经网络准确性就越高。例如，采集的样本图像框的物体特征标签可以是鞋子、袜子、电线、吧台凳底座、宠物、粪便等到，采集要保证每个物体特征标签的多样性与丰富性，要保证每个物体特征标签在不同场景下都有对应的采集数据，每个物体特征标签要保证3万张以上。
具体来说，在获取训练样本集时，获取样本图像框及其对应的物体特征标签，并且获取样本图像框中物体的物体类别；设备可以对获取到的样本图像框进行数据预处理，数据预处理可以包括数据清洗、数据增强、数据均衡。
数据清洗主要处理每个物体特征标签中标签错乱的样本图像框，将其挑出来放到正确的物体特征标签中去。
数据增强主要对一些数量较少的物体特征标签做增强，若物体类别对应的样本图像框的数量小于预设数量，则对样本图像框进行变换处理，得到样本图像框变换图像。变换处理此处不做限制，例如，可以随机对样本图像框进行左右翻转、随机裁剪、随机高斯噪音、随机亮度调整、颜色空间变换等等。
数据均衡主要是通过数据增强实现，对一些较少数量的物体特征标签进行增强，然后保证最终每个物体特征标签的数量在一个量级。
根据样本图像框及其对应的物体特征标签、样本图像框变换图像及其对应的物体特征标签，确定所述训练样本集。
设备获取训练样本集后，开始进行训练，训练的过程主要是先将样本图像框加载进内存、然后输入给预设的卷积神经网络、预设的卷积神经网络前向推断计算损失、损失反向更新预设的卷积神经网络权重、随着权重的不断更新、训练的损失也在不断下降，直到满足停止训练条件为止。
具体地说，将样本图像框输入至预设卷积神经网络轻量模型进行处理，得到样本图像框对应的样本物体特征；根据预设损失函数获取样本图像框对应的样本物体特征和样本图像框对应的物体特征标签之间的差异信息。
若差异信息满足预设停止训练条件，则停止训练，将当前的所述预设卷积神经网络轻量模型作为用于输出图像框对应的物体特征的卷积神经网络；若差异信息不满足第一预设停止训练条件，则调整预设参数，并返回将所述样本图像框输入至所述预设卷积神经网络轻量模型进行处理，得到样本图像框对应的样本物体特征。
一种实施方式中，还可以设置验证集，在训练过程中，验证集的准确率也在不断上升，直到训练的损失和验证集的准确率到达一个稳定值的时候停止训练。获取样本验证集；样本验证集包括样本验证图片及其对应的样本验证结果标签；根据当前的预设的卷积神经网络得到样本验证图片对应的识别结果，并根据样本验证图片对应的识别结果和样本验证结果标签确定样本验证集对应的准确率；若差异信息和准确率满足第二预设停止训练条件，则停止训练，将当前的预设卷积神经网络轻量模型作为物体识别模型；若差异信息和所述准确率不满足第二预设停止训练条件，则调整预设参数，并返回将所述样本图像输入至预设卷积神经网络轻量模型进行处理，得到样本图像对应的样本图像识别结果。
在训练过程中，调整的预设参数可以包括学习速率、学习速率时间表、每次输入所述预设卷积神经网络轻量模型的所述样本图像的数量、迭代训练的周期中的一种或者多种。
调整预设参数的目的主要是找到验证集上一个最优的准确率，经过几轮预设参数的微调之后，最终得到验证集上最优的准确率，即对应的最优模型。验证集准确率如果符合，则可以将该模型发送给机器人等嵌入式平台进行端上部署，否则返回重新确定样本训练集，保证验证集准确率符合要求。
S104：通过机器学习算法对所述物体特征进行识别，得到所述待识别图像所包含的物体的物体类别。
设备通过机器学习算法对物体特征进行识别，得到待识别图像所包含的物体的物体类别。由于该物体特征是通过卷积神经网络提取的，提取出的物体特征具有更高的层次，所以根据预设的机器学习算法可以更准确的得到待识别图像所包含的物体的物体类别。
其中，机器学习算法可以为支持向量机算法或Adaboot算法。
本申请实施例中，获取待识别图像；根据预设分割算法对所述待识别图像进行分割处理，得到至少一个图像框；通过卷积神经网络对所述图像框进行特征提取，得到所述图像框对应的物体特征；通过机器学习算法对所述物体特征进行识别，得到所述待识别图像所包含的物体的物体类别。上述方法，采用卷积神经网络对图像框进行特征提取，可以提取出图像框更深层次的特征，提高了物体识别的准确率。
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2，图2是本申请第二实施例提供的物体识别装置的示意图。包括的各单元用于执行图1对应的实施例中的各步骤。具体请参阅图1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2，物体识别装置2包括：
获取单元210，用于获取待识别图像；
分割单元220，用于根据预设分割算法对所述待识别图像进行分割处理，得到至少一个图像框；
提取单元230，用于通过卷积神经网络对所述图像框进行特征提取，得到所述图像框对应的物体特征；
识别单元240，用于通过机器学习算法对所述物体特征进行识别，得到所述待识别图像所包含的物体的物体类别。
进一步地，所述卷积神经网络为mobilenet-ssd神经网络、yolov4-tiny神经网络或nanodet神经网络。
进一步地，所述预设分割算法为暴力搜索算法、Selective Search算法或基于边缘检测的图像分割算法。
进一步地，所述机器学习算法为支持向量机算法或Adaboot算法。
进一步地，所述物体识别装置还包括，训练单元，具体用于：
获取预设的卷积神经网络，并且获取训练样本集；所述训练样本集包括样本图像框及其对应的物体特征标签；
将所述样本图像框输入至所述预设卷积神经网络轻量模型进行处理，得到所述样本图像框对应的样本物体特征；
根据预设损失函数获取所述样本图像框对应的样本物体特征和所述样本图像框对应的物体特征标签之间的差异信息；
若所述差异信息满足预设停止训练条件，则停止训练，将当前的所述预设卷积神经网络轻量模型作为用于输出图像框对应的物体特征的卷积神经网络；
若所述差异信息不满足所述第一预设停止训练条件，则调整预设参数，并返回所述将所述样本图像框输入至所述预设卷积神经网络轻量模型进行处理，得到所述样本图像框对应的样本物体特征。
进一步地，训练单元，具体用于：
获取样本图像框及其对应的物体特征标签，并且获取所述样本图像框中物体的物体类别；
若所述物体类别对应的所述样本图像框的数量小于预设数量，则对所述样本图像框进行变换处理，得到样本图像框变换图像；
根据所述样本图像框及其对应的物体特征标签、所述样本图像框变换图像及其对应的物体特征标签，确定所述训练样本集。
图3是本申请第三实施例提供的物体识别设备的示意图。如图3所示，该实施例的物体识别设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32，例如物体识别程序。所述处理器30执行所述计算机程序32时实现上述各个物体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30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块210至240的功能。
示例性的，所述计算机程序32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31中，并由所述处理器30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32在所述物体识别设备3中的执行过程。例如，所述计算机程序32可以被分割成获取单元、分割单元、提取单元、识别单元，各单元具体功能如下：
获取单元，用于获取待识别图像；
分割单元，用于根据预设分割算法对所述待识别图像进行分割处理，得到至少一个图像框；
提取单元，用于通过卷积神经网络对所述图像框进行特征提取，得到所述图像框对应的物体特征；
识别单元，用于通过机器学习算法对所述物体特征进行识别，得到所述待识别图像所包含的物体的物体类别。
所述物体识别设备可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是物体识别设备3的示例，并不构成对物体识别设备3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，例如所述物体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30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31可以是所述物体识别设备3的内部存储单元，例如物体识别设备3的硬盘或内存。所述存储器31也可以是所述物体识别设备3的外部存储设备，例如所述物体识别设备3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，所述物体识别设备3还可以既包括所述物体识别设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述物体识别设备所需的其他程序和数据。所述存储器31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虚拟定时器的定时设备，该虚拟定时器的定时设备包括：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/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/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 (10)
1.一种物体识别方法，其特征在于，包括：
获取待识别图像；
根据预设分割算法对所述待识别图像进行分割处理，得到至少一个图像框；
通过卷积神经网络对所述图像框进行特征提取，得到所述图像框对应的物体特征；
通过机器学习算法对所述物体特征进行识别，得到所述待识别图像所包含的物体的物体类别。
2.如权利要求1所述的物体识别方法，其特征在于，所述卷积神经网络为mobilenet-ssd神经网络、yolov4-tiny神经网络或nanodet神经网络。
3.如权利要求1所述的物体识别方法，其特征在于，所述预设分割算法为暴力搜索算法、Selective Search算法或基于边缘检测的图像分割算法。
4.如权利要求1所述的物体识别方法，其特征在于，所述机器学习算法为支持向量机算法或Adaboot算法。
5.如权利要求1所述的物体识别方法，其特征在于，所述卷积神经网络的训练过程包括：
获取预设的卷积神经网络，并且获取训练样本集；所述训练样本集包括样本图像框及其对应的物体特征标签；
将所述样本图像框输入至所述预设卷积神经网络轻量模型进行处理，得到所述样本图像框对应的样本物体特征；
根据预设损失函数获取所述样本图像框对应的样本物体特征和所述样本图像框对应的物体特征标签之间的差异信息；
若所述差异信息满足预设停止训练条件，则停止训练，将当前的所述预设卷积神经网络轻量模型作为用于输出图像框对应的物体特征的卷积神经网络；
若所述差异信息不满足所述第一预设停止训练条件，则调整预设参数，并返回所述将所述样本图像框输入至所述预设卷积神经网络轻量模型进行处理，得到所述样本图像框对应的样本物体特征。
6.如权利要求1所述的物体识别方法，其特征在于，所述获取训练样本集，包括：
获取样本图像框及其对应的物体特征标签，并且获取所述样本图像框中物体的物体类别；
若所述物体类别对应的所述样本图像框的数量小于预设数量，则对所述样本图像框进行变换处理，得到样本图像框变换图像；
根据所述样本图像框及其对应的物体特征标签、所述样本图像框变换图像及其对应的物体特征标签，确定所述训练样本集。
7.一种物体识别装置，其特征在于，包括：
获取单元，用于获取待识别图像；
分割单元，用于根据预设分割算法对所述待识别图像进行分割处理，得到至少一个图像框；
提取单元，用于通过卷积神经网络对所述图像框进行特征提取，得到所述图像框对应的物体特征；
识别单元，用于通过机器学习算法对所述物体特征进行识别，得到所述待识别图像所包含的物体的物体类别。
8.如权利要求1所述的物体识别装置，其特征在于，所述卷积神经网络为mobilenet-ssd神经网络、yolov4-tiny神经网络或nanodet神经网络。
9.一种物体识别设备，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6任一项所述的方法。
10.一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6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011558197.2A CN112613508A (zh) | 2020-12-24 | 2020-12-24 | 一种物体识别方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011558197.2A CN112613508A (zh) | 2020-12-24 | 2020-12-24 | 一种物体识别方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112613508A true CN112613508A (zh) | 2021-04-06 |
Family
ID=75245021
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011558197.2A Pending CN112613508A (zh) | 2020-12-24 | 2020-12-24 | 一种物体识别方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112613508A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113362302A (zh) * | 2021-06-03 | 2021-09-07 | 西南交通大学 | 一种基于图像识别的地铁列车电气箱盖的故障检测方法 |
| CN113555087A (zh) * | 2021-07-19 | 2021-10-26 | 吉林大学第一医院 | 一种基于卷积神经网络算法的人工智能阅片方法 |
| CN113763369A (zh) * | 2021-09-13 | 2021-12-07 | 杭州大杰智能传动科技有限公司 | 基于图像特征分析的塔吊夹具物料匹配性识别方法和装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108898579A (zh) * | 2018-05-30 | 2018-11-27 | 腾讯科技（深圳）有限公司 | 一种图像清晰度识别方法、装置和存储介质 |
| CN109858569A (zh) * | 2019-03-07 | 2019-06-07 | 中国科学院自动化研究所 | 基于目标检测网络的多标签物体检测方法、系统、装置 |
| CN109993187A (zh) * | 2017-12-29 | 2019-07-09 | 深圳市优必选科技有限公司 | 一种用于识别物体类别的建模方法、机器人及存储装置 |
| CN110163369A (zh) * | 2019-05-21 | 2019-08-23 | 北京迈格威科技有限公司 | 图像识别与神经网络模型的训练方法、装置和系统 |
| CN111263946A (zh) * | 2018-05-15 | 2020-06-09 | 合刃科技（武汉）有限公司 | 物体识别方法及计算机可读存储介质 |
| US20200193207A1 (en) * | 2017-05-17 | 2020-06-18 | Samsung Electronics Co., Ltd. | Method and device for identifying object |
| CN111444773A (zh) * | 2020-03-02 | 2020-07-24 | 武汉理工大学 | 一种基于图像的多目标分割识别方法及系统 |
| CN112016475A (zh) * | 2020-08-31 | 2020-12-01 | 支付宝(杭州)信息技术有限公司 | 一种人体检测识别方法和装置 |
-
2020
- 2020-12-24 CN CN202011558197.2A patent/CN112613508A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200193207A1 (en) * | 2017-05-17 | 2020-06-18 | Samsung Electronics Co., Ltd. | Method and device for identifying object |
| CN109993187A (zh) * | 2017-12-29 | 2019-07-09 | 深圳市优必选科技有限公司 | 一种用于识别物体类别的建模方法、机器人及存储装置 |
| CN111263946A (zh) * | 2018-05-15 | 2020-06-09 | 合刃科技（武汉）有限公司 | 物体识别方法及计算机可读存储介质 |
| CN108898579A (zh) * | 2018-05-30 | 2018-11-27 | 腾讯科技（深圳）有限公司 | 一种图像清晰度识别方法、装置和存储介质 |
| CN109858569A (zh) * | 2019-03-07 | 2019-06-07 | 中国科学院自动化研究所 | 基于目标检测网络的多标签物体检测方法、系统、装置 |
| CN110163369A (zh) * | 2019-05-21 | 2019-08-23 | 北京迈格威科技有限公司 | 图像识别与神经网络模型的训练方法、装置和系统 |
| CN111444773A (zh) * | 2020-03-02 | 2020-07-24 | 武汉理工大学 | 一种基于图像的多目标分割识别方法及系统 |
| CN112016475A (zh) * | 2020-08-31 | 2020-12-01 | 支付宝(杭州)信息技术有限公司 | 一种人体检测识别方法和装置 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113362302A (zh) * | 2021-06-03 | 2021-09-07 | 西南交通大学 | 一种基于图像识别的地铁列车电气箱盖的故障检测方法 |
| CN113362302B (zh) * | 2021-06-03 | 2023-04-07 | 西南交通大学 | 一种基于图像识别的地铁列车电气箱盖的故障检测方法 |
| CN113555087A (zh) * | 2021-07-19 | 2021-10-26 | 吉林大学第一医院 | 一种基于卷积神经网络算法的人工智能阅片方法 |
| CN113763369A (zh) * | 2021-09-13 | 2021-12-07 | 杭州大杰智能传动科技有限公司 | 基于图像特征分析的塔吊夹具物料匹配性识别方法和装置 |
| CN113763369B (zh) * | 2021-09-13 | 2023-06-02 | 杭州大杰智能传动科技有限公司 | 基于图像特征分析的塔吊夹具物料匹配性识别方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108710847B (zh) | 场景识别方法、装置及电子设备 | |
| CN110378235B (zh) | 一种模糊人脸图像识别方法、装置及终端设备 | |
| US10936911B2 (en) | Logo detection | |
| CN109145784B (zh) | 用于处理视频的方法和装置 | |
| CN112613508A (zh) | 一种物体识别方法、装置及设备 | |
| CN108388879B (zh) | 目标的检测方法、装置和存储介质 | |
| CN110443210B (zh) | 一种行人跟踪方法、装置以及终端 | |
| CN110188829B (zh) | 神经网络的训练方法、目标识别的方法及相关产品 | |
| CN109800682B (zh) | 驾驶员属性识别方法及相关产品 | |
| CN110070029B (zh) | 一种步态识别方法及装置 | |
| CN113780243B (zh) | 行人图像识别模型的训练方法、装置、设备以及存储介质 | |
| CN113496208B (zh) | 视频的场景分类方法及装置、存储介质、终端 | |
| CN113627402B (zh) | 一种图像识别方法及相关装置 | |
| CN109034086A (zh) | 车辆重识别方法、装置及系统 | |
| CN111914668A (zh) | 一种基于图像增强技术的行人重识别方法、装置及系统 | |
| CN110135889A (zh) | 智能推荐书单的方法、服务器及存储介质 | |
| CN112417970A (zh) | 目标对象识别方法、装置和电子系统 | |
| CN115082752A (zh) | 基于弱监督的目标检测模型训练方法、装置、设备及介质 | |
| CN112712005A (zh) | 识别模型的训练方法、目标识别方法及终端设备 | |
| CN110516572B (zh) | 一种识别体育赛事视频片段的方法、电子设备及存储介质 | |
| CN115578590A (zh) | 基于卷积神经网络模型的图像识别方法、装置及终端设备 | |
| CN111476132A (zh) | 视频场景识别方法、装置及电子设备、存储介质 | |
| CN111860057A (zh) | 人脸图像模糊和活体检测方法、装置、存储介质及设备 | |
| CN113705666B (zh) | 分割网络训练方法、使用方法、装置、设备及存储介质 | |
| CN113239738B (zh) | 一种图像的模糊检测方法及模糊检测装置 |
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 |