CN115909329A - 一种微观目标识别方法、装置、电子设备和存储介质 - Google Patents

Abstract

本发明公开了一种微观目标识别方法、装置、电子设备和存储介质。其中，方法包括：获取待识别图像，并将待识别图像作为预训练的微观目标识别模型的输入；其中，微观目标识别模型中与模型输入层相连的第一卷积层包括至少两个用于提取不同范围特征的第一类固定卷积核、一个用于提取暗色微观目标特征的第二类固定卷积核以及一个用于提取亮色微观目标特征的第三类固定卷积核；通过第一类固定卷积核、第二类固定卷积核和第三类固定卷积核，并发的对输入的待识别图像进行特征提取，得到多个特征图；对得到的多个特征图进行叠加，并基于叠加后的特征图确定待识别图像中的微观目标。本发明方案可实现精准识别微观图像中所含微观目标的效果。

Description

一种微观目标识别方法、装置、电子设备和存储介质

技术领域

本发明涉及图像识别技术领域，尤其涉及一种微观目标识别方法、装置、电子设备和存储介质。

背景技术

目前，商品的商家都是采用对商品的外包装上所印制的防伪图像进行辨别的方式，以判定当前商品的真伪。其中，防伪图像可以是包括微观目标的图像，例如防伪图像是包括微观的、非显性的图标的图像，其中，这种微观图标可以信息存储、识别的载体。而要准确进行防伪辨别，需要对防伪图像中的微观目标进行精准识别。然而，微观图像肉眼不易捕捉，传统识别算法易受噪声和背景干扰，导致识别准确度不高。

发明内容

本发明提供了一种微观目标识别方法、装置、电子设备和存储介质，通过引入人工智能技术，实现精准识别微观图像中所含微观目标的效果。

根据本发明的一方面，提供了一种微观目标识别方法，所述方法包括：

获取待识别图像，并将所述待识别图像作为预训练的微观目标识别模型的输入；其中，所述微观目标识别模型中与模型输入层相连的第一卷积层包括至少两个用于提取不同范围特征的第一类固定卷积核、一个用于提取暗色微观目标特征的第二类固定卷积核以及一个用于提取亮色微观目标特征的第三类固定卷积核；

通过所述第一类固定卷积核、第二类固定卷积核和第三类固定卷积核，并发的对输入的待识别图像进行特征提取，得到多个特征图；

对得到的多个特征图进行叠加，并基于叠加后的特征图确定所述待识别图像中的微观目标。

根据本发明的另一方面，提供了一种微观目标识别装置，所述装置包括：

获取与输入模块，用于获取待识别图像，并将所述待识别图像作为预训练的微观目标识别模型的输入；其中，所述微观目标识别模型中与模型输入层相连的第一卷积层包括至少两个用于提取不同范围特征的第一类固定卷积核、一个用于提取暗色微观目标特征的第二类固定卷积核以及一个用于提取亮色微观目标特征的第三类固定卷积核；

特征提取模块，用于通过所述第一类固定卷积核、第二类固定卷积核和第三类固定卷积核，并发的对输入的待识别图像进行特征提取，得到多个特征图；

识别模块，用于对得到的多个特征图进行叠加，并基于叠加后的特征图确定所述待识别图像中的微观目标。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明实施例所述的微观目标识别方法。

根据本发明的另一方面，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指令，所述计算机指令用于使处理器执行时实现本发明实施例所述的微观目标识别方法。

本发明实施例的技术方案，通过第一卷积层中的三类固定卷积核并发提取图像特征，可实现全面的提取微观目标特征；进而基于全面的微观目标特征进行识别，可以保证微观目标识别的准确性。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1a是根据本发明实施例一提供的一种微观目标识别方法的流程示意图；

图1b是根据本发明实施例一提供的待识别图像的示意图；

图1c是根据本发明实施例一提供的识别结果图的示意图；

图2a是根据本发明实施例二提供的一种微观目标识别方法的流程示意图；

图2b是根据本发明实施例二提供的待训练微观目标识别模型的网络结构的示意图；

图3是根据本发明实施例三提供的一种微观目标识别装置的结构示意图；

图4是实现本发明实施例的微观目标识别方法的电子设备的结构示意图。

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的实施例，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。

实施例一

图1a为本发明实施例一提供了一种微观目标识别方法的流程图，本实施例可适用于对包括微观目标的图像进行识别的情况，该方法可以由微观目标识别装置来执行，该微观目标识别装置可以采用硬件和/或软件的形式实现，该微观目标识别装置可配置于电子设备中。

如图1a所示，该微观目标识别方法包括：

S101、获取待识别图像，并将待识别图像作为预训练的微观目标识别模型的输入。

其中，待识别图像可以是用户通过带有相机功能的移动终端采集的，而移动终端可以是安装了安卓系统或ios系统、且带有摄像头的智能手机。可选的，在一些实施例中，待识别图像可以是包括有规则编码的微观码图，以及无规则编码但是带有微小特征和目标的各类图像；示例性的，待识别图像可以是物体或生物的细节图像，也可以是商品的防伪码图像。

微观目标识别模型可选的是基于人工智能技术训练的、用于识别微观目标的神经网络模型。其中，微观目标识别模型中与模型输入层相连的第一卷积层包括至少两个用于提取不同范围特征的第一类固定卷积核、一个用于提取暗色微观目标特征的第二类固定卷积核以及一个用于提取亮色微观目标特征的第三类固定卷积核。

在此需要说明的是，通过设置第一类固定卷积核，可以获取到不同范围的特征，为后续精准识别微观目标提供保证；另外，通过设置第二类固定卷积核和第三类固定卷积核，使得无论待识别图中的微观目标是暗色的还亮色的，都能提取到相应的特征。如此，通过三类固定卷积核可以实现全面的提取微观目标特征，进而基于全面的微观目标特征进行识别，可以保证微观目标识别的准确性。除此之外，由于微观目标识别模型中的第一卷积层中的各类卷积核都是固定卷积，在模型训练时不需要训练优化，可以提高模型训练的效率。

在获取到用户通过终端设备采集的待识别图像后，可通过高斯滤波方法或直方图均衡方法，对待识别图像进行预处理，以消除待识别图像中的噪声和背景等干扰因素。进而将预处理后的将待识别图像作为预训练的微观目标识别模型的输入。

S102、通过第一类固定卷积核、第二类固定卷积核和第三类固定卷积核，并发的对输入的待识别图像进行特征提取，得到多个特征图。

本实施例中，在将待识别图像输入的微观目标识别模型后，模型输入层会将待识别图像同时发给第一卷积层中的第一类固定卷积核、第二类固定卷积核和第三类固定卷积核，使得第一卷积层中的第一类固定卷积核、第二类固定卷积核和第三类固定卷积核并发的对待识别图像进行特征提取。在具体提取特征时，以第一类固定卷积核为例，第一类固定卷积核按照预设步幅滑动时间窗的方式依次提取特征，得到一个特征图。同理，第二类固定卷积核和第三类固定卷积核也可按照上述过程提取特征。如此，通过多个固定卷积核并发提取特征，可以得到多个特征图。

S103、对得到的多个特征图进行叠加，并基于叠加后的特征图确定待识别图像中的微观目标。

针对S102得到的多个特征图，由于每个特征图是由不同类固定卷积核提取的，特征可能存在不同，且提取的特征可以互补，因此先对各特征图进行叠加，使得特征更全面，使得基于叠加后的特征图能够更加精准的确定待识别图像中的微观目标。

在一种可选的实施方式中，预训练的微观目标识别模型还包括卷积核大小相同的第二卷积层、第三卷积层和预测层；且第二卷积层的输入端和输出端，分别与第一卷积层的输出端第三卷积层的输入端相连。如此，基于叠加后的特征图确定待识别图像中的微观目标，包括：依次通过第二卷积层和第三卷积层中的卷积核，对叠加后的特征图进行特征提取，得到最终特征图；通过预测层对最终特征图进行识别，确定存在的微观目标。而在具体预测时，预测层可以根据最终特征图确定目标响应值，其中，目标响应值是以某一像素点为中心的预设区域内全部像素的灰度值之和，用于将微观目标与待识别图像中的背景图案区分开。如果目标响应值小于预设阈值，则认为待识别图像中不存在微观目标，此时识别结束；反之，则确定待识别图像中存在微观目标，此时预测层输出一张与待识别图像尺寸相同的识别结果图，且存在的微观目标会在识别结果图中标识出来。

示例性的，参见图1b，其示出了待识别图像的示意图；图1c示出了识别结果图的示意图。通过图1b-图1c可知，待识别图像的每一个微观码点均被基于人工智能算法的微观目标识别模型准确标识输出，而微观目标附近的图案、文字等则会被很好的过滤。

进一步的，在得到识别结果图后，可以按照预设的微观目标分析方法，对识别结果图中的微观目标进行分析验证，例如根据识别出的微观码点进行防伪分析验证。

本实施例中，将人工智能技术应用到微观目标的识别场景中，在基于人工智能技术确定的微观目标识别模型的第一卷积层中设置多个固定卷积核；进而通过第一卷积层中的三类固定卷积核并发提取图像特征，可实现全面的提取微观目标特征；进而基于全面的微观目标特征进行识别，可以保证微观目标识别的准确性。

实施例二

图2a为本发明实施例二提供的一种微观目标识别方法的流程图。本实施例中增加的确定各类固定卷积核的过程，以及微观目标识别模型训练的过程。参见图2a，该方法流程包括如下步骤：

S201、根据第一类固定卷积核、第二类固定卷积核以及第三类固定卷积核各自的大小，分别确定第一类固定卷积核、第二类固定卷积核以及第三类固定卷积核各自的中心点位置参数。

本实施例中，第一类固定卷积核、第二类固定卷积核以及第三类固定卷积核各自的大小是预先设定的。由于第一类固定卷积核的数量至少为两个，例如第一类固定卷积核的包括一个大小为3X3的固定卷积核、一个大小为5X5的固定卷积核。如此，3X3的固定卷积核的中心点位置参数可选为2，5X5的固定卷积核的中心点位置参数可选为2.5。

同理，第二类固定卷积核以及第三类固定卷积核的大小为7X7，则第二类固定卷积核以及第三类固定卷积核的中心点位置参数为3.5。

在确定每类固定卷积核的中心点位置参数后，可以按照S202步骤分别确定第一类固定卷积核、第二类固定卷积核以及第三类固定卷积核中每个元素的取值。

S202、针对任一类固定卷积核中的任一元素，根据该元素的元素位置参数和该固定卷积核的中心点位置参数，确定该元素的取值。

可选的，针对第一类固定卷积核中的任一元素，按照如下公式确定该元素的取值：

（m,n）=((m-p1)*(m-p1)+(n-p1)*(n-p1))/L1-b1；

其中，元素位置参数m表示某一元素在固定卷积核中的行数；元素位置参数n表示某一元素在固定卷积核中的列数；（m,n）表示固定卷积核第m行第n列元素的取值；p1第一类固定卷积核的中心点位置参数；L1和b1为第一预设常数，且L1和b1是由第一类固定卷积核的大小决定。

示例性的，针对大小为3X3的第一类固定卷积核，L1取值为10，b1取值为0.05，中心点位置参数p1为2，通过上述公式计算大小为3X3的第一类固定卷积核中每个元素的取值后，大小为3X3的第一类固定卷积核如下：

同理，针对第二类固定卷积核中的任一元素，按照如下公式确定该元素的取值：

（m,n）=((m-p2)*(m-p2)+(n-p2)*(n-p2))/L2-b2；

针对第三类固定卷积核中的任一元素，按照如下公式确定该元素的取值：

（m,n）=b3-((m-p3)*(m-p3)+(n-p3)*(n-p3))/L3；

其中，元素位置参数m表示某一元素在固定卷积核中的行数；元素位置参数n表示某一元素在固定卷积核中的列数；（m,n）表示固定卷积核第m行第n列元素的取值；p2、p3分别是三类固定卷积核的中心点位置参数；L2和b2为第二预设常数，且L2和b2是由第二类固定卷积核的大小决定；L3和b3为第三预设常数，且L3和b3是由第三类固定卷积核的大小决定。

S203、确定待训练微观目标识别模型的网络结构，并利用样本数据进行训练。

在通过S201-S202步骤确定第一类固定卷积核、第二类固定卷积核以及第三类固定卷积核后，确定待训练微观目标识别模型的网络结构。可选的，微观目标识别模型是基于图像分割网络训练后得到，也即是以图像分割网络作为微观目标识别模型的骨架网络。参见图2b，其示出了待训练微观目标识别模型的网络结构的示意图，其中，待训练微观目标识别模型的网络结构包括第一卷积层、第二卷积层、第三卷积层和预测层；将第一类固定卷积核、第二类固定卷积核以及第三类固定卷积核部署在第一卷积层中；第二卷积层和第三卷积层中分别部署一个大小相同（例如3X3）的卷积核。另外，如果要识别的微观目标的种类单一，还可将微观目标识别模型的输出种类数为1。

在此基础上，微观目标识别模型的训练过程如下：首先，获取训练样本数据，可选的，通过智能手机拍摄各种类型的微观图像数据，再通过随机翻转、裁剪等方法对数据进行扩充，得到最终训练样本数据。进而利用训练样本数据训练时，将任一样本图像输入到待训练微观目标识别模型的网络结构中，进而通过第一卷积层中第一类固定卷积核、第二类固定卷积核以及第三类固定卷积核，并发的对训练样本图像进行特征提取，得到多个样本图像特征；对多个样本图像特征进行叠加，并通过第二卷积层和第三卷积层依次对叠加后的样本图像特征进行特征提取，得到最终样本图像特征；通过预测层对提取的最终样本图像特征进行预测，得到预测结果；根据预测结果和预设期望，按照预设的损失函数确定损失值；根据损失值对网络结构进行参数优化调整。具体的优化方法包括调整神经网络的结构、调整学习率、增加困难样本数量等，最终得到微观目标识别模型。需要说明的是，由于第一卷积层中的部署的是固定卷积核，不需要训练优化，由此可以提升模型训练效率。

在训练完微观目标识别模型后，可将其输出保存，并移植到移动端，以便移动端基于微观目标识别模型，按照S204-S206的步骤对待识别图像进行微观目标识别。

S204、获取待识别图像，并将待识别图像作为预训练的微观目标识别模型的输入。

其中，微观目标识别模型中与模型输入层相连的第一卷积层包括至少两个用于提取不同范围特征的第一类固定卷积核、一个用于提取暗色微观目标特征的第二类固定卷积核以及一个用于提取亮色微观目标特征的第三类固定卷积核。

S205、通过第一类固定卷积核、第二类固定卷积核和第三类固定卷积核，并发的对输入的待识别图像进行特征提取，得到多个特征图。

S206、对得到的多个特征图进行叠加，并基于叠加后的特征图确定待识别图像中的微观目标。

本实施例中，根据固定卷积核中元素的元素位置参数和该固定卷积核的中心点位置参数，快速确定不同类型的固定卷积核，并部署在图像分割网络的第一卷积层中，由此得到一种新的用于识别微观目标的网络结构；经过训练优化以后得到微观目标识别模型，通过该模型能够识别提取图像中的有规则编码的微观码点、以及无规则的微观特征和目标，实现了人工智能算法对微观图像的智能化标识提取，具有很强的抗干扰和泛化能力，对微观图像的应用和推广具有很现实的帮助意义。

实施例三

图3为本发明实施例三提供的一种微观目标识别装置的结构示意图，本实施例可适用于对包括微观目标的图像进行识别的情况。如图3所示，该装置包括：

获取与输入模块301，用于获取待识别图像，并将待识别图像作为预训练的微观目标识别模型的输入；其中，微观目标识别模型中与模型输入层相连的第一卷积层包括至少两个用于提取不同范围特征的第一类固定卷积核、一个用于提取暗色微观目标特征的第二类固定卷积核以及一个用于提取亮色微观目标特征的第三类固定卷积核；

特征提取模块302，用于通过第一类固定卷积核、第二类固定卷积核和第三类固定卷积核，并发的对输入的待识别图像进行特征提取，得到多个特征图；

识别模块303，用于对得到的多个特征图进行叠加，并基于叠加后的特征图确定待识别图像中的微观目标。

可选的，在一些实施例中，还包括：

中心点参数确定模块，用于根据第一类固定卷积核、第二类固定卷积核以及第三类固定卷积核各自的大小，分别确定第一类固定卷积核、第二类固定卷积核以及第三类固定卷积核各自的中心点位置参数；

卷积核元素取值模块，用于按照如下方式确定分别确定第一类固定卷积核、第二类固定卷积核以及第三类固定卷积核中每个元素的取值：针对任一类固定卷积核中的任一元素，根据该元素的元素位置参数和该固定卷积核的中心点位置参数，确定该元素的取值。

可选的，在一些实施例中，卷积核元素取值模块还用于：

针对第一类固定卷积核中的任一元素，按照如下公式确定该元素的取值：

（m,n）=((m-p1)*(m-p1)+(n-p1)*(n-p1))/L1-b1；或，

针对第二类固定卷积核中的任一元素，按照如下公式确定该元素的取值：

（m,n）=((m-p2)*(m-p2)+(n-p2)*(n-p2))/L2-b2；或，

针对第三类固定卷积核中的任一元素，按照如下公式确定该元素的取值：

（m,n）=b3-((m-p3)*(m-p3)+(n-p3)*(n-p3))/L3；

其中，元素位置参数m表示某一元素在固定卷积核中的行数；元素位置参数n表示某一元素在固定卷积核中的列数；（m,n）表示固定卷积核第m行第n列元素的取值；p1、p2、p3分别是三类固定卷积核的中心点位置参数；L1和b1为第一预设常数，且L1和b1是由所述第一类固定卷积核的大小决定；L2和b2为第二预设常数，且L2和b2是由所述第二类固定卷积核的大小决定；L3和b3为第三预设常数，且L3和b3是由所述第三类固定卷积核的大小决定。

可选的，在一些实施例中，微观目标识别模型还包括卷积核大小相同的第二卷积层、第三卷积层和预测层；且所述第二卷积层的输入端和输出端，分别与所述第一卷积层的输出端所述第三卷积层的输入端相连；

相应的，识别模块还用于：

依次通过所述第二卷积层和第三卷积层中的卷积核，对叠加后的特征图进行特征提取，得到最终特征图；

通过所述预测层对所述最终特征图进行识别，确定存在的微观目标。

可选的，在一些实施例中，所述微观目标识别模型是基于图像分割网络训练后得到；且所述微观目标识别模型的输出种类数为1。

可选的，在一些实施例中，还包括预处理模块，用于在将所述待识别图像作为预训练的微观目标识别模型的输入之前，通过高斯滤波方法或直方图均衡方法，对所述待识别图像进行预处理。

本发明实施例所提供的微观目标识别装置可执行本发明任意实施例所提供的微观目标识别方法，具备执行方法相应的功能模块和有益效果。

实施例四

图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备（如头盔、眼镜、手表等）和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器（ROM）12、随机访问存储器（RAM）13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器（ROM）12中的计算机程序或者从存储单元18加载到随机访问存储器（RAM）13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出（I/O）接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如执行微观目标识别方法。

在一些实施例中，微观目标识别方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM13并由处理器11执行时，可以执行上文描述的微观目标识别方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行微观目标识别方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、复杂可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、区块链网络和互联网。

计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种微观目标识别方法，其特征在于，包括：

获取待识别图像，并将所述待识别图像作为预训练的微观目标识别模型的输入；其中，所述微观目标识别模型中与模型输入层相连的第一卷积层包括至少两个用于提取不同范围特征的第一类固定卷积核、一个用于提取暗色微观目标特征的第二类固定卷积核以及一个用于提取亮色微观目标特征的第三类固定卷积核；

通过所述第一类固定卷积核、第二类固定卷积核和第三类固定卷积核，并发的对输入的待识别图像进行特征提取，得到多个特征图；

对得到的多个特征图进行叠加，并基于叠加后的特征图确定所述待识别图像中的微观目标。

2.根据权利要求1所述的方法，其特征在于，还包括：

根据所述第一类固定卷积核、所述第二类固定卷积核以及所述第三类固定卷积核各自的大小，分别确定所述第一类固定卷积核、所述第二类固定卷积核以及所述第三类固定卷积核各自的中心点位置参数；

按照如下方式确定分别确定所述第一类固定卷积核、所述第二类固定卷积核以及所述第三类固定卷积核中每个元素的取值：

针对任一类固定卷积核中的任一元素，根据该元素的元素位置参数和该固定卷积核的中心点位置参数，确定该元素的取值。

3.根据权利要求2所述的方法，其特征在于，针对任一类固定卷积核中的任一元素，根据该元素的元素位置参数和该固定卷积核的中心点位置参数，确定该元素的取值，包括：

针对第一类固定卷积核中的任一元素，按照如下公式确定该元素的取值：

（m,n）=((m-p1)*(m-p1)+(n-p1)*(n-p1))/L1-b1；或，

针对第二类固定卷积核中的任一元素，按照如下公式确定该元素的取值：

（m,n）=((m-p2)*(m-p2)+(n-p2)*(n-p2))/L2-b2；或，

针对第三类固定卷积核中的任一元素，按照如下公式确定该元素的取值：

（m,n）=b3-((m-p3)*(m-p3)+(n-p3)*(n-p3))/L3；

其中，元素位置参数m表示某一元素在固定卷积核中的行数；元素位置参数n表示某一元素在固定卷积核中的列数；（m,n）表示固定卷积核第m行第n列元素的取值；p1、p2、p3分别是三类固定卷积核的中心点位置参数； L1和b1为第一预设常数，且L1和b1是由所述第一类固定卷积核的大小决定；L2和b2为第二预设常数，且L2和b2是由所述第二类固定卷积核的大小决定；L3和b3为第三预设常数，且L3和b3是由所述第三类固定卷积核的大小决定。

4.根据权利要求2所述的方法，其特征在于，所述微观目标识别模型还包括卷积核大小相同的第二卷积层、第三卷积层和预测层；且所述第二卷积层的输入端和输出端，分别与所述第一卷积层的输出端所述第三卷积层的输入端相连；

相应的，基于叠加后的特征图确定所述待识别图像中的微观目标，包括：

依次通过所述第二卷积层和第三卷积层中的卷积核，对叠加后的特征图进行特征提取，得到最终特征图；

通过所述预测层对所述最终特征图进行识别，确定存在的微观目标。

5.根据权利要求1所述的方法，其特征在于，所述微观目标识别模型是基于图像分割网络训练后得到；且所述微观目标识别模型的输出种类数为1。

6.根据权利要求1所述的方法，其特征在于，在将所述待识别图像作为预训练的微观目标识别模型的输入之前，还包括：

通过高斯滤波方法或直方图均衡方法，对所述待识别图像进行预处理。

7.一种微观目标识别装置，其特征在于，包括：

获取与输入模块，用于获取待识别图像，并将所述待识别图像作为预训练的微观目标识别模型的输入；其中，所述微观目标识别模型中与模型输入层相连的第一卷积层包括至少两个用于提取不同范围特征的第一类固定卷积核、一个用于提取暗色微观目标特征的第二类固定卷积核以及一个用于提取亮色微观目标特征的第三类固定卷积核；

特征提取模块，用于通过所述第一类固定卷积核、第二类固定卷积核和第三类固定卷积核，并发的对输入的待识别图像进行特征提取，得到多个特征图；

识别模块，用于对得到的多个特征图进行叠加，并基于叠加后的特征图确定所述待识别图像中的微观目标。

8.根据权利要求7所述的装置，其特征在于，还包括：

中心点参数确定模块，用于根据所述第一类固定卷积核、所述第二类固定卷积核以及所述第三类固定卷积核各自的大小，分别确定所述第一类固定卷积核、所述第二类固定卷积核以及所述第三类固定卷积核各自的中心点位置参数；

卷积核元素取值模块，用于按照如下方式确定分别确定所述第一类固定卷积核、所述第二类固定卷积核以及所述第三类固定卷积核中每个元素的取值：针对任一类固定卷积核中的任一元素，根据该元素的元素位置参数和该固定卷积核的中心点位置参数，确定该元素的取值。

9.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-6中任一项所述的方法。

Images