杆状目标识别方法、装置、服务器及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113901935A(43)申请公布日2022.01.07(21)申请号202111203325.6(22)申请日2021.10.15(71)申请人丰图科技（深圳）有限公司地址518052广东省深圳市南山区粤海街道深圳市软件产业基地1栋B座4楼(72)发明人朱松(74)专利代理机构深圳紫藤知识产权代理有限公司44570代理人熊明(51)Int.Cl.G06K9/00(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)G06T7/11(2017.01)G06T7/187(2017.01)权利要求书2页说明书15页附图5页(54)发明名称杆状目标识别方法、装置、服务器及存储介质(57)摘要本申请提供一种杆状目标识别方法、装置、服务器及存储介质。通过多种不同识别精度的神经网络模型实现对杆状目标从整体到局部的精确识别。同时，利用预设目标检测模型得到的第一图像包括动态锚框；利用基于锚框的深度学习模型，直接对包括动态锚框的图像进行识别，无需对包括动态锚框的第一图像进行处理。由于第一图像对应的动态锚框相较于原有识别过程中生成的边界框，更接近真实的杆状目标的尺寸大小，因此基于锚框的深度识别方法所识别的图像对应的锚框更接近真实目标框，基于锚框的深度识别方法得到更精准的目标框，即得到更精准的杆状目标，有效提高对杆状目标的识别精度。CN113901935ACN113901935A权利要求书1/2页1.一种杆状目标识别方法，其特征在于，所述方法包括：利用预设目标检测模型对待识别图像进行目标识别，得到包括杆状目标以及与所述杆状目标关联的整体杆件设施的第一图像，所述第一图像还包括动态锚框；利用基于锚框的深度学习模型，直接对包括动态锚框的所述第一图像进行目标识别，得到包括所述杆状目标以及与所述杆状目标关联的整体杆件设施的第二图像；利用预设分割提取模型提取所述第二图像中的杆状目标，得到所述杆状目标的识别结果。2.根据权利要求1所述的杆状目标识别方法，其特征在于，在利用预设目标检测模型对待识别图像进行目标识别，得到包括杆状目标以及与所述杆状目标关联的整体杆件设施的第一图像之前，所述方法还包括：获取视频采集器采集到的动态连续视频；按照预设帧率将所述动态连续视频划分为多个初始图像，并对所述多个初始图像进行抽样，得到初始待识别图像；其中，所述初始待识别图像中包括多个初始图像。3.根据权利要求2所述的杆状目标识别方法，其特征在于，所述利用预设目标检测模型对待识别图像进行目标识别，得到包括所述杆状目标以及与所述杆状目标关联的整体杆件设施的第一图像，包括：分别以所述初始待识别图像中的每个初始图像为目标初始图像，利用所述预设目标检测模型，判断所述目标初始图像是否包括所述杆状目标以及与所述杆状目标关联的整体杆件设施；若目标初始图像中包括杆状目标以及与所述杆状目标关联的整体杆件设施，则根据所述目标初始图像确定所述目标初始图像所在的目标局部视频流；将所述目标局部视频流解码，得到所述待识别图像；在所述待识别图像中，确定包含完整杆状目标以及与所述杆状目标关联的整体杆件设施，且所述杆状目标尺寸最大的第一图像；其中，所述第一图像包括动态锚框。4.根据权利要求3所述的杆状目标识别方法，其特征在于，所述基于锚框的深度学习模型为级联神经网络模型，所述基于锚框的深度学习模型中包括多个级联的不同的识别模块；所述利用基于锚框的深度学习模型，直接对包括动态锚框的所述第一图像进行目标识别，得到包括所述杆状目标以及与所述杆状目标关联的整体杆件设施的第二图像，包括：将所述第一图像输入所述基于锚框的深度学习模型中；利用所述多个级联的不同的识别模块，依次对包括动态锚框的第一图像进行分类识别，得到包括所述杆状目标以及与所述杆状目标关联的整体杆件设施的第二图像。5.根据权利要求4所述的杆状目标识别方法，其特征在于，在将包括动态锚框的所述第一图像输入所述基于锚框的深度学习模型中之前，所述方法还包括：获取包括不同杆状目标的多个不同图像组成的初始样本集；对所述初始样本集中的多个不同图像进行处理，得到训练样本集，所述训练样本集中包括不同杆状目标对应的多个不同图片，且所述训练样本集中的图片数量大于所述初始样2CN113901935A权利要求书2/2页本集中的图片数量；利用所述训练样本集对基于锚框的初始深度学习模型进行训练，得到训练后的基于锚框的深度学习模型。6.根据权利要求1所述的杆状目标识别方法，其特征在于，所述利用预设分割提取模型提取所述第二图像中的杆状目标，得到所述杆状目标的识别结果，包括：对所述第二图像中的每个像素点进行二分类，得到所述第二图像对应的二值图像；利用预设连通域算法对所述二值图像进行区域合并，得