基于局部几何特征序列建模的二维轮廓形状识别分类方法.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CN110378412A(43)申请公布日2019.10.25(21)申请号201910644175.9(22)申请日2019.07.17(71)申请人湖南视比特机器人有限公司地址410000湖南省长沙市高新开发区岳麓西大道588号芯城科技园2栋1505室(72)发明人彭飞施鹏陈飞(74)专利代理机构重庆市信立达专利代理事务所(普通合伙)50230代理人陈炳萍(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)权利要求书2页说明书5页附图3页(54)发明名称基于局部几何特征序列建模的二维轮廓形状识别分类方法(57)摘要本发明公开了基于局部几何特征序列建模的二维轮廓形状识别分类方法，涉及物体识别分类技术领域，解决了现有的人为调整设置形状特征过于复杂、物体二维轮廓形状识别分类的成功率较低的问题，其技术方案要点是：提取目标物物体形状的局部几何特征；通过LSTM将提取到的特征信息转换为时间序列信息；基于循环神经网络对局部几何特征序列进行建模；基于全连接神经网络进行特征选择与平衡，得到目标物的分类结果，具有即克服了人为调整设置形状特征过于复杂的缺点，又显著提升了物体二维轮廓形状识别分类的成功率，而且能够区分不同物体的二维轮廓形状，并捕获精细形状差异，包括细微的局部差异。CN110378412ACN110378412A权利要求书1/2页1.基于局部几何特征序列建模的二维轮廓形状识别分类方法，其特征是：包括以下步骤：S1：提取目标物物体形状的局部几何特征；S2：通过LSTM将提取到的特征信息转换为时间序列信息；S3：基于循环神经网络对局部几何特征序列进行建模；S4：基于全连接神经网络进行特征选择与平衡，得到目标物的分类结果。2.根据权利要求1所述的基于局部几何特征序列建模的二维轮廓形状识别分类方法，其特征是：在步骤S1中，所述局部几何特征提取的具体步骤为：对于目标物的二维轮廓形状，通过等距地采集轮廓上的n个点，记为P＝{p1,p2,p3,...pn}；在每个采样点pi处，计算形状上下文描述符，并将形状上下文描述符居中；然后将检测结果转换为直方图作为局部几何特征。3.根据权利要求2所述的基于局部几何特征序列建模的二维轮廓形状识别分类方法，其特征是：在步骤S1中，所述局部几何特征提取的具体步骤为：采用m个不同的模板来检测不同尺度的特征，模板L＝{l1,l2,...lm}产生的局部特征被记为其中，1≤i≤m。4.根据权利要求3所述的基于局部几何特征序列建模的二维轮廓形状识别分类方法，其特征是：在步骤S3中，所述局部几何特征序列建模的具体步骤为：对于每个时间步t，LSTM模型接收一个采样点的特征并结合上一个采样点的隐藏状态ht-1更新其隐藏状态ht，通过所有采样点的形状上下文来记忆特征之间的关系；经过n个步骤之后，LSTM模型的最终隐藏状态hn可以用输入物体二维形状轮廓的固定大小表示；每个LSTM模块学习从输入特征到隐藏层的映射，其中，1≤k≤n，k表示采样点的序号，li为模板序号；输出由以下公式获得：Ct＝ft*Ct-1+It*Ct；ht＝ot*tanh(Ct)；其中，ft、It、ot分别为LSTM单元中遗忘门、输入门、输出门的状态；Ct为LSTM块中的记忆单元状态，Ct为输入到记忆单元状态的信息；δ(.)表示一个基于元素的逻辑Sigmoid函数；*操作符表示元素方向的向量积；Ws和bs是是可训练的参数；对于一个有n个采样点的形状{p1,p2,p3,...pn}，假定p1的特征是在LSTM中步骤t＝1时输入，通过n个时间步得到整个形状的特征的输出；则，在第t步时，m(m∈N)个不同模板的LSTM块可以产生m个形状特征输出5.根据权利要求4所述的基于局部几何特征序列建模的二维轮廓形状识别分类方法，2CN110378412A权利要求书2/2页其特征是：在步骤S4中，所述特征选择与平衡的具体步骤为：首先，将LSTM块的输出连接为全连接神经网络的输入向量：然后，应用一个线性函数：tty＝Wfc.h+bfc，其中，φ为softmax函数；为物体二维轮廓分类概率的C维向量，C向量维数取决于数据集中类别的数量；选择向量的最大值作为网络提取层的输出；同时，学习权重表明了每个LSTM块对最终loss的贡献，loss函数如下：分类结果正确时GC为1，否则为0；在反向传播中，权矩阵Wfc和偏置矩阵bfc的偏导数计算如下：其中，θ是交叉熵函数；在学习过程中，对于每个形状t＝1,2,...,n，对loss函数求n次值，n为二维轮廓采样点的个数，最后将作为最终的分类结果。3CN110378412A说明书1/5页基于局部几何特征序列建模的二维轮廓形状识别分类方法技术