基于共享卷积神经网络的目标识别方法和装置.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CN110222604A(43)申请公布日2019.09.10(21)申请号201910435408.4(22)申请日2019.05.23(71)申请人复钧智能科技（苏州）有限公司地址215000江苏省苏州市姑苏区十全街吏舍弄10号（3号楼403室）(72)发明人吕礼冯瑞蒋龙泉(74)专利代理机构上海德昭知识产权代理有限公司31204代理人郁旦蓉(51)Int.Cl.G06K9/00(2006.01)G06K9/32(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书9页附图3页(54)发明名称基于共享卷积神经网络的目标识别方法和装置(57)摘要本发明的目的在于提供一种在保持高精度的同时快速高效地识别目标属性进而确定目标的方法，该方法包含如下步骤：步骤S1，对待测图像进行预处理得到预处理图像；步骤S2，将预处理图像输入多属性识别共享卷积网络模型，获得待测图像中的各个待判定对象以及各个待判定对象在属性类别下的对象属性；步骤S3，根据对象属性以及预定属性判断目标对象，其中，多属性识别共享卷积网络模型由用于从预处理图像中检测待判定对象的对象检测部以及用于提取待判定对象的对象属性的对象属性提取部构成，对象属性提取部由含有分别与各个属性类别相对应的全连接层的属性获取网络模型经轮流交替训练的方式训练得到。CN110222604ACN110222604A权利要求书1/2页1.一种基于共享卷积网络的目标识别方法，用于从待测图像中识别出在不同属性类别下具有预定属性的目标对象，其特征在于，包含如下步骤：步骤S1，对待测图像进行预处理得到预处理图像；步骤S2，将所述预处理图像输入多属性识别共享卷积网络模型，获得所述预处理图像中的各个待判定对象以及各个所述待判定对象在所述属性类别下的对象属性；步骤S3，根据所述对象属性以及所述预定属性进行判断，将所述对象属性与所述预定属性相符合的所述待判定对象判定为所述目标对象，其中，所述多属性识别共享卷积网络模型由用于从所述预处理图像中检测所述待判定对象的对象检测部以及用于提取所述待判定对象的所述对象属性的对象属性提取部构成，所述多属性识别共享卷积网络模型的获得过程包括如下步骤：步骤T1，搭建能够用于至少检测得出所述对象在所述待测图像中的位置的对象检测网络模型；步骤T2，将包含多张训练图像的训练集输入搭建好的对象检测网络模型进行模型训练，得到训练好的所述对象检测网络模型作为所述对象检测部；步骤T3，搭建含有分别与各个所述属性类别相对应的全连接层的属性获取网络模型；步骤T4，将包含多张训练图像及其对应的所述属性类别下的对象属性的属性训练集输入所述属性获取网络模型，以轮流交替训练的方式进行模型训练，得到训练好的所述属性获取网络模型作为所述对象属性提取部。2.根据权利要求1所述的基于共享卷积网络的目标识别方法，其特征在于：其中，所述轮流交替训练方式为：依次针对不同的所述属性类别进行训练从而对所有的所述属性类别完成训练，当针对一个所述属性类别进行训练时，该属性类别对应的所述全连接层以外的所述全连接层参数均被固定。3.根据权利要求1所述的基于共享卷积网络的目标识别方法，其特征在于：其中，步骤S2包括如下步骤：步骤S2-1，将各个所述待测图像对应的所述预处理图像批量输入对象检测部，获得包含各个所述待判定对象的位置在内的对象检测结果；步骤S2-2，根据所述待判定对象的所述位置从所述预处理图像中获取各个所述待判定对象的图像部分；步骤S2-3，将所述待判定对象的所述图像部分经输入层输入所述对象属性提取部，根据不同的所述全连接层获得所述待判定对象在对应的所述属性类型下的所述对象属性。4.根据权利要求3所述的基于共享卷积网络的目标识别方法，其特征在于：其中，步骤S1中的所述预处理过程包括如下步骤：步骤S1-1，将每张所述待测图像尺寸统一；步骤S1-2，依次将各张所述待测图像中的每个像素点的值除以255从而将图像归一化；步骤S1-3，将多张所述待测图像制作为一个张量，得到所述预处理图像。5.根据权利要求3所述的基于共享卷积网络的目标识别方法，其特征在于：其中，所述对象检测网络模型为YOLOv3对象检测网络模型。6.根据权利要求5所述的基于共享卷积网络的目标识别方法，其特征在于：2CN110222604A权利要求书2/2页其中，步骤S2-1中，所述对象检测结果还包括所述待判定对象在一种属性类型下的对象属性，该属性类型不与所述全连接层相对应。7.一种基于共享卷积网络的目标识别装置，用于从待测图像中识别出在不同属性类别下具有预定属性的目标对象，其特征在于，包括：预处理部，对待测图像进行