本申請涉及目標(biāo)識別，具體而言，涉及一種基于多特征融合的目標(biāo)識別方法、裝置及電子設(shè)備。

背景技術(shù)：

1、在實(shí)際的非結(jié)構(gòu)化的復(fù)雜場景中，若需要機(jī)器人像人類一樣快速、精確地完成目標(biāo)物體的識別，還面臨著巨大的挑戰(zhàn)。受益于近年來深度學(xué)習(xí)技術(shù)在圖像識別領(lǐng)域不斷進(jìn)步和發(fā)展，使得基于視覺識別的機(jī)器人識別算法可以幫助機(jī)器人可以有效的實(shí)現(xiàn)多種復(fù)雜場景下的目標(biāo)物體識別工作，進(jìn)一步提升非結(jié)構(gòu)化環(huán)境中目標(biāo)物體的識別工作，對于推動機(jī)器人的智能抓取工作也有重要的實(shí)際應(yīng)用價值。目前大部分基于深度學(xué)習(xí)的物體識別技術(shù)針對結(jié)構(gòu)化環(huán)境下的物體識別工作，而對于非結(jié)構(gòu)化環(huán)境中含有多個目標(biāo)物體的應(yīng)用場景，效果仍然不夠理想。當(dāng)前基于深度學(xué)習(xí)的識別方法主要通過單層網(wǎng)絡(luò)特征進(jìn)行目標(biāo)物體的識別，雖然有眾多學(xué)者通過改善網(wǎng)絡(luò)結(jié)構(gòu)來優(yōu)化檢測精度，但是在非結(jié)構(gòu)化環(huán)境中含有多個目標(biāo)物體的應(yīng)用場景下的目標(biāo)識別準(zhǔn)確仍然不理想。

2、隨著“新一代人工智能發(fā)展規(guī)劃”等多項(xiàng)計(jì)劃的的實(shí)施，我國人工智能產(chǎn)業(yè)的高速發(fā)展。其中實(shí)現(xiàn)類人化的精確快速識別目標(biāo)物體是全球機(jī)器人研究者所追求的，進(jìn)一步推動其發(fā)展無疑對提高生產(chǎn)效率和優(yōu)化人機(jī)交互環(huán)境都有著重要意義。以機(jī)器視覺為代表的各類人工智能算法的出現(xiàn)為機(jī)器人的智能化發(fā)展提供了機(jī)會，實(shí)現(xiàn)非結(jié)構(gòu)化場景下多目標(biāo)物體識別工作已成為可能。通過機(jī)器視覺實(shí)現(xiàn)目標(biāo)物體的自主識別和定位，也一直是近期的熱門研究趨勢。

3、有人提出了基于注意力機(jī)制多級特征融合的多目標(biāo)物體抓取識別算法研究，該算法首先建立深度學(xué)習(xí)主干網(wǎng)絡(luò)模型，將多級卷積模塊中提取的不同尺度的網(wǎng)絡(luò)特征信息進(jìn)行了處理，并提取其中數(shù)據(jù)進(jìn)行融合處理，充分利用了各級網(wǎng)絡(luò)所提取的特征信息。其在進(jìn)行特征融合的過程中，引入了注意力機(jī)制，提升了數(shù)據(jù)的有效利用，減少了噪聲信息的干擾，雖然提出的基于注意力機(jī)制的多級特征融合方法，充分利用了網(wǎng)絡(luò)特征的有效信息，抑制了噪聲信息干擾，有著較高的準(zhǔn)確率。

4、但是，單一網(wǎng)絡(luò)不可避免的存在有效信息的丟失，多級特征的處理融合也增加了模型復(fù)雜度，降低了工作效率。。

技術(shù)實(shí)現(xiàn)思路

1、為了解決單一網(wǎng)絡(luò)不可避免的存在有效信息的丟失，多級特征的處理融合也增加了模型復(fù)雜度，降低了工作效率的問題，本申請?zhí)峁┝艘环N基于多特征融合的目標(biāo)識別方法，通過glcm(空間灰度共生矩陣)方法和lbp(局部二值模式)方法提取數(shù)據(jù)集的特征，然后將這些有效信息與cnn特征進(jìn)行融合降維處理后用于目標(biāo)物體的識別工作，提升目標(biāo)識別的準(zhǔn)確率。

2、本申請的實(shí)施例是這樣實(shí)現(xiàn)的：

3、第一方面，本申請?zhí)峁┮环N基于多特征融合的目標(biāo)識別方法，包括：

4、獲取圖像，通過所述圖像構(gòu)建訓(xùn)練樣本集；

5、對所述圖像進(jìn)行特征的提取，得到特征向量；

6、對所述特征向量進(jìn)行處理，得到融合特征向量；

7、將所述融合特征向量輸入所述lsvm分類器中，進(jìn)行訓(xùn)練，至最大迭代訓(xùn)練次數(shù)后結(jié)束。

8、在一種可能的實(shí)現(xiàn)方式中，所述對所述圖像進(jìn)行特征的提取，得到特征向量，包括分別利用傳統(tǒng)紋理特征采集算法和卷積神經(jīng)網(wǎng)絡(luò)提取特征，得到第一特征向量及第二特征向量。

9、在一種可能的實(shí)現(xiàn)方式中，在所述分別利用傳統(tǒng)紋理特征采集算法和卷積神經(jīng)網(wǎng)絡(luò)提取特征，得到第一特征向量及第二特征向量之后，進(jìn)一步包括以下步驟：

10、對所述第一特征向量及所述第二特征向量進(jìn)行歸一化處理，并進(jìn)行串行融合，得到融合特征；

11、通過線性判別分析(lda)對所述融合特征進(jìn)行降維處理，得到最終的融合特征向量。

12、在一種可能的實(shí)現(xiàn)方式中，所述利用傳統(tǒng)紋理特征采集算法提取特征，包括：

13、對所述圖像圖像預(yù)處理；

14、通過lbp(局部二值模式)方法提取數(shù)據(jù)集的特征；

15、通過glcm(空間灰度共生矩陣)方法提取數(shù)據(jù)集的特征。

16、在一種可能的實(shí)現(xiàn)方式中，所述利用卷積神經(jīng)網(wǎng)絡(luò)提取特征，包括：

17、將模型在訓(xùn)練集中進(jìn)行預(yù)訓(xùn)練；

18、通過私有數(shù)據(jù)集進(jìn)行微調(diào)；

19、利用所述模型的隱藏層進(jìn)行抽象特征提取。

20、在一種可能的實(shí)現(xiàn)方式中，所述對所述第一特征向量及所述第二特征向量進(jìn)行歸一化處理，并進(jìn)行串行融合，得到融合特征，還包括：

21、對所述第一特征向量及所述第二特征向量進(jìn)行特征歸一化；

22、將能量(ene)、熵(ent)、相關(guān)性(corr)、對比(con)分等glcm特征的不同頻率和方向的特征圖、lbp直方圖融合在一起形成特征圖；

23、定義所述第一特征向量為x1＝[x11,x12,…x1,m]，所述第二特征向量為x2＝[x21,x22,…x2,n]；

24、通過序列融合得到融合特征w＝(w1,w2,…,wm+n)＝(αx1,βx2)，并對融合系數(shù)，α和β進(jìn)行加權(quán)，給出了不同融合比下的權(quán)重。

25、在一種可能的實(shí)現(xiàn)方式中，所述通過線性判別分析(lda)對所述融合特征進(jìn)行降維處理，得到最終的融合特征向量，還包括：

26、通過線性判別分析對所述融合特征進(jìn)行降維處理，減少特征向量；

27、對降維后的融合特征進(jìn)行優(yōu)化；

28、通過多個類向低維投影得到一個超平面，得到最終的融合特征向量。

29、在一種可能的實(shí)現(xiàn)方式中，所述獲取圖像，通過所述圖像構(gòu)建訓(xùn)練樣本集之后，進(jìn)一步包括：

30、創(chuàng)建cnn網(wǎng)絡(luò)，并隨機(jī)初始化其參數(shù)，同時初始化lsvm分類器參數(shù)。

31、第二方面，本申請?zhí)峁┮环N基于多特征融合的目標(biāo)識別算法的訓(xùn)練裝置，包括：

32、采集模塊，用于獲取圖像，通過所述圖像構(gòu)建訓(xùn)練樣本集；

33、提取模塊，用于對所述圖像進(jìn)行特征的提取，得到特征向量；

34、處理模塊，用于對所述特征向量進(jìn)行處理，得到融合特征向量；

35、訓(xùn)練模塊，用于將所述融合特征向量輸入所述lsvm分類器中，進(jìn)行訓(xùn)練，至最大迭代訓(xùn)練次數(shù)后結(jié)束。

36、第三方面，本申請?zhí)峁┮环N計(jì)算機(jī)設(shè)備，該設(shè)備包括存儲器和處理器，存儲器存儲有計(jì)算機(jī)程序，處理器從存儲器中調(diào)用并執(zhí)行計(jì)算機(jī)程序時實(shí)現(xiàn)上述第一方面中任一項(xiàng)所示的基于多特征融合的目標(biāo)識別算法的訓(xùn)練方法的步驟。

37、本申請?zhí)峁┑募夹g(shù)方案至少可以達(dá)到以下有益效果：

38、本申請?zhí)峁┑幕诙嗵卣魅诤系哪繕?biāo)識別方法、裝置及電子設(shè)備，通過傳統(tǒng)算法提取紋理特征和卷積神經(jīng)網(wǎng)絡(luò)提取深度特征相結(jié)合的方式，大大提升了檢測的準(zhǔn)確率，并且采用的歸一化、融合算法和降維算法可以將多維多類特征很好的融合，利于后續(xù)的檢測和使用，從而相較于現(xiàn)有算法中單獨(dú)適用單一的卷積神經(jīng)網(wǎng)絡(luò)特征，傳統(tǒng)紋理特征的引用，進(jìn)一步提升了檢測的準(zhǔn)確率，后續(xù)的歸一化以及降維處理，也簡化了計(jì)算，優(yōu)化了檢測效率。

技術(shù)特征：

1.一種基于多特征融合的目標(biāo)識別算法的訓(xùn)練方法，其特征在于，包括：

2.如權(quán)利要求1所述的基于多特征融合的目標(biāo)識別算法的訓(xùn)練方法，其特征在于，所述對所述圖像進(jìn)行特征的提取，得到特征向量，包括分別利用傳統(tǒng)紋理特征采集算法和卷積神經(jīng)網(wǎng)絡(luò)提取特征，得到第一特征向量及第二特征向量。

3.如權(quán)利要求2所述的基于多特征融合的目標(biāo)識別算法的訓(xùn)練方法，其特征在于，在所述分別利用傳統(tǒng)紋理特征采集算法和卷積神經(jīng)網(wǎng)絡(luò)提取特征，得到第一特征向量及第二特征向量之后，進(jìn)一步包括以下步驟：

4.如權(quán)利要求2所述的基于多特征融合的目標(biāo)識別算法的訓(xùn)練方法，其特征在于，所述利用傳統(tǒng)紋理特征采集算法提取特征，包括：

5.如權(quán)利要求1所述的基于多特征融合的目標(biāo)識別算法的訓(xùn)練方法，其特征在于，所述利用卷積神經(jīng)網(wǎng)絡(luò)提取特征，包括：

6.如權(quán)利要求3所述的基于多特征融合的目標(biāo)識別算法的訓(xùn)練方法，其特征在于，所述對所述第一特征向量及所述第二特征向量進(jìn)行歸一化處理，并進(jìn)行串行融合，得到融合特征，還包括：

7.如權(quán)利要求1所述的基于多特征融合的目標(biāo)識別算法的訓(xùn)練方法，其特征在于，所述通過線性判別分析(lda)對所述融合特征進(jìn)行降維處理，得到最終的融合特征向量，還包括：

8.如權(quán)利要求1所述的基于多特征融合的目標(biāo)識別算法的訓(xùn)練方法，其特征在于，所述獲取圖像，通過所述圖像構(gòu)建訓(xùn)練樣本集之后，進(jìn)一步包括：

9.一種基于多特征融合的目標(biāo)識別算法的訓(xùn)練裝置，其特征在于，包括：

10.一種計(jì)算機(jī)設(shè)備，其特征在于，包括存儲器和處理器，所述存儲器存儲有計(jì)算機(jī)程序，其特征在于，所述處理器從所述存儲器中調(diào)用并執(zhí)行所述計(jì)算機(jī)程序時實(shí)現(xiàn)上述權(quán)利要求1至8中任一項(xiàng)所述的方法的步驟。

技術(shù)總結(jié)
本申請涉及目標(biāo)識別技術(shù)領(lǐng)域，具體而言，涉及一種基于多特征融合的目標(biāo)識別方法、裝置及電子設(shè)備，一定程度上可以解決單一網(wǎng)絡(luò)不可避免的存在有效信息的丟失，多級特征的處理融合也增加了模型復(fù)雜度，降低了工作效率的問題。所述的基于多特征融合的目標(biāo)識別算法的訓(xùn)練方法包括：獲取圖像，通過所述圖像構(gòu)建訓(xùn)練樣本集；對所述圖像進(jìn)行特征的提取，得到特征向量；對所述特征向量進(jìn)行處理，得到融合特征向量；將所述融合特征向量輸入所述LSVM分類器中，進(jìn)行訓(xùn)練，至最大迭代訓(xùn)練次數(shù)后結(jié)束。

技術(shù)研發(fā)人員：吳能凱,郟東耀,張傳旺,李子琦,和子豪
受保護(hù)的技術(shù)使用者：北京交通大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/26