一种模板匹配网络训练方法、识别方法及装置
专利汇可以提供一种模板匹配网络训练方法、识别方法及装置专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种模板匹配网络训练方法、识别方法及装置，属于 计算机视觉 、 深度学习 领域，该方法包括：获取样本模板；基于样本模板生成包含若干张样本图片的 训练数据 ，并记录每张样本图片中包含的各目标物体的中心点坐标、旋转 角 度、缩放比及类别信息；对所述训练数据进行归一化处理得到目标训练数据，再利用 卷积神经网络 对所述目标训练数据进行特征提取得到特征数据；根据所述特征数据训练建议框网络，保留满足预设要求的目标建议框，将所述目标建议框映射到特征图对应 位置 ，并对所述目标建议框进行旋转操作得到目标特征图；通过所述目标特征图训练神经网络得到模板匹配网络。通过本发明可以精确 定位 出目标物体及目标物体所在 像素 区域。，下面是一种模板匹配网络训练方法、识别方法及装置专利的具体信息内容。
1.一种模板匹配网络训练方法，其特征在于，包括：
(1)获取样本模板，其中，所述样本模板至少包括目标物体图和背景图，且所述样本模板中包括目标物体的目标外轮廓；
(2)基于所述样本模板生成包含若干张样本图片的训练数据，并记录每张所述样本图片中包含的各目标物体的中心点坐标、各目标物体的旋转角度、各目标物体的缩放比及各目标物体的类别信息；
(3)对所述训练数据进行归一化处理得到目标训练数据，再利用卷积神经网络对所述目标训练数据进行特征提取得到特征数据，其中所述特征数据包括所述目标训练数据的灰度及各目标物体的轮廓特征数据；
(4)根据所述特征数据训练建议框网络，保留满足预设要求的目标建议框，将所述目标建议框映射到特征图对应位置，并对所述目标建议框进行旋转操作得到目标特征图；
(5)通过所述目标特征图训练神经网络得到模板匹配网络，其中，所述模板匹配网络的输出至少为目标物体的类别和目标物体的缩放比。
2.根据权利要求1所述的方法，其特征在于，步骤(2)包括：
(2.1)基于所述样本模板，随机挑选目标物体、随机设置各目标物体的缩放比例和旋转角度；
(2.2)采用在粒子群算法中增加冯诺伊曼拓扑结构的方式生成包含若干张样本图片的训练数据，并记录每张所述样本图片中包含的各目标物体的中心点坐标、各目标物体的旋转角度、各目标物体的缩放比及各目标物体的类别信息。
3.根据权利要求1或2所述的方法，其特征在于，步骤(4)包括：
(4.1)根据所述特征数据训练建议框网络，预测出每个目标物体的轴对齐建议框及各目标物体的旋转角度值，其中，所述建议框网络包括rpn网络和角度分类网络；
(4.2)获取所述轴对齐建议框与实际建议框之间的重合度，获取所述轴对齐建议框中目标物体的旋转角度值与实际建议框中目标物体的旋转角度值的差值，若所述重合度小于预设重合度阈值，所述差值小于预设差值阈值，则舍弃重合度低于所述预设重合度阈值的轴对齐建议框，得到保留的目标轴对齐建议框；
(4.3)将所述目标轴对齐建议框映射到特征图对应位置，再基于所述目标轴对齐建议框中目标物体的旋转角度值对该位置的目标轴对齐建议框进行旋转变换，得到目标特征图。
4.根据权利要求3所述的方法，其特征在于，在步骤(4.1)中，预测出目标物体的旋转角度值，包括：
将角度进行分类，标准角度及其左右若干度为正值，其余的角度标签值均设置为0，其中，所述标准角度为目标物体形心沿最小矩形包络框长边方向。
5.一种识别方法，其特征在于，包括：
将待识别图片输入权利要求1至4中任意一项所述的模板匹配网络训练方法训练后的模板匹配网络进行识别处理，得到所述待识别图片中包含的各目标物体的类别信息和位姿信息。
6.一种模板匹配网络训练装置，其特征在于，包括：
模板获取模块，用于获取样本模板，其中，所述样本模板至少包括目标物体图和背景图，且所述样本模板中包括目标物体的目标外轮廓；
训练数据获取模块，用于基于所述样本模板生成包含若干张样本图片的训练数据，并记录每张所述样本图片中包含的各目标物体的中心点坐标、各目标物体的旋转角度、各目标物体的缩放比及各目标物体的类别信息；
特征提取模块，用于对所述训练数据进行归一化处理得到目标训练数据，再利用卷积神经网络对所述目标训练数据进行特征提取得到特征数据，其中所述特征数据包括所述目标训练数据的灰度及各目标物体的轮廓特征数据；
特征图获取模块，用于根据所述特征数据训练建议框网络，保留满足预设要求的目标建议框，将所述目标建议框映射到特征图对应位置，并对所述目标建议框进行旋转操作得到目标特征图；
训练模块，用于通过所述目标特征图训练神经网络得到模板匹配网络，其中，所述模板匹配网络的输出至少为目标物体的类别和目标物体的缩放比。
7.根据权利要求6所述的装置，其特征在于，所述训练数据获取模块，包括：
预处理模块，用于基于所述样本模板，随机挑选目标物体、随机设置各目标物体的缩放比例和旋转角度；
训练数据获取子模块，用于采用在粒子群算法中增加冯诺伊曼拓扑结构的方式生成包含若干张样本图片的训练数据，并记录每张所述样本图片中包含的各目标物体的中心点坐标、各目标物体的旋转角度、各目标物体的缩放比及各目标物体的类别信息。
8.根据权利要求6或7所述的装置，其特征在于，所述特征图获取模块，包括：
第一训练模块，用于根据所述特征数据训练建议框网络，预测出每个目标物体的轴对齐建议框及各目标物体的旋转角度值，其中，所述建议框网络包括rpn网络和角度分类网络；
判断处理模块，用于获取所述轴对齐建议框与实际建议框之间的重合度，获取所述轴对齐建议框中目标物体的旋转角度值与实际建议框中目标物体的旋转角度值的差值，若所述重合度小于预设重合度阈值，所述差值小于预设差值阈值，则舍弃重合度低于所述预设重合度阈值的轴对齐建议框，得到保留的目标轴对齐建议框；
特征图获取子模块，用于将所述目标轴对齐建议框映射到特征图对应位置，再基于所述目标轴对齐建议框中目标物体的旋转角度值对该位置的目标轴对齐建议框进行旋转变换，得到目标特征图。
9.根据权利要求8所述的装置，其特征在于，预测出目标物体的旋转角度值，包括：
将角度进行分类，标准角度及其左右若干度为正值，其余的角度标签值均设置为0，其中，所述标准角度为目标物体形心沿最小矩形包络框长边方向。
10.一种识别装置，其特征在于，包括：
识别结果获取模块，用于将待识别图片输入权利要求6至9任意一项所述的模板匹配网络训练装置训练后的模板匹配网络进行识别处理，得到所述待识别图片中包含的各目标物体的类别信息和位姿信息。
一种模板匹配网络训练方法、识别方法及装置
技术领域
背景技术
发明内容
具体实施方式
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 基于滑动输入来确定输入字符的系统和方法 | 2020-05-08 | 900 |
| 一种基于深度学习的光纤模式分解方法及可读介质 | 2020-05-11 | 187 |
| 一种用于深度学习的籽棉地膜高光谱可视化标签方法 | 2020-05-11 | 341 |
| 基于深度置信网络的慢性病精确干预方法及系统 | 2020-05-08 | 512 |
| 直播间弹幕显示方法、存储介质、设备及系统 | 2020-05-08 | 333 |
| 基于深度学习的无监督端到端的驾驶环境感知方法 | 2020-05-08 | 472 |
| 一种用于肠道息肉检测识别的智能辅助系统 | 2020-05-08 | 411 |
| 一种基于深度学习的商品二维码生成方法及系统 | 2020-05-08 | 40 |
| 一种HLA I型分子与多肽的亲和力预测方法 | 2020-05-08 | 576 |
| 一种基于LSTM的电网服务器运行状态预测装置 | 2020-05-11 | 365 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
