首页 / 专利库 / 人工智能 / 图像识别 / 一种基于高级局部感知特征学习的图像识别方法及系统

一种基于高级局部感知特征学习的图像识别方法及系统

阅读:1050发布:2020-06-23

专利汇可以提供一种基于高级局部感知特征学习的图像识别方法及系统专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种基于高级局部 感知 特征学习的 图像识别 方法及系统,属于 计算机视觉 技术领域。本发明的基于高级局部感知特征学习的图像识别方法,分为三个部分:第一部分为目标感知区域特征识别,引入注意 力 机制, 定位 感兴趣区域;第二部分为局部感知特征提取,基于获取的感兴趣的区域特征,引入图论技术,构建高级局部感知特征;第三部分为识别部分,基于获得的高级局部感知特征对目标进行识别。该发明的基于高级局部感知特征学习的图像识别方法能够有效的获取目标的高级局部信息,符合人类识别目标的原理,进一步提高识别 精度 ,具有很好的推广应用价值。,下面是一种基于高级局部感知特征学习的图像识别方法及系统专利的具体信息内容。

1.一种基于高级局部感知特征学习的图像识别方法,其特征在于:该方法分为三个部分:第一部分为目标感知区域特征识别,引入注意机制,定位感兴趣区域;第二部分为局部感知特征提取,基于获取的感兴趣的区域特征,引入图论技术,构建高级局部感知特征;
第三部分为识别部分,基于获得的高级局部感知特征对目标进行识别。
2.根据权利要求1所述的基于高级局部感知特征学习的图像识别方法,其特征在于:具体包括以下步骤:
S1、训练阶段
1)感兴趣区域特征识别;
2)高级局部感知特征学习;
3)识别器训练;
S2、分类阶段,将待测试图像输入感兴趣区域特征学习模型,获取目标的局部特征,构建局部感知图,将局部感知图输入到训练好的识别模型中,获得识别结果。
3.根据权利要求2所述的基于高级局部感知特征学习的图像识别方法,其特征在于:感兴趣区域特征识别过程中利用deep lab V3获得感兴趣区域特征的概率图,即为感兴趣映射。
4.根据权利要求3所述的基于高级局部感知特征学习的图像识别方法,其特征在于:高级局部感知特征学习过程中,引入图论技术,将感兴趣映射的每个元素看作图的一个节点,引入基于信息论的度量学习方法度量每对节点的相似度,构建图的边,若每对节点的相似度小于值T,则这两个节点之间没有边,构建的图即为局部感知图。
5.根据权利要求4所述的基于高级局部感知特征学习的图像识别方法,其特征在于:识别器训练过程中,利用卷积神经网络作为识别器,处理图结构特征。
6.根据权利要求5所述的基于高级局部感知特征学习的图像识别方法,其特征在于:分类阶段,将待测试图像输入感兴趣区域特征学习模型,获得图像的感兴趣映射图,将感兴趣映射的每个元素看作图的一个节点。
7.一种基于高级局部感知特征学习的图像识别系统,其特征在于:该系统包括训练模和分类模块:
训练模块用于在训练阶段进行感兴趣区域特征识别、高级局部感知特征学习和识别器训练;
分类模块用于在分类阶段,将待测试图像输入感兴趣区域特征学习模型,获取目标的局部特征,构建局部感知图,将局部感知图输入到训练好的识别模型中,获得识别结果。
8.根据权利要求7所述的基于高级局部感知特征学习的图像识别系统,其特征在于:训练模块的感兴趣区域特征识别过程中利用deep lab V3获得感兴趣区域特征的概率图,即为感兴趣映射。
9.根据权利要求8所述的基于高级局部感知特征学习的图像识别系统,其特征在于:训练模块的高级局部感知特征学习过程中,引入图论技术,将感兴趣映射的每个元素看作图的一个节点,引入基于信息论的度量学习方法度量每对节点的相似度,构建图的边,若每对节点的相似度小于阀值T,则这两个节点之间没有边,构建的图即为局部感知图。
10.根据权利要求9所述的基于高级局部感知特征学习的图像识别系统,其特征在于:
训练模块的识别器训练过程中,利用卷积神经网络作为识别器,处理图结构特征。

说明书全文

一种基于高级局部感知特征学习的图像识别方法及系统

技术领域

[0001] 本发明涉及计算机视觉技术领域,具体提供一种基于高级局部感知特征学习的图像识别方法及系统。

背景技术

[0002] 特征提取是图像识别、模式识别等领域的关键步骤。现有方法主要聚焦于边缘、灰度、纹理等低层特征的提取。然而人类大脑在识别某个目标时,这类底层特征很少发挥重要作用,大脑主要通过感兴趣区域的局部特性进行识别,从而能达到较高的识别精度。因此,如何构造接近人类识别机理的特征图像识别方法有效提高识别精度,具有重要的研究意义和应用价值。受该工作机制的启发,本发明提出了一种基于高举局部感知特征的图像识别方法,有望提高识别精度。

发明内容

[0003] 本发明的技术任务是针对上述存在的问题,提供一种能够有效的获取目标的高级局部信息,符合人类识别目标的原理,进一步提高识别精度的基于高级局部感知特征学习的图像识别方法。
[0004] 本发明进一步的技术任务是提供一种基于高级局部感知特征学习的图像识别系统。
[0005] 为实现上述目的,本发明提供了如下技术方案:
[0006] 一种基于高级局部感知特征学习的图像识别方法,该方法分为三个部分:第一部分为目标感知区域特征识别,引入注意机制,定位感兴趣区域;第二部分为局部感知特征提取,基于获取的感兴趣的区域特征,引入图论技术,构建高级局部感知特征;第三部分为识别部分,基于获得的高级局部感知特征对目标进行识别。
[0007] 该基于高级局部感知特征学习的图像识别方法能够有效获取目标的高级局部信息,符合人类识别目标的原理,将进一步提高识别精度。
[0008] 作为优选,该基于高级局部感知特征学习的图像识别方法具体包括以下步骤:
[0009] S1、训练阶段
[0010] 1)感兴趣区域特征识别;
[0011] 2)高级局部感知特征学习;
[0012] 3)识别器训练;
[0013] S2、分类阶段,将待测试图像输入感兴趣区域特征学习模型,获取目标的局部特征,构建局部感知图,将局部感知图输入到训练好的识别模型中,获得识别结果。
[0014] 作为优选,感兴趣区域特征识别过程中利用deeplabV3获得感兴趣区域特征的概率图,即为感兴趣映射。
[0015] 作为优选,高级局部感知特征学习过程中,引入图论技术,将感兴趣映射的每个元素看作图的一个节点,引入基于信息论的度量学习方法度量每对节点的相似度,构建图的边,若每对节点的相似度小于值T,则这两个节点之间没有边,构建的图即为局部感知图。
[0016] 基于信息论的度量学习方法即Information-theoreticmetriclearning,ITML。
[0017] 作为优选,识别器训练过程中,利用卷积神经网络作为识别器,处理图结构特征。
[0018] 作为优选,分类阶段,将待测试图像输入感兴趣区域特征学习模型,获得图像的感兴趣映射图,将感兴趣映射的每个元素看作图的一个节点。
[0019] 一种基于高级局部感知特征学习的图像识别系统,该系统包括训练模和分类模块:
[0020] 训练模块用于在训练阶段进行感兴趣区域特征识别、高级局部感知特征学习和识别器训练;
[0021] 分类模块用于在分类阶段,将待测试图像输入感兴趣区域特征学习模型,获取目标的局部特征,构建局部感知图,将局部感知图输入到训练好的识别模型中,获得识别结果。
[0022] 作为优选,训练模块的感兴趣区域特征识别过程中利用deeplabV3获得感兴趣区域特征的概率图,即为感兴趣映射。
[0023] 作为优选,训练模块的高级局部感知特征学习过程中,引入图论技术,将感兴趣映射的每个元素看作图的一个节点,引入基于信息论的度量学习方法度量每对节点的相似度,构建图的边,若每对节点的相似度小于阀值T,则这两个节点之间没有边,构建的图即为局部感知图。
[0024] 作为优选,训练模块的识别器训练过程中,利用卷积神经网络作为识别器,处理图结构特征。
[0025] 与现有技术相比,本发明的基于高级局部感知特征学习的图像识别方法具有以下突出的有益效果:所述基于高级局部感知特征学习的图像识别方法能够有效获取目标的高级局部信息,符合人类识别目标的原理,将进一步提高识别精度,具有良好的推广应用价值。

具体实施方式

[0026] 下面将结合实施例,对本发明的基于高级局部感知特征学习的图像识别方法及系统作进一步详细说明。
[0027] 实施例
[0028] 本发明的基于高级局部感知特征学习的图像识别方法,分为三个部分:第一部分为目标感知区域特征识别,引入注意力机制,定位感兴趣区域;第二部分为局部感知特征提取,基于获取的感兴趣的区域特征,引入图论技术,构建高级局部感知特征;第三部分为识别部分,基于获得的高级局部感知特征对目标进行识别。
[0029] 具体包括以下步骤:
[0030] S1、训练阶段
[0031] 1)感兴趣区域特征识别。
[0032] 感兴趣区域特征识别过程中利用deeplabV3获得感兴趣区域特征的概率图,即为感兴趣映射。
[0033] 2)高级局部感知特征学习。
[0034] 高级局部感知特征学习过程中,引入图论技术,将感兴趣映射的每个元素看作图的一个节点,引入基于信息论的度量学习方法度量每对节点的相似度,构建图的边,若每对节点的相似度小于阀值T,则这两个节点之间没有边,构建的图即为局部感知图。
[0035] 3)识别器训练。
[0036] 识别器训练过程中,利用卷积神经网络作为识别器,处理图结构特征。
[0037] S2、分类阶段,将待测试图像输入感兴趣区域特征学习模型,获取目标的局部特征,构建局部感知图,将局部感知图输入到训练好的识别模型中,获得识别结果。
[0038] 分类阶段,将待测试图像输入感兴趣区域特征学习模型,获得图像的感兴趣映射图,将感兴趣映射的每个元素看作图的一个节点。为了更好的构建局部结构,引入基于信息论的度量学习方法度量每对节点的相似度,从而构建图的边。给定一个阀值T,若每对节点的相似度小于阀值T,则这两个节点之间没有边,构建的图,即为局部感知图。将局部感知图输入到训练好的识别模型中,获得识别结果。
[0039] 本发明的基于高级局部感知特征学习的图像识别系统,该系统包括训练模块和分类模块。
[0040] 其中,训练模块用于在训练阶段进行感兴趣区域特征识别、高级局部感知特征学习和识别器训练。
[0041] 训练模块的感兴趣区域特征识别过程中利用deeplabV3获得感兴趣区域特征的概率图,即为感兴趣映射。
[0042] 训练模块的高级局部感知特征学习过程中,引入图论技术,将感兴趣映射的每个元素看作图的一个节点,引入基于信息论的度量学习方法度量每对节点的相似度,构建图的边,若每对节点的相似度小于阀值T,则这两个节点之间没有边,构建的图即为局部感知图。
[0043] 训练模块的识别器训练过程中,利用卷积神经网络作为识别器,处理图结构特征。
[0044] 分类模块用于在分类阶段,将待测试图像输入感兴趣区域特征学习模型,获取目标的局部特征,构建局部感知图,将局部感知图输入到训练好的识别模型中,获得识别结果。
[0045] 具体为将待测试图像输入感兴趣区域特征学习模型,获得图像的感兴趣映射图,将感兴趣映射的每个元素看作图的一个节点。为了更好的构建局部结构,引入基于信息论的度量学习方法度量每对节点的相似度,从而构建图的边。给定一个阀值T,若每对节点的相似度小于阀值T,则这两个节点之间没有边,构建的图,即为局部感知图。将局部感知图输入到训练好的识别模型中,获得识别结果。
[0046] 以上所述的实施例,只是本发明较优选的具体实施方式,本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。
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。

申请试用

分析报告

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。

申请试用

QQ群二维码
意见反馈