基于粒度及关联信息的物体类别识别模型构建方法及应用技术

本发明专利技术涉及一种基于粒度及关联信息的物体类别识别模型构建方法及应用，识别模型构建包括步骤：S1、获取训练样本图像中物体的特征信息和类别信息；S2、提取粗粒度特征和细粒度特征，构建粗类别矩阵和细类别矩阵；S3、分别构建不同粒度下的关联函数：类别‑类别关联函数、特征‑特征关联函数、类别‑特征关联函数，基于关联函数建立不同粒度下的关联约束函数；S4、基于关联函数和关联约束函数构建关联衡量模型的目标函数；S5、求解目标函数确定关联函数并得到各关联度最优解；S6、根据最优解确定粗粒度、细粒度下的类别识别函数。应用时，通过类别识别函数识别物体类别。与现有技术相比，本发明专利技术大大提高了识别的准确度。

【技术实现步骤摘要】
基于粒度及关联信息的物体类别识别模型构建方法及应用
本专利技术涉及模式识别
，尤其是涉及一种基于粒度及关联信息的物体类别识别模型构建方法及应用。
技术介绍
为了建设“智慧城市”，人们针对需要处理的物体或对应的数据集，设计了一系列的识别算法并嵌入应用系统加以处理，取得了良好的效果。但分析发现，数据集具有特征(如箱型、箱重、箱高)、类别(如空箱、重箱)等多种样本信息。这些信息可以分为粗粒度信息(含粗粒度特征和粗粒度类别)和细粒度信息(含细粒度特征和细粒度类别)。前者多用于整体描述和粗略识别，后者多用于细节描述和精细识别。这些样本信息中普遍存在多种关联信息，如类别-类别关联(不同类别之间的关联信息)，类别-特征关联(类别和特征之间的关联信息)，特征-特征关联(不同特征之间的关联信息)等。若两个类别或两个特征之间差异小、相关度高，则它们之间应存在强类别-类别关联或强特征-特征关联；若一个类别的判定只与部分特征有关，则相关的类别-特征关联应更强，其余不相关的类别-特征关联应减弱。由于传统的识别算法没有考虑到这些粒度特征或多种关联信息，所以相应的应用系统的性能时常出现降低的现象。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于粒度及关联信息的物体类别识别模型构建方法及应用。本专利技术的目的可以通过以下技术方案来实现：一种基于粒度及关联信息的物体类别识别模型构建方法，该方法包括如下步骤：S1、获取训练样本图像中物体的特征信息和类别信息，构成训练数据集；S2、基于特征信息分别提取训练样本图像的粗粒度特征和细粒度特征构成粗粒度特征矩阵XC和细粒度特征矩阵XD，同时根据训练样本图像类别信息构建粗类别矩阵YC和细类别矩阵YD；S3、分别构建不同粒度下的关联函数，包括，粗粒度和细粒度下的类别-类别关联函数fSC、fSD：SC＝fSC(YC)、SD＝fSD(YD)，其中，SC、SD分别为粗粒度和细粒度下的类别-类别关联度，粗粒度和细粒度下的特征-特征关联函数fVC、fVD：VC＝fVC(XC)、VD＝fVD(XD)，其中，VC、VD分别为粗粒度和细粒度下的特征-特征关联度，粗粒度和细粒度下的类别-特征关联函数fWC、fWD：WC＝fWC(XC，YC)、WD＝fWD(XD，YD)，其中，WC、WD分别为粗粒度和细粒度下的类别-特征关联度，同时基于关联函数建立粗粒度、细粒度下的关联约束函数fRC、fRD：RC＝fRC(SC，VC，WC)，RD＝fRD(SD，VD，WD)，其中，RC、RD分别为粗粒度和细粒度下的关联约束度；S4、基于粗粒度、细粒度下的关联函数和关联约束函数构建关联衡量模型的目标函数；S5、求解目标函数确定粗粒度、细粒度下的关联函数并得到类别-类别关联度最优解、特征-特征关联度最优解以及类别-特征关联度最优解；S6、根据最优解确定粗粒度、细粒度下的类别识别函数：其中，分别为粗粒度、细粒度下的类别-特征关联度最优解，分别为待识别的图像中物体的粗粒度特征矩阵和细粒度特征矩阵，为待确定的粗粒度类别和细粒度类别。优选地，步骤S2中通过卷积自编码器进行粗粒度特征提取。优选地，步骤S2中通过循环注意力卷积神经网络进行细粒度特征提取。优选地，步骤S3中粗粒度下的关联约束函数具体为：其中，上标T表示转置，为WC的拉普拉斯矩阵，||*||表示二范数。优选地，细粒度下的关联约束函数具体为：其中，上标T表示转置，为WD的拉普拉斯矩阵，||*||表示二范数。优选地，所述的目标函数为：f(XC,YC,XD,YD,SC,WC,VC,RC,SD,WD,VD,RD)＝RC+RD+min[||XC-VCXC||2+||YC-SCYC||2+||VCXCWC-SCYC||2+||XD-VDXD||2+||YD-SDYD||2+||VDXDWD-SDYD||2]，其中，||*||表示二范数。一种基于粒度及关联信息的物体类别识别模型的应用，采用上述基于粒度及关联信息的物体类别识别模型进行物体类别识别，具体识别方法包括如下步骤：a、获取待识别的图像的特征信息；b、基于特征信息分别提取训练样本图像的粗粒度特征和细粒度特征构成粗粒度特征矩阵和细粒度特征矩阵c、将输入至类别识别函数中，求解得到粗粒度类别和细粒度类别优选地，步骤c完成类别识别后还包括对物体类别识别模型的校正，具体为：将粗粒度特征矩阵细粒度特征矩阵粗粒度类别和细粒度类别输入至步骤S5确定的关联函数中，求解得到粗粒度和细粒度下的类别-类别关联度粗粒度和细粒度下的特征-特征关联度粗粒度和细粒度下的类别-特征关联度进而将与粗粒度、细粒度下的类别-类别关联度最优解、特征-特征关联度最优解以及类别-特征关联度最优解进行比对，当存在较大差异时对识别结果进行人工校正，同时将该预测样本作为新的训练样本进行再次训练。优选地，比对通过如下方式进行：分别计算其中，分别为粗粒度、细粒度下的类别-类别关联度最优解，分别为粗粒度、细粒度下的特征-特征关联度最优解，分别为粗粒度、细粒度下的类别-特征关联度最优解，若计算值小于设定阈值，则识别结果正确，否则进行人工校正。优选地，所述的设定阈值为0.5。与现有技术相比，本专利技术具有如下优点：(1)本专利技术识别模型构建过程中通过引入粒度和多种关联信息，有效提升识别模型的识别精度；(2)本专利技术在利用识别模型进行类别识别后，对识别结果偏差较大的样本作为训练样本进一步训练模型，有效提升识别算法的性能。附图说明图1为本专利技术基于粒度及关联信息的物体类别识别模型构建方法的流程图；图2为采用基于粒度及关联信息的物体类别识别模型进行物体类别识别的流程图；图3为本专利技术物体类别识别模型在航运物流领域中的应用示意图--装箱；图4为本专利技术物体类别识别模型在航运物流领域中的应用示意图--卸箱。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本专利技术并不意在对其适用物或其用途进行限定，且本专利技术并不限定于以下的实施方式。实施例如图1所示，本专利技术公开了一种基于粒度及关联信息的物体类别识别模型构建方法的设计方式，其包含细粒度特征提取，粗粒度特征提取，类别-类别关联计算子模块，特征-特征关联计算子模块，类别-特征关联计算子模块，约束项构建子模块以及关联衡量模型。其中，细粒度特征提取连接由摄像头和训练样本数据库一同获取的训练样本类别和特征部分，以用于提取样本的细粒度特征并获得细粒度类别；粗粒度特征提取连接由摄像头和训练样本数据库一同获取的训练样本类别和特征部分，以用于提取样本的粗粒度特征并获得粗粒度类别。针对获得的粗粒度类别，进入所述的类别-类别关联计算子模块并获得粗粒度类别之间的关联；针对获得本文档来自技高网...

【技术保护点】
1.一种基于粒度及关联信息的物体类别识别模型构建方法，其特征在于，该方法包括如下步骤：/nS1、获取训练样本图像中物体的特征信息和类别信息，构成训练数据集；/nS2、基于特征信息分别提取训练样本图像的粗粒度特征和细粒度特征构成粗粒度特征矩阵X

【技术特征摘要】
1.一种基于粒度及关联信息的物体类别识别模型构建方法，其特征在于，该方法包括如下步骤：
S1、获取训练样本图像中物体的特征信息和类别信息，构成训练数据集；
S2、基于特征信息分别提取训练样本图像的粗粒度特征和细粒度特征构成粗粒度特征矩阵XC和细粒度特征矩阵XD，同时根据训练样本图像类别信息构建粗类别矩阵YC和细类别矩阵YD；
S3、分别构建不同粒度下的关联函数，包括，
粗粒度和细粒度下的类别-类别关联函数fSC、fSD：SC＝fSC(YC)、SD＝fSD(YD)，其中，SC、SD分别为粗粒度和细粒度下的类别-类别关联度，
粗粒度和细粒度下的特征-特征关联函数fVC、fVD：VC＝fVC(XC)、VD＝fVD(XD)，其中，VC、VD分别为粗粒度和细粒度下的特征-特征关联度，
粗粒度和细粒度下的类别-特征关联函数fWC、fWD：WC＝fWC(XC，YC)、WD＝fWD(XD，YD)，其中，WC、WD分别为粗粒度和细粒度下的类别-特征关联度，
同时基于关联函数建立粗粒度、细粒度下的关联约束函数fRC、fRD：RC＝fRC(SC，VC，WC)，RD＝fRD(SD，VD，WD)，其中，RC、RD分别为粗粒度和细粒度下的关联约束度；
S4、基于粗粒度、细粒度下的关联函数和关联约束函数构建关联衡量模型的目标函数；
S5、求解目标函数确定粗粒度、细粒度下的关联函数并得到类别-类别关联度最优解、特征-特征关联度最优解以及类别-特征关联度最优解；
S6、根据最优解确定粗粒度、细粒度下的类别识别函数：



其中，分别为粗粒度、细粒度下的类别-特征关联度最优解，分别为待识别的图像中物体的粗粒度特征矩阵和细粒度特征矩阵，为待确定的粗粒度类别和细粒度类别。


2.根据权利要求1所述的一种基于粒度及关联信息的物体类别识别模型构建方法，其特征在于，步骤S2中通过卷积自编码器进行粗粒度特征提取。


3.根据权利要求1所述的一种基于粒度及关联信息的物体类别识别模型构建方法，其特征在于，步骤S2中通过循环注意力卷积神经网络进行细粒度特征提取。


4.根据权利要求1所述的一种基于粒度及关联信息的物体类别识别模型构建方法，其特征在于，步骤S3中粗粒度下的...

【专利技术属性】
技术研发人员：朱昌明，苗夺谦，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海;31