一种小目标识别算法制造技术

本发明专利技术公开了一种小目标识别算法，首先采用图像捕捉设备对目标进行捕捉，以获得目标图像；并将图像划分为重点区和非重点区；同时，对目标整体特征进行采集，并得出具体数据；识别图像中目标大小，并与具体数据进行比对，判别目标是否能够清晰捕捉，如果不是，则标记为异常，如果是，则标记为正常；将图像网格化，并按3x3为一个单元进行分割，一个3x3单元称为读取单元，神经元对每个读取单元中的特征量进行读取，并将读取数据上传至数据处理中心。本发明专利技术通过自我学习的神经网络，能够存储海量的数据，并将数据进行结合对比，达到了系统对每一个目标都能够根据体积数据，判别目标是否足够清晰捕捉，提高了识别速率。提高了识别速率。提高了识别速率。

【技术实现步骤摘要】
一种小目标识别算法


[0001]本专利技术涉及图像识别领域，尤其是一种小目标识别算法。

技术介绍

[0002]随着计算机视觉技术与存储技术的快速发展，研究人员已经在很多影像领域提出了许多基于图像的分析、辅助工具，例如自动并且高效地完成一些常规的图像分析任务，或者精确地对目标给出定位等等。近年来，随着深度学习技术在目标检测以及分割方面的发展，如何精确实现乳较小目标的筛查及识别，成为学者们研究的重要内容。
[0003]传统的小目标识别方法要将整个图像进行全部识别及检索，耗费大量的计算识别时间，此方法效率低下，不能够识别重点目标区域从而进行进一步分析，且传统的识别方法不能将已识别的小目标作为数据库，进行学习优化。

技术实现思路

[0004]本专利技术所要解决的技术问题是针对
技术介绍
的缺陷，本专利技术通过一种小目标识别算法，能够对影像进行初步处理，识别出重点分析区，且能够通过已识别过的数据作为依据进行优化学习，不断的提高识别的速度及精度，为实现小目标的快速识别提供强有力的支撑
[0005]本专利技术为解决上述技术问题采用以下技术方案：
[0006]一种小目标识别算法，包括以下步骤：
[0007]步骤S1、采用图像捕捉设备对目标进行捕捉，以获得目标图像；
[0008]步骤S2、对图像进行区分，将图像划分为重点区和非重点区；
[0009]步骤S3、在进行步骤S1的同时，对目标整体特征进行数据采取，并得出目标体积的具体数据，为体积数据；
[0010]步骤S4、识别图像中目标大小，并与S3中的体积数据进行比对，判别目标是否清晰，如果不是，则标记为异常，如果是，则标记为正常；
[0011]步骤S5、将S2中图像重点区调整为固定大小；
[0012]步骤S6、将S5中图像网格化，并按3x3为一个单元进行分割，一个3x3单元称为读取单元，神经元对每个读取单元中的特征量进行读取，并将读取数据上传至数据处理中心；
[0013]步骤S7、识别出特征量异常时，结合步骤S4反馈给人工判定，若人工判断清晰，则将3x3读取单元与步骤S3中的体积数据配对，当人工判断不清晰时，则重新进行步骤S5，且将读取单元网格化为9x9进行特征量读取，直至判别答案与人工一致。
[0014]优选的，将以往识别应用至步骤S6中，优化系统判断准确性。
[0015]优选的，所述步骤S4具体为，判断图像左右半幅高度是否一致，对于三维图像中第i行像素：
[0016][0017][0018]Δ
i
＝|H
Li
‑
H
Ri
|
[0019]式中H
Li
‑
图像中第i行左半幅的平均深度；
[0020]H
Ri
‑
图像中第i行右半幅的平均深度；
[0021]Δ
i
‑
第i行左右两半幅平均深度差距的绝对值；
[0022]I(i，j)
‑
像素I(i，j)的深度值，取值范围0
‑‑
255；
[0023]考虑到其他随机因素的影响，两半幅图像平均深度不可能完全一样，当平均深度差值Δ
i
大于阈值Δ
r
时，认为两半幅图像高度水平显著不同，需要整体提升较低的半幅图像：
[0024][0025]式中
‑
第i行较低的半幅图像，或为左半幅，或为右半幅；
[0026]I'(i，j)
‑
第i行较低的半幅中像素I(i，j)校正后的像素值。
[0027]优选的，具体算法如下：
[0028]设线性方程组为：
[0029]AX＝B
[0030]其中，X＝[x1，x2，
…
，x
n
]T
，b＝[b1，b2，
…
，b
n
]T
[0031]则AX＝B可改写为，
[0032][0033]设以a
ij
为隐层神经元激励函数，x
j
为神经网络训练权值，{i,b
i
|i＝1,2,
…
,n}为神经网络训练样本集；
[0034]则神经网络输出为
[0035][0036]误差函数为
[0037]e(i)＝b
i
‑
y(i)
[0038]性能指标为
[0039][0040]采用最速下降法确定权值调整量
[0041][0042]权值调整
[0043]x
j
(i+1)＝x
j
(i)+ηe(i)a
ij
，(j＝1，2，
…
，n)
[0044]写为矩阵形式为：
[0045]X(i+1)＝X(i)+ηe(i)A
T
(i，b
i
)
[0046]其中η为学习率，且0<η<1,A
T
(i，b
i
)表示系数矩阵A的第i行元素构成的列向量，即A
T
(i，b
i
)＝[a
i1
，a
i2
，
…
，a
in
]T
。
[0047]优选的，具体步骤如下：
[0048]步骤S21、随机产生权值列向量X＝[x1，x2，
…
，x
n
]T
，给定任意小正数Tol，令J＝0，准备好系数矩阵A和向量b＝[b1，b2，
…
，b
n
]T
，确定学习率η；
[0049]步骤S22、计算神经网络输出：
[0050]计算误差函数：e(i)＝b
i
‑
y(i)
[0051]计算性能指标J：
[0052]步骤S23、权值调整：X
j
(i+1)＝X
j
(i)+ηe(i)A
T
(i，b
i
)；
[0053]步骤S24、如果样本集未训练完毕，返回步骤S22重复上述步骤，否则，判断性能指标是否满足给定任意小正数Tol，如果J>Tol，令J＝0，并保存本次训练的权值，判断是否已保存了四次训练的神经网络权值，如果是，则按照龙贝格修正法对权值进行修正，将修正好的权值作为下次训练的神经网络权值，并返回步骤S22重复上述步骤，否则结束训练，输出神经网络训练结果X＝[x1，x2，
…
，x
n
]T
，此即为最佳解。
[0054]优选的，所述步骤S6中的读取单元配备64个神经元进行处理。
[0055]优选的，所述神经元之间读取信息互通。
[0056]本专利技术采用以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种小目标识别算法，其特征在于，包括以下步骤：步骤S1、采用图像捕捉设备对目标进行捕捉，以获得目标图像；步骤S2、对图像进行区分，将图像划分为重点区和非重点区；步骤S3、在进行步骤S1的同时，对目标整体特征进行数据采取，并得出目标体积的具体数据，为体积数据；步骤S4、识别图像中目标大小，并与S3中的体积数据进行比对，判别目标是否清晰，如果不是，则标记为异常，如果是，则标记为正常；步骤S5、将S2中图像重点区调整为固定大小；步骤S6、将S5中图像网格化，并按3x3为一个单元进行分割，一个3x3单元称为读取单元，神经元对每个读取单元中的特征量进行读取，并将读取数据上传至数据处理中心；步骤S7、识别出特征量异常时，结合步骤S4反馈给人工判定，若人工判断清晰，则将3x3读取单元与步骤S3中的体积数据配对，当人工判断不清晰时，则重新进行步骤S5，且将读取单元网格化为9x9进行特征量读取，直至判别答案与人工一致。2.根据权利要求1所述的一种小目标识别算法，其特征在于，将以往识别应用至步骤S6中，优化系统判断准确性。3.根据权利要求1所述的一种小目标识别算法，其特征在于，所述步骤S4具体为，判断图像左右半幅高度是否一致，对于三维图像中第i行像素：致，对于三维图像中第i行像素：Δ
i
＝|H
Li
‑
H
Ri
|式中H
Li
‑
图像中第i行左半幅的平均深度；H
Ri
‑
图像中第i行右半幅的平均深度；Δ
i
‑
第i行左右两半幅平均深度差距的绝对值；I(i，j)
‑
像素I(i，j)的深度值，取值范围0
‑‑
255；考虑到其他随机因素的影响，两半幅图像平均深度不可能完全一样，当平均深度差值Δ
i
大于阈值Δ
r
时，认为两半幅图像高度水平显著不同，需要整体提升较低的半幅图像：式中
‑
第i行较低的半幅图像，或为左半幅，或为右半幅；I
′
(i，j)
‑
第i行较低的半幅中像素I(i，j)校正后的像素值。4.根据权利要求2所述的一种小目标识别算法，其特征在于，具体算法如下：设线性方程组为：AX＝B其中，X＝[x1，x2，
…
，x
n
]
T
，b＝[b1，b2，
…
，b
n
]
T
则AX＝B可改写为，
设以a
ij
为隐层神经元...

【专利技术属性】
技术研发人员：戴元永，苏敏敏，曹强大，唐晓渊，单军军，褚振伟，毛鑫哲，
申请(专利权)人：苏州数智源信息技术有限公司，
类型：发明
国别省市：