【技术实现步骤摘要】
本申请属于人工智能，具体涉及一种对象识别方法、对象识别装置、计算机可读介质、电子设备以及计算机程序产品。
技术介绍
1、目标跟踪是指在给定视频帧中的目标对象的初始化状态，估计后续视频帧中的目标对象的状态。作为计算机视觉最具挑战性的领域之一，被广泛应用在例如人脸识别、智能监控和自动驾驶等场景。目前目标跟踪主要分为传统的基于相关滤波的跟踪算法和基于深度学习的跟踪算法。
2、传统的目标跟踪方法通常依赖于手工设计的特征(灰度特征、颜色特征和形状特征等)和模型更新策略，为了设计这些手工特征和更新模型导致整体跟踪算法十分复杂且过分依赖于人工设计的特征。除此以外，这些特征的表征能力有限(特征数量有限且都是浅层特征)，在面对复杂场景时往往效果有限。
3、基于深度学习的目标跟踪方法依赖于卷积神经网络(cnn)和训练大量数据，cnn通过卷积层、池化层等结构，能够逐层提取图像中的特征。从低级的边缘、纹理特征，到高级的形状、语义特征，cnn能够形成层次化的特征表示。这种层次化特征提取使得cnn能够捕捉到图像中更复杂的模式和结构，再经过大量数据进行训练，从而具有更强的表征能力，能够更有效地处理复杂场景下的跟踪难题。
4、在基于深度学习的目标跟踪方法中，一般通过卷积操作进行图像特征提取，由于卷积操作具有局部性，每个卷积核只处理其覆盖的局部区域，导致捕捉全局上下文信息能力较差。为了增大图像特征提取的感受野，可以在卷积操作之后添加池化操作。然而，池化操作容易丢失图像细节信息，受到噪声或异常值干扰，使得图像变得模糊，导致对象识
技术实现思路
1、本申请提供一种对象识别方法、对象识别装置、计算机可读介质、电子设备以及计算机程序产品，目的在于提高对象识别跟踪的准确性。
2、本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
3、根据本申请实施例的一个方面，提供一种对象识别方法，该方法包括：获取待识别图像，并对所述待识别图像进行边缘像素检测，得到所述待识别图像中的边缘像素点和非边缘像素点；所述边缘像素点是在所述待识别图像中位于内容对象的边缘区域的像素点，所述非边缘像素点是在所述待识别图像中位于所述内容对象的非边缘区域的像素点；根据所述边缘像素点在池化区域内的分布比例，从多种候选池化算法中选取与所述池化区域相匹配的目标池化算法；所述池化区域是由具有预设尺寸的池化核在所述待识别图像上移动采集的局部图像区域；根据所述目标池化算法对所述池化区域进行池化处理，得到所述待识别图像对应的特征图；根据所述特征图定位待识别的目标对象在所述待识别图像中的分布位置。
4、根据本申请实施例的一个方面，提供一种对象识别装置，该装置包括：
5、检测模块，被配置为获取待识别图像，并对所述待识别图像进行边缘像素检测，得到所述待识别图像中的边缘像素点和非边缘像素点；所述边缘像素点是在所述待识别图像中位于内容对象的边缘区域的像素点，所述非边缘像素点是在所述待识别图像中位于所述内容对象的非边缘区域的像素点；
6、选取模块，被配置为根据所述边缘像素点在池化区域内的分布比例，从多种候选池化算法中选取与所述池化区域相匹配的目标池化算法；所述池化区域是由具有预设尺寸的池化核在所述待识别图像上移动采集的局部图像区域；
7、池化模块，被配置为根据所述目标池化算法对所述池化区域进行池化处理，得到所述待识别图像对应的特征图；
8、定位模块，被配置为根据所述特征图定位待识别的目标对象在所述待识别图像中的分布位置。
9、在本申请的一些实施例中，基于以上技术方案，所述选取模块包括：
10、第一统计模块，被配置为统计所述边缘像素点在所述待识别图像中的分布比例，得到所述边缘像素点的整体区域占比；
11、第二统计模块，被配置为统计所述边缘像素点在池化区域内的分布比例，得到所述边缘像素点的局部区域占比；
12、算法选取模块，被配置为根据所述整体区域占比与所述局部区域占比的数值关系，从多种候选池化算法中选取与所述池化区域相匹配的目标池化算法。
13、在本申请的一些实施例中，基于以上技术方案，所述候选池化算法包括最大池化算法、平均池化算法和混合池化算法，所述混合池化算法是由所述最大池化算法和所述平均池化算法组合形成的池化算法；所述算法选取模块进一步被配置为：当所述局部区域占比大于所述整体区域占比时，选取所述最大池化算法作为与所述池化区域相匹配的目标池化算法；当所述局部区域占比小于所述整体区域占比且大于零时，选取所述混合池化算法作为与所述池化区域相匹配的目标池化算法；当所述局部区域占比等于零时，选取所述平均池化算法作为与所述池化区域相匹配的目标池化算法。
14、在本申请的一些实施例中，基于以上技术方案，所述池化模块进一步被配置为：根据所述最大池化算法对所述池化区域进行池化处理，得到第一池化特征值；根据所述均匀池化算法对所述池化区域进行池化处理，得到第二池化特征值；以所述局部区域占比作为加权系数，对所述第一池化特征值和所述第二池化特征值进行加权运算，得到所述池化区域的混合池化特征值。
15、在本申请的一些实施例中，基于以上技术方案，所述池化模块进一步被配置为：根据所述最大池化算法对所述池化区域进行池化处理，得到第一池化特征值；根据所述均匀池化算法对所述池化区域进行池化处理，得到第二池化特征值；以所述局部区域占比作为选取概率，从所述第一池化特征值和所述第二池化特征值中随机选取一个特征值作为所述池化区域的混合池化特征值。
16、在本申请的一些实施例中，基于以上技术方案，所述定位模块包括：
17、模板获取模块，被配置为获取与待识别的目标对象相对应的特征模板；
18、特征融合模块，被配置为将所述特征模板与所述特征图中的候选区域进行特征融合处理，得到所述候选区域的响应图，所述响应图用于表示所述候选区域与所述特征模板的相似度；
19、对象定位模块，被配置为根据所述响应图将与所述特征模板相似度最高的候选区域定位为所述目标对象在所述待识别图像中的分布位置。
20、在本申请的一些实施例中，基于以上技术方案，所述特征模板包括预先配置的静态模板和在对象识别过程中动态更新的动态模板；所述特征融合模块进一步被配置为：将所述静态模板与所述特征图中的候选区域进行特征融合处理，得到具有空间信息的第一融合特征；将所述动态模板与所述特征图中的候选区域进行特征融合处理，得到具有时间信息的第二融合特征；对所述第一融合特征和所述第二融合特征进行卷积运算，得到所述候选区域的响应图。
21、在本申请的一些实施例中，基于以上技术方案，所述对象识别装置还包括更新模块，被配置为：根据所述目标对象在所述待识别图像中的分布位置，从所述特征图中裁剪得到目标特征；获取所述目标特征与所述静态模板的特征相似度；根据所述特征相似度更新所述动态模板。
本文档来自技高网...
【技术保护点】
1.一种对象识别方法，其特征在于，包括：
2.根据权利要求1所述的对象识别方法，其特征在于，根据所述边缘像素点在池化区域内的分布比例，从多种候选池化算法中选取与所述池化区域相匹配的目标池化算法，包括：
3.根据权利要求2所述的对象识别方法，其特征在于，所述候选池化算法包括最大池化算法、平均池化算法和混合池化算法，所述混合池化算法是由所述最大池化算法和所述平均池化算法组合形成的池化算法；根据所述整体区域占比与所述局部区域占比的数值关系，从多种候选池化算法中选取与所述池化区域相匹配的目标池化算法，包括：
4.根据权利要求3所述的对象识别方法，其特征在于，当选取所述混合池化算法作为与所述池化区域相匹配的目标池化算法时，根据所述目标池化算法对所述池化区域进行池化处理，包括：
5.根据权利要求3所述的对象识别方法，其特征在于，当选取所述混合池化算法作为与所述池化区域相匹配的目标池化算法时，根据所述目标池化算法对所述池化区域进行池化处理，包括：
6.根据权利要求1至5中任意一项所述的对象识别方法，其特征在于，根据所述特征图定位待识别
7.根据权利要求6所述的对象识别方法，其特征在于，所述特征模板包括预先配置的静态模板和在对象识别过程中动态更新的动态模板；将所述特征模板与所述特征图中的候选区域进行特征融合处理，包括：
8.根据权利要求7所述的对象识别方法，其特征在于，在根据所述特征图定位待识别的目标对象在所述待识别图像中的分布位置之后，所述方法还包括：
9.根据权利要求8所述的对象识别方法，其特征在于，所述特征相似度包括各个像素点处的相似度值；根据所述特征相似度更新所述动态模板，包括：
10.一种电子设备，其特征在于，包括：
...【技术特征摘要】
1.一种对象识别方法，其特征在于，包括：
2.根据权利要求1所述的对象识别方法，其特征在于，根据所述边缘像素点在池化区域内的分布比例，从多种候选池化算法中选取与所述池化区域相匹配的目标池化算法，包括：
3.根据权利要求2所述的对象识别方法，其特征在于，所述候选池化算法包括最大池化算法、平均池化算法和混合池化算法，所述混合池化算法是由所述最大池化算法和所述平均池化算法组合形成的池化算法；根据所述整体区域占比与所述局部区域占比的数值关系，从多种候选池化算法中选取与所述池化区域相匹配的目标池化算法，包括：
4.根据权利要求3所述的对象识别方法，其特征在于，当选取所述混合池化算法作为与所述池化区域相匹配的目标池化算法时，根据所述目标池化算法对所述池化区域进行池化处理，包括：
5.根据权利要求3所述的对象识别方法，其特征在于，当选取所述混合池化算...
【专利技术属性】
技术研发人员：蒯金亮，
申请(专利权)人：深圳前海微众银行股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。