本申請涉及目標識別，具體而言，涉及一種基于多特征融合的目標識別方法、裝置及電子設備。

背景技術(shù)：

1、在實際的非結(jié)構(gòu)化的復雜場景中，若需要機器人像人類一樣快速、精確地完成目標物體的識別，還面臨著巨大的挑戰(zhàn)。受益于近年來深度學習技術(shù)在圖像識別領(lǐng)域不斷進步和發(fā)展，使得基于視覺識別的機器人識別算法可以幫助機器人可以有效的實現(xiàn)多種復雜場景下的目標物體識別工作，進一步提升非結(jié)構(gòu)化環(huán)境中目標物體的識別工作，對于推動機器人的智能抓取工作也有重要的實際應用價值。目前大部分基于深度學習的物體識別技術(shù)針對結(jié)構(gòu)化環(huán)境下的物體識別工作，而對于非結(jié)構(gòu)化環(huán)境中含有多個目標物體的應用場景，效果仍然不夠理想。當前基于深度學習的識別方法主要通過單層網(wǎng)絡特征進行目標物體的識別，雖然有眾多學者通過改善網(wǎng)絡結(jié)構(gòu)來優(yōu)化檢測精度，但是在非結(jié)構(gòu)化環(huán)境中含有多個目標物體的應用場景下的目標識別準確仍然不理想。

2、隨著“新一代人工智能發(fā)展規(guī)劃”等多項計劃的的實施，我國人工智能產(chǎn)業(yè)的高速發(fā)展。其中實現(xiàn)類人化的精確快速識別目標物體是全球機器人研究者所追求的，進一步推動其發(fā)展無疑對提高生產(chǎn)效率和優(yōu)化人機交互環(huán)境都有著重要意義。以機器視覺為代表的各類人工智能算法的出現(xiàn)為機器人的智能化發(fā)展提供了機會，實現(xiàn)非結(jié)構(gòu)化場景下多目標物體識別工作已成為可能。通過機器視覺實現(xiàn)目標物體的自主識別和定位，也一直是近期的熱門研究趨勢。

3、有人提出了基于注意力機制多級特征融合的多目標物體抓取識別算法研究，該算法首先建立深度學習主干網(wǎng)絡模型，將多級卷積模塊中提取的不同尺度的網(wǎng)絡特征信息進行了處理，并提取其中數(shù)據(jù)進行融合處理，充分利用了各級網(wǎng)絡所提取的特征信息。其在進行特征融合的過程中，引入了注意力機制，提升了數(shù)據(jù)的有效利用，減少了噪聲信息的干擾，雖然提出的基于注意力機制的多級特征融合方法，充分利用了網(wǎng)絡特征的有效信息，抑制了噪聲信息干擾，有著較高的準確率。

4、但是，單一網(wǎng)絡不可避免的存在有效信息的丟失，多級特征的處理融合也增加了模型復雜度，降低了工作效率。。

技術(shù)實現(xiàn)思路

1、為了解決單一網(wǎng)絡不可避免的存在有效信息的丟失，多級特征的處理融合也增加了模型復雜度，降低了工作效率的問題，本申請?zhí)峁┝艘环N基于多特征融合的目標識別方法，通過glcm(空間灰度共生矩陣)方法和lbp(局部二值模式)方法提取數(shù)據(jù)集的特征，然后將這些有效信息與cnn特征進行融合降維處理后用于目標物體的識別工作，提升目標識別的準確率。

2、本申請的實施例是這樣實現(xiàn)的：

3、第一方面，本申請?zhí)峁┮环N基于多特征融合的目標識別方法，包括：

4、獲取圖像，通過所述圖像構(gòu)建訓練樣本集；

5、對所述圖像進行特征的提取，得到特征向量；

6、對所述特征向量進行處理，得到融合特征向量；

7、將所述融合特征向量輸入所述lsvm分類器中，進行訓練，至最大迭代訓練次數(shù)后結(jié)束。

8、在一種可能的實現(xiàn)方式中，所述對所述圖像進行特征的提取，得到特征向量，包括分別利用傳統(tǒng)紋理特征采集算法和卷積神經(jīng)網(wǎng)絡提取特征，得到第一特征向量及第二特征向量。

9、在一種可能的實現(xiàn)方式中，在所述分別利用傳統(tǒng)紋理特征采集算法和卷積神經(jīng)網(wǎng)絡提取特征，得到第一特征向量及第二特征向量之后，進一步包括以下步驟：

10、對所述第一特征向量及所述第二特征向量進行歸一化處理，并進行串行融合，得到融合特征；

11、通過線性判別分析(lda)對所述融合特征進行降維處理，得到最終的融合特征向量。

12、在一種可能的實現(xiàn)方式中，所述利用傳統(tǒng)紋理特征采集算法提取特征，包括：

13、對所述圖像圖像預處理；

14、通過lbp(局部二值模式)方法提取數(shù)據(jù)集的特征；

15、通過glcm(空間灰度共生矩陣)方法提取數(shù)據(jù)集的特征。

16、在一種可能的實現(xiàn)方式中，所述利用卷積神經(jīng)網(wǎng)絡提取特征，包括：

17、將模型在訓練集中進行預訓練；

18、通過私有數(shù)據(jù)集進行微調(diào)；

19、利用所述模型的隱藏層進行抽象特征提取。

20、在一種可能的實現(xiàn)方式中，所述對所述第一特征向量及所述第二特征向量進行歸一化處理，并進行串行融合，得到融合特征，還包括：

21、對所述第一特征向量及所述第二特征向量進行特征歸一化；

22、將能量(ene)、熵(ent)、相關(guān)性(corr)、對比(con)分等glcm特征的不同頻率和方向的特征圖、lbp直方圖融合在一起形成特征圖；

23、定義所述第一特征向量為x1＝[x11,x12,…x1,m]，所述第二特征向量為x2＝[x21,x22,…x2,n]；

24、通過序列融合得到融合特征w＝(w1,w2,…,wm+n)＝(αx1,βx2)，并對融合系數(shù)，α和β進行加權(quán)，給出了不同融合比下的權(quán)重。

25、在一種可能的實現(xiàn)方式中，所述通過線性判別分析(lda)對所述融合特征進行降維處理，得到最終的融合特征向量，還包括：

26、通過線性判別分析對所述融合特征進行降維處理，減少特征向量；

27、對降維后的融合特征進行優(yōu)化；

28、通過多個類向低維投影得到一個超平面，得到最終的融合特征向量。

29、在一種可能的實現(xiàn)方式中，所述獲取圖像，通過所述圖像構(gòu)建訓練樣本集之后，進一步包括：

30、創(chuàng)建cnn網(wǎng)絡，并隨機初始化其參數(shù)，同時初始化lsvm分類器參數(shù)。

31、第二方面，本申請?zhí)峁┮环N基于多特征融合的目標識別算法的訓練裝置，包括：

32、采集模塊，用于獲取圖像，通過所述圖像構(gòu)建訓練樣本集；

33、提取模塊，用于對所述圖像進行特征的提取，得到特征向量；

34、處理模塊，用于對所述特征向量進行處理，得到融合特征向量；

35、訓練模塊，用于將所述融合特征向量輸入所述lsvm分類器中，進行訓練，至最大迭代訓練次數(shù)后結(jié)束。

36、第三方面，本申請?zhí)峁┮环N計算機設備，該設備包括存儲器和處理器，存儲器存儲有計算機程序，處理器從存儲器中調(diào)用并執(zhí)行計算機程序時實現(xiàn)上述第一方面中任一項所示的基于多特征融合的目標識別算法的訓練方法的步驟。

37、本申請?zhí)峁┑募夹g(shù)方案至少可以達到以下有益效果：

38、本申請?zhí)峁┑幕诙嗵卣魅诤系哪繕俗R別方法、裝置及電子設備，通過傳統(tǒng)算法提取紋理特征和卷積神經(jīng)網(wǎng)絡提取深度特征相結(jié)合的方式，大大提升了檢測的準確率，并且采用的歸一化、融合算法和降維算法可以將多維多類特征很好的融合，利于后續(xù)的檢測和使用，從而相較于現(xiàn)有算法中單獨適用單一的卷積神經(jīng)網(wǎng)絡特征，傳統(tǒng)紋理特征的引用，進一步提升了檢測的準確率，后續(xù)的歸一化以及降維處理，也簡化了計算，優(yōu)化了檢測效率。

技術(shù)特征：

1.一種基于多特征融合的目標識別算法的訓練方法，其特征在于，包括：

2.如權(quán)利要求1所述的基于多特征融合的目標識別算法的訓練方法，其特征在于，所述對所述圖像進行特征的提取，得到特征向量，包括分別利用傳統(tǒng)紋理特征采集算法和卷積神經(jīng)網(wǎng)絡提取特征，得到第一特征向量及第二特征向量。

3.如權(quán)利要求2所述的基于多特征融合的目標識別算法的訓練方法，其特征在于，在所述分別利用傳統(tǒng)紋理特征采集算法和卷積神經(jīng)網(wǎng)絡提取特征，得到第一特征向量及第二特征向量之后，進一步包括以下步驟：

4.如權(quán)利要求2所述的基于多特征融合的目標識別算法的訓練方法，其特征在于，所述利用傳統(tǒng)紋理特征采集算法提取特征，包括：

5.如權(quán)利要求1所述的基于多特征融合的目標識別算法的訓練方法，其特征在于，所述利用卷積神經(jīng)網(wǎng)絡提取特征，包括：

6.如權(quán)利要求3所述的基于多特征融合的目標識別算法的訓練方法，其特征在于，所述對所述第一特征向量及所述第二特征向量進行歸一化處理，并進行串行融合，得到融合特征，還包括：

7.如權(quán)利要求1所述的基于多特征融合的目標識別算法的訓練方法，其特征在于，所述通過線性判別分析(lda)對所述融合特征進行降維處理，得到最終的融合特征向量，還包括：

8.如權(quán)利要求1所述的基于多特征融合的目標識別算法的訓練方法，其特征在于，所述獲取圖像，通過所述圖像構(gòu)建訓練樣本集之后，進一步包括：

9.一種基于多特征融合的目標識別算法的訓練裝置，其特征在于，包括：

10.一種計算機設備，其特征在于，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器從所述存儲器中調(diào)用并執(zhí)行所述計算機程序時實現(xiàn)上述權(quán)利要求1至8中任一項所述的方法的步驟。

技術(shù)總結(jié)
本申請涉及目標識別技術(shù)領(lǐng)域，具體而言，涉及一種基于多特征融合的目標識別方法、裝置及電子設備，一定程度上可以解決單一網(wǎng)絡不可避免的存在有效信息的丟失，多級特征的處理融合也增加了模型復雜度，降低了工作效率的問題。所述的基于多特征融合的目標識別算法的訓練方法包括：獲取圖像，通過所述圖像構(gòu)建訓練樣本集；對所述圖像進行特征的提取，得到特征向量；對所述特征向量進行處理，得到融合特征向量；將所述融合特征向量輸入所述LSVM分類器中，進行訓練，至最大迭代訓練次數(shù)后結(jié)束。

技術(shù)研發(fā)人員：吳能凱,郟東耀,張傳旺,李子琦,和子豪
受保護的技術(shù)使用者：北京交通大學
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/26