[发明专利]车辆目标识别的方法及装置

说明书

本发明适用于地球视觉目标识别技术领域，提供了一种车辆目标识别的方法及装置，该方法包括：获取数据集，并对所述数据集进行划分，确定训练数据集以及测试数据集；对所述训练数据集中的每一个目标的车辆标记框进行聚类计算，获得聚类中心；将所述聚类中心作为网络训练的初始候选窗口，基于所述训练数据集对初始网络模型进行训练，获得目标网络模型；将所述测试数据集输入所述目标网络模型，获得识别后的车辆，从而可以提高车辆目标的识别效果。

技术领域

本发明属于地球视觉目标识别技术领域，尤其涉及一种车辆目标识别的方法及装置。

背景技术

目标识别一直以来都是计算机视觉里的研究热点与难点。在信息与网络日益普及的今天，尤其是随着移动互联网时代的到来，无人机已经是人们生活中的比较重要的组成部分，无人机与各种各样不同的侦查系统一起构成了完整的新时代的战争预警与侦查系统，因此无人机图像中的车辆目标识别在民用与军用领域都具有极其重要的价值。然而，由于无人机图像中的车辆目标一般比较小，目标经过网络运算以后细节信息丢失严重，导致现有的识别算法对无人机图像中的车辆目标的识别效果较差。

发明内容

有鉴于此，本发明实施例提供了一种车辆目标识别的方法及装置，以解决现有技术中对无人机图像中的车辆目标的识别效果较差的问题。

本发明实施例的第一方面提供了一种车辆目标识别的方法，包括：

获取数据集，并对所述数据集进行划分，确定训练数据集以及测试数据集；

对所述训练数据集中的每一个目标的车辆标记框进行聚类计算，获得聚类中心；

将所述聚类中心作为网络训练的初始候选窗口，基于所述训练数据集对初始网络模型进行训练，获得目标网络模型；

将所述测试数据集输入所述目标网络模型，获得识别后的车辆。

在一实施例中，所述获取数据集，包括：

分别获取不同角度拍摄的不同像素的图片，并将所有图片作为数据集。

在一实施例中，所述对所述训练数据集中的每一个目标的车辆标记框进行聚类计算，获得聚类中心，包括：

采用改进的K-means算法对所述训练数据集中的每一个目标的车辆标记框进行聚类计算，获得预设数量的聚类中心。

在一实施例中，所述改进的K-means算法聚类采用的距离公式为

d(box,centroid)＝1-IOU(box,centroid)；

其中，d(box,centroid)表示当前预测框与实际标记的预测框的距离，IOU(box,centroid)表示当前预测框与实际标记的预测框之间的重叠度的值。

在一实施例中，所述将所述聚类中心作为网络训练的初始候选窗口，基于所述训练数据集对初始网络模型进行训练，获得目标网络模型，包括：

设置所述聚类中心作为网络训练的初始候选窗口，并将所述训练数据集输入初始网络模型；

对所述训练数据集中的所有图像进行特征提取，分别获得各个图像对应的预设像素的特征图；

将所述各个图像根据所述预设像素划分为对应数量的大小均匀的网格；

根据每个网格内的特征点以及对应的初始候选窗口，确定每个目标待匹配的初始候选窗口；

对所述每个网格内的目标对应的所述待匹配的初始候选窗口进行目标边界框预测，获得目标标记框，输出各个目标标记框；

根据输出所述各个目标标记框采用的模型参数更新所述初始网络模型，获得更新后的网络模型，并确定多次更新后的网络模型中测试平均精度值最高的网络模型为目标网络模型。