[发明专利]一种目标检测识别方法及系统

权利要求书

1.一种目标检测识别方法，其特征在于，包括：

对采集的高速移动目标的事件流数据进行预处理，得到预处理后的图像帧，并将时间戳相邻的T个所述预处理后的图像帧拼接成一个时间步为T的序列图像帧，得到待识别的序列图像帧；

对所述待识别的序列图像帧进行识别处理，得到识别结果，所述识别结果包括所述高速移动目标的位置信息以及类别标签。

2.根据权利要求1所述的方法，其特征在于，对所述待识别的序列图像帧进行识别处理，包括：

对所述待识别的序列图像帧进行特征提取，得到第二特征向量；

对所述第二特征向量进行多尺度预测处理，得到第三特征向量，根据所述第三特征向量，确定所述识别结果。

3.根据权利要求1所述的方法，其特征在于，对所述第二特征向量进行多尺度预测处理，得到第三特征向量，包括：

对所述第二特征向量进行空时卷积处理，得到多个尺寸的三维特征向量；

对所述多个尺寸的三维特征向量分别经过整合处理，得到多个尺寸的二维特征向量；

对所述多个尺寸的二维特征向量进行两类卷积处理，得到两类多个尺寸的二维特征向量；

对一类多个尺寸的二维特征向量进行分类处理，得到类别特征向量；

对另一类多个尺寸的二维特征向量进行框预测处理，得到框预测特征向量和框偏置特征向量；

对所述类别特征向量、所述框预测特征向量和所述框偏置特征向量进行融合处理，得到第三特征向量。

4.根据权利要求1所述的方法，其特征在于，对所述待识别的序列图像帧进行识别处理通过第二神经网络实现，所述方法还包括：根据样本数据集对所述第二神经网络进行训练。

5.根据权利要求4所述的方法，其特征在于，所述第二神经网络包括：

多个基础层和多尺度预测层；

每层基础层包括：级联的第一Conv2D层、BN层、ELU层和第二池化层，所述基础层中每一层均使用TimeDistributed包装层；

所述多尺度预测层包括：多组级联的第二ConvLIF2D层和第三池化层，与每个所述第二ConvLIF2D层连接的SumLayer层，与所述SumLayer层连接的分类卷积层和锚框卷积层，与所述分类卷积层连接的分类处理层，与所述锚框卷积层连接的框预测处理层，以及与所述分类处理层和所述框预测处理层连接的融合处理层。

6.根据权利要求5所述的方法，其特征在于，

所述第三池化层使用TimeDistributed包装层；

所述分类卷积层和所述锚框卷积层分别采用多个第二Conv2D层和多个第三Conv2D层，所述第二Conv2D层的个数和所述第三Conv2D层的个数与级联的第二ConvLIF2D层和第三池化层的组数相同；

所述分类处理层包括级联的多个第一Reshape层、第一Concatenate层和Activation层，所述第一Reshape层的个数与所述第二Conv2D层的个数相同；

所述框预测处理层包括级联的多个第二Reshape层和第二Concatenate层，以及级联的多个Anchor Boxes层、多个第三Reshape层和第三Concatenate层，所述第二Reshape层的个数、所述Anchor Boxes层的个数和所述第二Reshape层的个数与所述第三Conv2D层的个数相同；

所述融合处理层包括级联的第四Concatenate层和prediction层。

7.根据权利要求4所述的方法，其特征在于，根据样本数据集对所述第二神经网络进行训练，包括：获取样本数据集；

其中，获取样本数据集，包括：

对采集的高速移动目标的事件流数据进行预处理，得到预处理后的图像帧；

基于所述预处理后的图像帧，构建类别标签数据集；

基于所述类别标签数据集，将时间戳相邻的T个所述预处理后的图像帧拼接成一个时间步为T的序列图像帧，并将序列图像帧的最后一帧图像帧的位置信息以及类别标签作为该序列图像帧的位置信息以及类别标签，完成样本数据集的构建。