[发明专利]一种目标检测识别方法及系统

说明书

本发明公开了一种目标检测识别方法，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，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。本发明基于采集到的高速移动目标的事件流数据，实现对高速移动目标的精准检测和识别。

技术领域

本发明涉及目标检测识别技术领域，具体而言，涉及一种目标检测识别方法及系统。

背景技术

近年来，计算机视觉相关系统已经相对成熟，尤其是在目标检测与识别方面，对于静态物体或低速移动物体的检测与识别都已经达到了较高的水平。而对于高速移动目标的检测与识别，例如无人驾驶汽车躲避突然闯入视野的行人、无人机快速避障、工厂高速齿轮故障检测等，依然存在很多困难。

发明内容

为解决上述问题，本发明的目的在于提供一种目标检测识别方法及系统，基于采集到的高速移动目标的事件流数据，实现对高速移动目标的精准检测和识别。

本发明提供了一种目标检测识别方法，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，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。

作为本发明进一步的改进，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。

作为本发明进一步的改进，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。

作为本发明进一步的改进，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。

作为本发明进一步的改进，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。