[发明专利]一种二阶段的自行车小类关键点置信度图像CNN识别方法

权利要求书

1.一种二阶段的自行车小类关键点置信度图像CNN识别方法，其特征在于，包括如下步骤：

步骤A：输入待识别的图像；

步骤B：对图像预处理；

步骤C：使用Mask R-CNN网络分割出其中的自行车图像A；

步骤D：加载建立的自定义网络及其网络权重；

其中步骤D建立自定义网络获其网络权重包括如下步骤：

步骤D1：从训练库中取出一批包含自行车图像B的训练图片；

步骤D2：对训练图片进行增强处理；

步骤D3：使用Mask R-CNN网络分割出其中的自行车图像B；

步骤D4：对分割出的自行车图像B进行人工关键点的标注；生成包含人工关键点的高斯置信度图；

步骤D5：使用自定义的CNN网络进行特征提取，并计算与人工关键点的距离；

步骤D6：是否达到了要求的精度或迭代了设定的次数N；如果否，转步骤D1，如果是保存网络权重；

步骤E：对步骤C分割出的自行车图像A使用步骤D中自定义的CNN网络及其网络权重进行特征提取，并自动分为小类；

步骤F：输出小类。

2.根据权利要求1所述的一种二阶段的自行车小类关键点置信度图像CNN识别方法，其特征在于：所述步骤D3：使用Mask R-CNN网络对增强处理后的训练图片进行分割；取得自行车图像B的分割区域集合Ma；按Ma集合，对输入训练图片进行置位处理，生成分割结果图像Pt。

3.根据权利要求2所述的一种二阶段的自行车小类关键点置信度图像CNN识别方法，其特征在于：所述步骤D4：对于分割结果图像Pt，人工标注其人工关键点；生成包含人工关键点的高斯置信度图。

4.根据权利要求3所述的一种二阶段的自行车小类关键点置信度图像CNN识别方法，其特征在于：所述步骤D5中使用自定义的CNN网络进行特征提取包括：首先使用VGG网络作为主干网络提取特征；然后使用空洞卷积，进一步的加大感受野，得到置信度图P_p；

计算与人工关键点的距离包括：对于置信度图P_p中的所有对应的人工关键点区域，按特征要求进行计算人工关键点的指定特征的特征值；将所有的特征值组成特征向量，此特征向量即为自行车的特征向量矩阵；对于多个关键点组成的特征向量进行相似度度量，计算相似度阈值v；

步骤D6中，是否达到了要求的精度包括：

如果相似度阈值v小于指定阈值V₀，则表示为同一小类；如果否，转步骤D1。

5.根据权利要求3所述的一种二阶段的自行车小类关键点置信度图像CNN识别方法，其特征在于：采用如下公式(1)生成包含人工关键点的高斯置信度图；其生成置信度函数为：

其中表示分割结果图像Pt上的p点相对于第k个人工关键点的置信度；x_k表示k点的正确标注，δ表示峰值扩散系数。

6.根据权利要求4所述的一种二阶段的自行车小类关键点置信度图像CNN识别方法，其特征在于：所述对于置信度图P_p中的所有对应的人工关键点区域，按特征要求进行计算人工关键点的指定特征的特征值包括：

此公式(2)中，E_k表示人工关键点k的指定特征的特征值；Cp表示点p在置信度图P_p中的指定特征值，表示点p是人工关键点k的置信度，获得人工关键点k的特征值；

将所有的特征值组成特征向量：

X＝[E₁,E₂,…,E_n],此特征向量X即为此物体的特征向量矩阵；n表示人工关键点的个数；

对于n个人工关键点k组成的特征向量，采用如下二范数度量公式(3)进行相似度度量；

v＝||X-X_t||₂ (3)

其中，X_t表示小类的特征向量，X表示待分类特征向量；使用二范数度量公式(3)来进行计算，如果v小于指定阈值V₀，则表示可分为同一小类。

7.根据权利要求1所述的一种二阶段的自行车小类关键点置信度图像CNN识别方法，其特征在于：所述步骤E中，对自定义CNN网络的输出向量进行softmax函数处理，归一为概率值，即可输出对应小类。