[发明专利]对象识别统计方法及装置、电子设备、存储介质

说明书

本发明提供了一种基于神经网络的对象识别统计方法及装置、电子设备、存储介质，所述方法包括：从百度地图提供的街景图片库中，爬取一定范围内的街景图片；在数据集训练过程中，需要对前一步已经爬取的街景图片进行空调挂机的标注工作，同时标注生成的预训练数据集需要准确可靠，保证后续实际训练中训练数据集的样本可靠性；在使用Mask‑RCNN模型进行模型的训练与预测时，需要保证一致的图片输入标准；使用Mask‑RCNN模型进行最终的挂机识别输出时，直观的展示每个图片的名称、处理时间与图片中的空调挂机数量。本发明结果统计准确快捷且成本低廉。

技术领域

本发明涉及基于神经网络的对象识别统计技术，尤其涉及一种基于多神经网络融合的对象识别统计方法及装置、电子设备、存储介质。

背景技术

随着全球气候变化而导致的极端高温事件的发生频率越来越多，由此引发导致居民发病率和死亡率也随之增加。空调的使用是人类应对极端高温的重要措施。然而目前空调使用数据非常欠缺，无法支撑人类（特别是城市居民）科学应对和抵抗极端高温的胁迫。目前常用的传统的人力统计调查方法较为繁琐、人力成本和时间成本均较高、经济成本也较大。而客观准确地获取空调等待识别对象，对于人民生活的调查研究又特别重要，而对于这些待识别对象，通过人工手段，考虑到实现成本及实现难度，很难被有效采用，而这些待识别对象的使用数据又是调研中不可或缺的数据，因此，有效对相关的待识别对象进行识别统计，显得尤为重要。

发明内容

本发明提供一种基于多神经网络融合的对象识别统计方法及装置、电子设备、存储介质，以至少解决现有技术中存在的以上技术问题。

本发明一方面提供一种基于多神经网络融合的对象识别统计方法，所述方法包括：

爬取设定区域的街景图片，对所述街景图片中的待识别对象进行标注，生成标注数据，将所述标注数据作为预训练图像数据；

将所述预训练图像数据转换为统一格式；

将统一格式的所述预训练图像数据输入特征提取网络，将所述预训练图像数据转换为不同步长的第一特征图数据；

根据不同步长的第一特征图数据，计算所述第一特征图数据的特征图金字塔网络（FPN，Feature Pyramid Network）的两层以上的第二特征图数据；

遍历所述两层以上的第二特征图数据，将每层第二特征图数据上的每个像素点对应到原图上而分别生成对应的锚框；

在所述锚框中，确定区域生成网络（RPN，Region Proposal Network）训练时的正类样本和负类样本；

将每一层的所述锚框进行不同长宽比例的变换，并确定变换后的所述锚框作为前景或背景的概率，作为分类信息，以及，确定变换后的所述锚框的偏移量的回归，作为回归信息；在所述分类信息中，查找所述正类样本和所述负类样本所对应的概率值，并基于所述正类样本和所述负类样本的标签，计算交叉熵损失值；在所述回归信息中，查找所述正类样本所在索引对应的偏移量，计算所述正类样本的偏移量，以及所述正类样本与真实框之间的偏移量值，计算回归损失值；

在变换后的所述锚框中选取设定数量的锚框，作为感兴趣区域（ROI，Region OfInterest），并对所述锚框数值进行非最大值抑制NMS计算，去除重复的锚框；

计算剩余的ROI中每个ROI与真实框之间的交并比（IOU，Intersection OverUnion），根据IOU对剩余的ROI进行正样本与负样本分类；计算每个正样本ROI与最接近的真实框之间的偏移量，并将真实框所对应的类别信息赋予其对应的正样本，并保存每个正样本ROI最接近的真实框的掩码信息；

基于所述掩码信息确定并识别出所述待识别对象。

可选地，所述爬取设定区域的街景图片，包括：

在电子地图的设定区域中确定起始街景图片采样点，所述采样点的标识为panoID；