[发明专利]一种基于SVM算法和海思平台的红外目标识别方法和系统

说明书

一种基于SVM算法和海思平台的红外目标识别方法，对红外图像的进行采集得到训练样本，并对训练样本进行预处理；对预处理的训练样本进行仿射变换，对训练样本数据进行增广；通过增广后的训练样本数据，提取训练样本数据的Hog和LBP特征；对训练样本数据进行Svm训练，得到训练好的Svm分类模型；将训练好的Svm分类模型部署在海思平台上，并采用多预测点并行加速的推理模式，使用海思平台并行加速，预测出目标出现在各预测点上的位置，实现目标区域的快速定位。本发明解决了现有技术中，基于深度学习的技术进行红外识别需要大量样本的训练，计算耗时，在国产化硬件平台上较难实现实时性要求的问题。

技术领域

本发明涉及的是红外识别领域，特别涉及一种基于SVM算法和海思平台的红外目标识别方法。

背景技术

目前随着人工智能的发展，红外相机相关产品中，对于感兴趣目标的自动识别需求也越来越多。需实现对红外场景中人、车、无人机等目标的自动识别功能。现有技术中，主要基于深度学习的技术进行红外识别，然而，现有技术中，对于红外目标识还具有一些缺陷。一方面，现有的深度学习方法，需要大量样本的训练；另一方面，现有深度学习模型，计算耗时，在国产化硬件平台上较难实现实时性要求。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于SVM算法和海思平台的红外目标识别方法和系统。

为了解决上述技术问题，本申请实施例公开了如下技术方案：

一种基于SVM算法和海思平台的红外目标识别方法，包括：

S100.对红外图像的进行采集得到训练样本，并对训练样本进行预处理；

S200.对预处理的训练样本进行仿射变换，对训练样本数据进行增广；

S300.通过增广后的训练样本数据，提取训练样本数据的Hog和LBP特征；

S400.对训练样本数据进行Svm训练，得到训练好的Svm分类模型；

S500.将训练好的Svm分类模型部署在海思平台上，并采用多预测点并行加速的推理模式，使用海思平台并行加速，预测出目标出现在各预测点上的位置，实现目标区域的快速定位。

进一步地，S100中，采用迭代中值滤波算法对数据进行预处理，迭代公式如下所示:

Y^j(n)＝median([Y^j(n-N),Y^j(n-N+1),…,Y^j(n-1),Y^j(n),Y^j(n+1),…,Y^j-1(n+N)])

式中，当j＝0时，

Y⁰(n)＝median([Y⁰(n-N),Y0(n-N+1),…,Y0(n-1),b_i(n),b_i(n+1),…,b_i(n+N)])

j为迭代次数，b_i(n)为通过阈值分解算法得到，Y^j(n)是第j+1次迭代的输出结果，迭代的完成条件是根据噪声是否收敛到根信号来决定。

进一步地，S200中，对训练样本数据进行增广的方式至少包括：平移、翻转、旋转和缩放方式。

进一步地，S200中，仿射变换公式如下所示：

其中，x、y为仿射变换前的图像坐标，x'、y'为仿射变换后的图像坐标，a，b，c，d，m，n为仿射系数。

进一步地，S300中，提取Hog特征的方法为：