[发明专利]基于深度学习的图像识别匹配方法及系统

说明书

本发明公开了基于深度学习的图像识别匹配方法及系统，涉及图像特征优化技术领域，解决了不能通过数据增强来提高模型检测的准确率，也不能提升对图像目标检测的速度和准确率的技术问题，给定一个中间特征映射，模块可以沿着通道和空间两个独立的维度依次推断注意力图，然后将注意力图乘以输入特征图以进行自适应特征细化，将特征细化后的环境图像传输至下一步中进行倾斜角损失参数计算处理；再从环境图像内对其所携带的倾斜角θ视为分类任务来处理，将角度信息与边框参数信息进行解耦得到环境图像倾斜角的损失参数，通过数据增强进行了数据扩增来提高模型检测的准确率，有效提升了对图像目标检测的速度和准确率。

技术领域

本发明属于图像特征优化技术领域，具体是基于深度学习的图像识别匹配方法及系统。

背景技术

图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。

由于变电站现场环境的限制，通常相机视场内包含一些目标较小且目标分布时而密集时而稀疏，需要网络结构具有较强的多尺度特征提取能力，能够满足检测多种不同尺度多个对象的需求，遥感图像背景复杂包含着大量噪声信息，这会弱化检测目标的特征信息，容易导致目标的错检和误检，不能通过数据增强来提高模型检测的准确率，也不能提升对图像目标检测的速度和准确率。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了基于深度学习的图像识别匹配方法及系统，用于解决不能通过数据增强来提高模型检测的准确率，也不能提升对图像目标检测的速度和准确率的技术问题。

为实现上述目的，根据本发明的第一方面的实施例提出基于深度学习的图像识别匹配系统，包括图像获取端、图像特征分析中心以及显示终端；

所述图像特征分析中心包括图像特征分析提取单元、目标噪声弱化单元、倾斜角损失参数处理单元、自适应匹配单元以及数据库；

所述图像获取端，用于将变电站现场环境图像进行获取，并将所获取的环境图像传输至图像特征分析中心内；

所述图像特征分析中心内部的图像特征分析提取单元，采用层次化的设计，将所获取的环境图像划分为四组微图像，将四组微图像的分辨率进行缩小，将图像特征提取完毕后的环境图像传输至目标噪声弱化单元内；

所述目标噪声弱化单元，对图像特征提取完毕后的环境图像进行噪声弱化，给定一个中间特征映射，模块可以沿着通道和空间两个独立的维度依次推断注意力图，然后将注意力图乘以输入特征图以进行自适应特征细化，将特征细化后的环境图像传输至倾斜角损失参数分析单元内；

所述倾斜角损失参数处理单元，从环境图像内对其所携带的倾斜角θ视为分类任务来处理，将角度信息与边框参数信息进行解耦得到环境图像倾斜角的损失参数，通过数据增强进行了数据扩增来提高模型检测的准确率。

优选的，所述图像特征分析提取单元，将四组微图像的分辨率进行缩小的具体方式为：

图像输入时先经过块分割层分割为一个个的不重叠的像素块，再经过线性嵌入层投影到任意维度，块合并层类似于卷积神经网络的池化层，进行通过采样操作来降低分辨率、调整通道数同时减少计算量；

在每个局部窗口分别计算自注意力，不再使用基于全局的自注意力计算，使计算的复杂度由图像的平方复杂度转变为图像的线性复杂度，极大减少了计算量，将图像特征提取完毕后的环境图像传输至目标噪声弱化单元内。

优选的，所述倾斜角损失参数处理单元，将角度信息与边框参数信息进行解耦得到环境图像倾斜角的损失参数的具体方式为：

选择CIoU损失函数作为水平边框的损失函数，其考虑到了预测框和目标框的重叠面积、中心点距离和长宽比，十分契合遥感图像多尺度目标的特性，它的表达式定义如下：