[发明专利]一种飞机部件的定位识别方法和系统

说明书

本发明涉及一种飞机部件的定位识别方法和系统，通过采用沙漏型网络模型，来检测飞机关键点为定位识别飞机部件的途径，相对于传统部件检测和基于Faster R‑CNN等深度网络的直接针对飞机关键部件框进行回归和分类的方法，本发明所述方法能够构建部件之间、部件与飞机之间的相对位置和结构关系，从而能够精确定位飞机的关键点，进而精确定位识别飞机部件，最终提升飞机部件识别准确度，进而促进飞机图像细粒度分类性能与效果。

技术领域

本发明涉及飞机定位识别领域，特别是涉及一种飞机部件的定位识别方法和系统。

背景技术

图像分类问题作为计算机视觉领域一项基础的研究课题一直备受关注。近几年随着深度学习技术的飞速发展，AlexNet、GoogleNet、ResNet等深度网络的提出，一般图像分类问题已经得到了很大程度上的解决。然而随着社会的发展和人类对检索分类需求的进一步细化，图像的细粒度分类问题已经逐渐得到了学界的关注研究。

细粒度图像分类，顾名思义，就是在一般图像分类的基础上进行进一步更为细致的分类。如一般图像分类中只会关心某幅图像中的物体是否是狗，而细粒度图像分类中关心的问题是什么品种的狗。细粒度图像分类在菜品分类、动物子类分类、飞机种类分类、汽车种类分类等领域中有着广阔的应用前景。但是，一方面由于待区分的物体本身就隶属于同一大类，本身各个子类之间的差异非常小，导致难以区分。另一方面，同一子类中的不同个体之间由于光照等环境因素的影响，在图像中反映出来的性质也不尽相同，导致同一子类中的不同个体差异较大，容易出现误分类的情况。所以，为了调和子类内差异大、子类间差异小的矛盾，一般的细粒度分类方法都会将目光聚焦到物体的子部件上，如飞机的细粒度分类中，一般将飞机的机头、机翼以及尾翼提取出来，再针对提取出的图像子块进行细粒度分类，这样能够在很大程度上减少背景等环境因素的干扰。

因此，在飞机细粒度分类问题中，如何准确无误定位到飞机的各个组成部件，是解决飞机细粒度分类的关键难点之一。

传统的部件检测方法一般将部件视为待检测目标，因此方法上与传统目标检测方法相同，一般分为区域选择、特征提取和分类器分类三个阶段。华中科技大学提出的专利申请“一种基于车辆特征点的车辆部件检测方法和系统”(专利申请号201710238079.5，公开号CN106971187A)公开了一种基于车辆特征点的车辆部件检测方法和系统，其中方法的实现包括：采集车辆图像，提取车辆部件的车辆特征点和车辆部件的候选区域；当候选区域的中心与车辆特征点的距离小于阈值得到车辆部件的感兴趣区域，在感兴趣区域内提取车辆部件的目标区域。该方法基于车辆部件的特征点挑选感兴趣区域，可以降低感兴趣区域冗余并提高感兴趣区域质量，进而得到车辆部件的目标区域，但是该专利申请仍然存在的不足是：针对特征点之间的位置等相关关系没有进行建模，进而导致在进行感兴趣区域和部件定位时精度不够。