[发明专利]一种目标识别方法、装置及可读存储介质

说明书

本发明公开了一种目标识别方法、装置及可读存储介质，其中方法包括：获取待识别目标的图像信息和伺服信息；通过预设神经网络对所述图像信息进行识别，获得识别结果，以及，根据所述伺服信息确定目标类别；基于所述目标类别和所述识别结果进行融合判定，以完成目标的识别。本发明实施例通过图像信息和伺服信息进行融合判断，由此大大提高了对弱小目标的识别效果。

技术领域

本发明涉及定位技术领域，尤其涉及一种目标识别方法、装置及可读存储介质。

背景技术

随着深度学习图像分类网络模型在图像处理中应用的效果越来越好，神经网络体积越来越大，结构越来越复杂，预测和训练需要的硬件资源也逐步增多。很多图像处理过程往往只能在高算力的服务器中运行，移动设备因硬件资源和算力的限制，很难运行复杂的深度学习网络模型，所以一些型的网络结构不适用于机载图像实时处理。

同时现有的卷积神经网络对弱小目标进行检测时，特征提取困难、目标识别概率低。

发明内容

本发明实施例提供一种目标识别方法、装置及可读存储介质，用以提高对弱小目标的识别效果。

本发明实施例提供一种目标识别方法，包括：

获取待识别目标的图像信息和伺服信息；

通过预设神经网络对所述图像信息进行识别，获得识别结果，以及，根据所述伺服信息确定目标类别；

基于所述目标类别和所述识别结果进行融合判定，以完成目标的识别。

在一示例中，在获得识别结果之后，所述目标识别方法还包括：

根据所述识别结果的置信度的大小对识别结果进行排序，获得排序结果。

在一示例中，所述基于所述目标类别和所述识别结果进行融合判定，以完成目标的识别包括：

基于所述排序结果依次对所述目标类别进行匹配，获得匹配信息；

将所述匹配信息与预设阈值进行比对，获得比对结果；

基于所述比对结果对所述待识别目标进行标记，以完成目标的识别。

在一示例中，所述通过预设神经网络对所述图像信息进行识别，获得识别结果包括：

利用改进的MobileNeV2网络对所述图像信息进行识别，其中所述改进的MobileNeV2网络包含顺次连接的若干个瓶颈结构，并且在输出特征图大小一致的瓶颈结构之间设置密集连接，以进行特征图拼接。

在一示例中，所述利用改进的MobileNeV2网络对所述图像信息进行识别包括：

配置所述改进的MobileNeV2网络中的若干个瓶颈结构的扩张系数在[1，6]范围内，且减小处于若干个瓶颈结构尾部的瓶颈结构的扩张系数。

在一示例中，所述利用改进的MobileNeV2网络对所述图像信息进行识别包括：

在所述若干个顺次连接的瓶颈结构的预设位置，配置一个扩张系数t＝1，步长s＝1的瓶颈结构和一个t＝1，s＝2的瓶颈结构的组合结构，以完成输出通道数的局部缩小。

在一示例中，所述利用改进的MobileNeV2网络对所述图像信息进行识别包括：

利用任一所述瓶颈结构的输入特征图与所述瓶颈结构主处理路径的输出特征图进行特征相加，并且在进行特征相加之前，对所述特征图进行单项池化。

在一示例中，通过预设神经网络对所述图像信息进行识别，获得识别结果还包括：

对最后一个瓶颈结构输出的特征图依次利用池化层、全卷积层和Softmax层进行处理，获得识别结果。