[发明专利]基于目标检测算法与卷积神经网络的图像分类方法和系统

权利要求书

1.一种基于目标检测算法与卷积神经网络的图像分类方法，其特征在于，包括：

对原始图像进行目标检测，得到图像中所包含的目标图像的预测框；

将所述目标图像随机填充至预定的网格中，所述网格中网格单元的尺寸与所述目标图像的尺寸一致，并根据填充网格后的图像得到与所述原始图像大小相同的新图像；

根据所述新图像进行特征提取网络运算，获得基于所述新图像的特征图；

对每个特征图利用与所述特征图大小相同的卷积核进行卷积计算，分别获得对应的卷积值，将所有卷积值进行合并，得到一维向量；

将所述一维向量和对应的图像标签构成训练数据集，利用所述训练数据集对图像分类模型进行有监督训练，获得训练后的图像分类模型；

使用训练后的图像分类模型对图像中的目标进行分类。

2.如权利要求1所述的一种基于目标检测算法与卷积神经网络的图像分类方法，其特征在于，对原始图像进行目标检测包括：

将原始图像划分为多个相同大小的区域图像，并将所述区域图像进行残差网络计算，得到区域图像的特征图；

对各个区域图像的特征图进行目标检测计算，预测得到各个区域中的目标坐标值和目标分数；基于所述目标坐标值，绘制得到检测框；

对所述检测框执行排序删除操作，所述排序删除操作是按照所述目标分数将所述检测框进行排序，选取目标分数最大的检测框，计算其它检测框与所述目标分数最大的检测框的交并比，获得重叠率值；并将所述重叠率值超过预先设定的置信度阈值的对应检测框删除；

对剩余的检测框重复执行所述排序删除操作，直至所有的检测框都被处理，得到图像中所包含的目标图像的预测框。

3.如权利要求1所述的一种基于目标检测算法与卷积神经网络的图像分类方法，其特征在于，将所述目标图像随机填充至预定的网格中，所述网格中网格单元的尺寸与所述目标图像的尺寸一致，并根据填充网格后的图像得到与所述原始图像大小相同的新图像，包括：

将所有目标图像随机填充至预定的网格中进行重新组合，当检测目标数不足以构成一张新图像时，选择现有目标图像对空缺部分进行填充，并根据填充网格后的图像进行双线性插值计算，得到与所述原始图像大小相同的新图像，所述新图像由目标检测算法的识别结果组成。

4.如权利要求2所述的一种基于目标检测算法与卷积神经网络的图像分类方法，其特征在于，目标检测计算中，使用目标检测模型进行目标检测计算，所述目标检测模型是使用多物体图像数据集对目标检测算法进行训练得到。

5.如权利要求4所述的一种基于目标检测算法与卷积神经网络的图像分类方法，其特征在于，基于所述目标坐标值，绘制得到检测框，包括：

基于所述目标坐标值，对每个区域的目标进行三种尺寸的检测框绘制，得到目标检测框；其中所述三种尺寸选自九种不同尺寸的先验框，所述九种不同 尺寸的先验框由对所述多物体图像数据集中所有标签的尺寸利用K-means算法进行聚类处理得到。

6.一种基于目标检测算法与卷积神经网络的图像分类系统，其特征在于，包括：

预测框检测模块，用于对原始图像进行目标检测，得到图像中所包含的目标图像的预测框；

图像重组模块，用于将所述目标图像随机填充至预定的网格中，所述网格中网格单元的尺寸与所述目标图像的尺寸一致，并根据填充网格后的图像得到与所述原始图像大小相同的新图像；

特征提取模块，用于根据所述新图像进行特征提取网络运算，获得基于所述新图像的特征图；

卷积运算模块，用于对每个特征图利用与所述特征图大小相同的卷积核进行卷积计算，分别获得对应的卷积值，将所有卷积值进行合并，得到一维向量；

模型训练模块，用于将所述一维向量和对应的图像标签构成训练数据集，利用所述训练数据集对图像分类模型进行有监督训练，获得训练后的图像分类模型；

分类模块，用于使用训练后的图像分类模型对图像中的目标进行分类。