申请/专利权人：北京理工大学

申请日：2023-09-27

公开（公告）日：2024-03-01

公开（公告）号：CN117635979A

主分类号：G06V10/74

分类号：G06V10/74;G06V10/82;G06V10/80;G06V10/77

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.03.19#实质审查的生效;2024.03.01#公开

摘要：本发明涉及一种司法证据图像的目标匹配方法，属于计算机视觉与目标检测处理技术领域。本方法提出了基于空间的局部关系注意力机制和基于通道的局部关系注意力机制，实现了模型对全局特征的建模，减少了模型参数，优化了模型的特征提取能力。同时，提出了一种双分支自适应特征融合算法，利用双分支结构在不同核大小的卷积层上分别计算注意力值，再通过自适应特征融合算法生成最终注意力特征。本方法有效解决了司法证据图像由于光照变化、背景杂乱所带来的干扰，实现了司法证据目标语义特征对齐，克服了由于证据目标位置分散或拍摄视角等因素而导致的图像匹配性能降低，满足了司法案例场景的实际需求。

主权项：1.一种司法证据图像的目标匹配方法，其特征在于，包括以下步骤：步骤1：输入司法证据图像目标匹配训练数据，获得图像，并对图像进行预处理操作，构成训练数据集，得到数据集的实例数、摄像头数和图像数以及各个训练图像的实例编号和摄像头编号；步骤2：基于ResNet50骨干网络，引入基于通道和空间的局部自注意力机制，并采用双分支自适应特征融合算法，构建CSLRA网络；步骤2.1：搭建ResNet50骨干特征提取网络，在该骨干网络中为除了Conv1外的每一部分均添加LRA模块，包括通道注意力模块LRA-C和空间注意力模块LRA-S；LRA-C和LRA-S均采用分离式设计，允许分别单独作为注意力模块添加到网络中；在LRA模块中，输入特征X首先经过LRA-C得到通道注意力；然后，采用残差连接方式，与其相加得到特征图Y；将特征图Y作为LRA-S的输入特征获取空间注意力，与Y相加后输出特征图Z并作为下一个阶段的输入；此后，采用相同的方式，最终得到行人的特征表示向量；LRA模块的注意力提取过程表示为：Z＝SCX+X+CX+X1其中，S表示空间注意力模块LRA-S，C表示通道注意力模块LRA-C；Z表示表示通过LRA-S和LRA-C后得到的特征图；X表示输入特征；步骤2.2：LRA-C用于提取输入特征X的通道注意力，之后再以残差连接的方式与输入特征X相加，得到特征图Y；步骤2.3：LRA-S用于提取步骤2.2所得到的特征图Y的通道注意力，之后再以残差连接的方式与特征图Y相加得到特征图Z，作为下一个阶段的输入；步骤2.4：对于LRA模块内部的注意力值计算，采用双分支结构在不同核大小的卷积层上分别计算注意力值，并利用自适应特征融合算法生成最终的注意力特征；步骤3：利用表征学习和度量学习的思想构建损失函数，根据步骤1所获得的司法证据训练数据集，训练CSLRA网络，获得目标匹配预训练模型；步骤4：获取司法证据测试图像，对其进行预处理，之后输入步骤3获得的目标匹配模型，得到对测试图像的目标匹配结果。

全文数据：

权利要求：

百度查询： 北京理工大学 一种司法证据图像的目标匹配方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD