申请/专利权人：南京智慧水运科技有限公司;杭州电子科技大学

申请日：2022-05-05

公开（公告）日：2024-04-12

公开（公告）号：CN114821433B

主分类号：G06V20/40

分类号：G06V20/40;G06V10/80;G06V20/52

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2022.08.16#实质审查的生效;2022.07.29#公开

摘要：本发明公开了一种基于目标检测信度动态融合的目标识别方法，涉及计算机视觉、深度学习领域。本发明将有关待识别目标的视频文件进行采样，并把采样得到的图片流作为输入，送入已训练好的Yolo模型进行识别计算。然后，Yolo模型将会输出预测框对待识别目标进行标定，并得到目标每一时刻的识别置信度。随后，利用得到的当前时刻的置信度对历史时刻的置信度进行动态更新，得到当前时刻的动态置信度。最后，基于阈值，判断目标是否真实存在。本发明将目标识别信度进行动态融合，优化了传统的Yolo目标识别方法，可以有效提高目标在天气变化、局部目标遮挡等情况下的识别信度和准确度，进而有效提升目标识别的可靠性和稳定性。

主权项：1.一种基于目标检测信度动态融合的目标识别方法，其特征在于该方法包括以下各步骤：1获取监控视频，将视频文件截取成图片流；2建立YOLO目标识别模型，对图片中的目标施加预测框进行标定；3利用非极大值抑制算法得到单一目标准确的预测框和目标检测信度；4基于目标检测信度动态融合规则，将目标检测信度动态融合；5将单一目标准确的预测框和动态融合信度标记在图片上；所述步骤1具体如下：对于监控摄像头捕获的关于待识别目标的视频文件，利用Python中的OpenCV库将视频文件截取成图片流，记为P1,...,Pt,...,PT，t＝1,2,...,T，t表示图片采样时刻，T表示获取图片的总个数，2T+∞；所述步骤2具体如下：建立YOLO目标识别模型，所述YOLO目标识别模型是由N个权值参数构成的一个特征提取网络，权值参数集合记为Q＝{Qn|n＝1,2…,N}，Qn表示第n个权值参数，且0≤Qn≤1，将步骤1中图片Pt输入YOLO模型变换为416像素×416像素的三原色数据矩阵，对该三原色数据矩阵进行12次卷积计算提取图像中的目标特征，并对识别出的单一目标施加预测框进行标定；所述步骤3具体如下：将步骤2中的预测框进行堆叠，并利用非极大抑制算法得到单一目标准确的预测框和目标检测信度，将目标检测信度记为Ct，0≤Ct≤1；所述步骤4具体如下：基于目标检测信度动态融合规则，将当前t时刻的目标检测信度与历史时刻的目标检测信度进行融合，得到当前t时刻的动态融合信度，记为Bt，具体步骤如下：4-1设定目标检测信度Ct的重要性权重为wt，且有0.7≤wt≤1，目标检测信度Ct的可靠性为rt，通过如下公式计算： 其中，r0＝0.5是可靠性初值，f是可靠性标志函数，通过如下公式计算： 设定A＝1,0,0，Bt*＝Bt,0,1-Bt，Ct*＝Ct,0,1-Ct，λ是可靠性变化系数，通过如下公式计算： 其中，cosq1和cosq2通过如下公式计算： ·表示求向量的内积，|A|×|Ct*|中||表示对向量取模；式3中的r为可靠性的平均值，通过如下公式计算： 4-2当t＝2时，通过步骤3获得t＝2时刻的目标检测信度C2，将C2与B1进行融合，得到融合信度 其中xt-1,t和通过如下的目标检测信度动态融合规则公式获得：xt-1,t＝[1-rtwtCt+1-rt-1wt-1Bt-1]+CtBt-1+Ct1-Bt-1+1-CtBt-16 即把t＝1时刻和t＝2时刻的目标检测信度融合得到t＝2时刻的融合信度，再将融合信度Mt进行Pignistic概率转换，得到目标的动态融合信度Bt，通过如下公式计算： 4-3当3≤t≤T时，重复以上步骤4-1和4-2，即可获得该时刻目标的动态融合信度Bt；所述步骤5具体如下：当t时刻的动态融合信度Bt＞0.8时，则认为该目标确实存在，并利用Python中的PIL库将预测框和动态融合信度标记在Pt上。

全文数据：

权利要求：

百度查询： 南京智慧水运科技有限公司;杭州电子科技大学 一种基于目标检测信度动态融合的目标识别方法

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