(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210261395.5 (22)申请日 2022.03.16 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 李超　殷光强　 米尔卡米力江 ·亚森　王治国　 袁靖棋　杨钊贤　 (74)专利代理 机构 成都天嘉专利事务所(普通 合伙) 5121 1 专利代理师 冉鹏程 (51)Int.Cl. G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/08(2006.01)G06V 10/30(2022.01) G06V 10/74(2022.01) (54)发明名称 一种熟悉场景 下熟悉目标的优化识别方法 (57)摘要 本发明公开了一种熟悉场景下熟悉目标的 优化识别方法， 包括： 一： 采集熟悉目标图像并构 建熟悉目标库； 二： 对熟悉目标库中所有的熟悉 目标图像分别进行显著性区域检测， 判断检测出 的目标是否为熟悉目标， 若是， 则输出识别成功 的结果； 若否， 则先根据未识别成功的熟悉目标 图像建立智能优化的时空序列融合模 型， 再基于 智能优化后的时空序列融合模型对未识别成功 的熟悉目标图像进行识别并输出识别结果。 该方 法采用了基于显著性像素簇的不规则目标检测 技术与基于全特征融合的目标预判建模及启发 式优化技术， 基于这两种技术的结合， 最终实现 了熟悉场景 下熟悉目标的快速 检测和高效识别。 权利要求书3页 说明书8页 附图2页 CN 114842309 A 2022.08.02 CN 114842309 A 1.一种熟悉场景 下熟悉目标的优化识别方法， 其特 征在于包括如下步骤： 步骤一： 采集熟悉场景下的熟悉目标图像并构建熟悉目标库， 并针对熟悉目标库引入 注意力机制； 步骤二： 对熟悉目标库中所有的熟悉目标图像分别进行显著性区域检测， 判断检测出 的目标是否为熟悉目标， 若是， 则输出识别成功的结果； 若否， 则先根据未识别成功的熟悉 目标图像建立智能优化的时空序列融合模型， 再基于智能优化后的时空序列融合模型对未 识别成功的熟悉目标图像进行识别并输出识别结果； 其中， 所述的智能优化的时空序列融合模型的建立方法如下： 步骤A： 根据未识别成功 的熟悉目标图像分别确定出对应熟悉目标图像的不规则显著 像素簇； 步骤B： 根据不规则 显著像素簇对熟悉目标图像进行去噪增强处理， 处理完成后得到去 噪增强熟悉目标图像； 步骤C： 在去噪增强熟悉目标图像 中引入品质函数， 将去噪增强熟悉目标图像转换成空 间序列并建立识别模型； 步骤D： 采用广义高阶循环网络， 将时序信息与空序信息融合至识别模型， 并在保留时 序信息的情况下， 将熟悉目标库中熟悉目标图像的图像 帧融合至识别模型中， 融合完成后 得到时空序列融合模型； 步骤E： 对时空序列融合模型进行智能优化， 得到智能优化的时空序列融合模型。 2.根据权利要求1所述的一种熟悉场景下熟悉目标的优化识别方法， 其特征在于： 步骤 一中的注意力机制为优化的A ttention算法。 3.根据权利要求1所述的一种熟悉场景下熟悉目标的优化识别方法， 其特征在于： 步骤 二中采用ConvLSTM算法的前向传播与注 意力机制相结合的方式进行显著性区域检测， 并综 合判断检测出的目标 是否为熟悉目标； 其中， Co nvLSTM算法的前向传播公式如下： 式中， ft、 it、 ot均是三维张量参数， 第一维度代表时间信息， 第二维度和第三维度代表 空间信息， 分别表示LSTM在时刻t的遗忘门、 输入门和输出门； Wxf、 Wxi、 Wxo分别表示遗忘门、 输入门和输出门的权重矩阵， bf、 bi、 bo分别表示遗忘门、 输入门和输出门的偏置项； σ表示 sigmoid函数或者其他非线性激活函数， *表 示卷积神经网络中的卷积操作， 表示Hadamard 乘积。 4.根据权利要求1 ‑3中任一项所述的一种熟悉场景下熟悉目标的优化识别方法， 其特 征在于： 步骤B的实现方法为： S11： 将所有熟悉目标图像的不规则 显著像素簇以像素点为单位转换成序列数据， 转换 完成后得到多组序列数据； S12： 采用基于Transformer的深度学习网络结构分别对序列数据进行处理， 得到多组 处理数据； S13： 采用BM3D算法对多组处理数据进行处理， 将空域去噪和变换域去噪相结合， 得到权　利　要　求　书 1/3 页 2 CN 114842309 A 2低噪熟悉目标图像； S14： 根据NL ‑Means算法在低噪熟悉目标 图像中通过相似图像块之间的距离搜索相似 图像块， 使用相似图像块的块邻域 实现维纳滤波， 滤波完成后， 再经加权聚合和比对即得到 去噪增强熟悉目标图像。 5.根据权利要求4所述的一种熟悉场景下熟悉目标的优化识别方法， 其特征在于： 步骤 S14中， 去噪增强熟悉目标图像的得 出方法为： Step1： 计算相似图像块之间的距离， 计算公式如下： 式中， Zx为低噪熟悉目标图像中的参考 图像块， ZxR为低噪熟悉 目标图像中的待匹配区 域图像块， 表示对所有的参考图像块和待匹配区域图像块进行2D变换， Υ ′表示对所有 低噪熟悉目标图像的数值进行硬阈值操作， d(ZxR,Zx)为相似图像块的距离； Step2： 将相似图像块之间的距离进行分组， 分组后通过设置阈值进行协同滤波， 协同 滤波后再通过逆变换恢复所有低噪熟悉目标图像的数值到空域， 得到空域下相似图像块的 距离， 其中， 空域下相似图像块的距离的计算方法为： 式中， 表示对所有的参考图像块和 待匹配区域图像块进行3D逆变换， 表示低噪 熟悉目标图像中匹配后的区域图像块， Y表示协同滤波， 表示空域下相似图像块的距 离； Step3： 对空域下相似图像块的距离进行加权聚合操作， 得到最终恢复的相似图像块的 块邻域， 块邻域的计算方法为： 式中， 表示块邻域； Step4： 先对所有 的低噪熟悉 目标图像进行维纳滤波， 得到去噪熟悉 目标图像， 再对所 有的去噪熟悉目标图像进 行加权聚合， 并使用权重公式对所有的去噪熟悉目标图像设置权 重， 然后将设置了权重的去 噪熟悉目标图像与块邻域进行比对， 比对结果满足阈值条件的 去噪熟悉目标图像则为去噪增强熟悉目标图像； 其中， 所述的权 重公式为： 式中， 表示维纳滤波系数， 表示经过维纳滤波后的去噪增强熟悉目标图像权 重值， σ 表示权 重设置系数。 6.根据权利要求1所述的一种熟悉场景下熟悉目标的优化识别方法， 其特征在于： 步骤 E的智能优化方法为：权　利　要　求　书 2/3 页 3 CN 114842309 A 3