【技術實現步驟摘要】
本專利技術涉及視覺目標檢測，具體是指一種基于自適應補償機制的ai計算機視覺目標檢測方法。
技術介紹
1、隨著智能化技術的廣泛應用，如自動駕駛、智能監控和工業自動化等，對高精度和高效率的目標檢測技術的需求日益增加。目標檢測任務的核心是從多種復雜環境中準確識別和定位圖像中的特定目標，如行人、車輛和其他重要對象。
2、申請號為cn201610024820.3的中國專利技術專利提出一種基于混合高斯模型與超像素分割的運動目標檢測方法。運動目標檢測的任務是從復雜場景中盡可能提取感興趣的對象，并以二值圖像呈現結果。本專利技術方法首先利用高斯混合模型進行背景建模，獲取當前幀的背景圖像。其次，對當前幀用slic(簡單線性迭代聚類)算法進行超像素分割。最后，對分割好的圖像和背景圖像分別進行ltp(局部三值模式)的紋理特征提取，然后進行比較，從而獲得運動目標。本專利技術的有益效果在于：能夠實時的根據攝像頭捕捉到的視頻圖像來檢測運動目標；檢測方法高效、準確。
3、申請號為cn201810907184.8的中國專利技術專利提出一種基于擴張殘差卷積的深度卷積網絡光學遙感圖像目標檢測方法，解決了現有技術中光學遙感圖像飛機與艦船檢測正確率低、虛警率高的問題。實現步驟如下：構造測試數據集；構造訓練數據集；搭建用于擴展特征感受野的基于擴張殘差卷積的目標檢測網絡；利用訓練數據集訓練基于擴張殘差卷積的目標檢測網絡；利用訓練好的基于擴張殘差卷積的目標檢測網絡對測試數據集進行目標檢測；輸出測試結果。本專利技術構建的網絡，使用擴張殘差卷積模塊與特征融
4、申請號為cn201610352704.4的中國專利技術專利提出一種非均勻背景下的紅外小目標檢測方法，主要解決現有技術在陸-空共存、多云或云層邊緣非規整等非均勻背景下的存在的小目標檢測概率、虛警概率惡化嚴重等問題，其實現過程為：利用滑窗方法把當前紅外圖像進行分塊，得到多個子塊；在當前檢測子塊的鄰域內構建保護區域和局部背景區域；計算當前檢測子塊像素的最大灰度值和局部背景區域內的像素灰度值的最大值和均值；利用增強局部韋伯對比度測度得到顯著性檢測圖；最后采用門限判決技術完成目標檢測。本專利技術具有小目標檢測概率高和虛警概率低之優點，可用于在陸-空交界、云層邊緣等非均勻背景下的紅外小目標的檢測。
5、現有技術在以下方面存在缺陷和局限性：
6、1、現有技術中數據擴充方法通常未能充分利用形態學特征，導致生成圖像質量及模型泛化能力不足。
7、2、傳統神經網絡訓練過程中常遇到的梯度消失或梯度爆炸問題限制了訓練的效率和網絡的性能。
8、3、傳統的特征降維方法由于高度依賴性和編解碼過程的不精確，常導致關鍵特征丟失，影響后續的數據處理效果。
9、4、傳統的決策樹模型結構靜態，不適應復雜和變化的數據特征，導致分類效果和效率不理想。
技術實現思路
1、本專利技術要解決的技術問題是，針對上述
技術介紹
中提出的現有技術中存在不足，提供一種基于自適應補償機制的ai計算機視覺目標檢測方法。
2、為解決上述技術問題，本專利技術提供的技術方案為：一種基于自適應補償機制的ai計算機視覺目標檢測方法，它包括以下步驟：
3、步驟一s1、數據采集與標注；
4、步驟二s2、數據擴充；
5、步驟三s3、特征提取模型訓練；
6、步驟四s4、特征降維模型訓練；
7、步驟五s5、分類器模型訓練；
8、步驟六s6、目標檢測識別。
9、進一步的，所述的步驟一s1采用的是圖像數據，所述圖像數據來源于多種環境下的監控攝像頭，包括但不限于城市交通、商業區和工業區，采集到的圖像數據存儲為jpg數據格式；
10、對采集的數據進行標注，數據的標注采用人工標注的方式，由標注人員對圖像中的目標進行分類。
11、進一步的，所述的步驟二s2采用基于形態學自適應補償特征的生成對抗網絡進行樣本生成，進而實現數據數據擴充，所述基于形態學自適應補償特征的生成對抗網絡包括兩個部分：生成器和判別器，所述的生成器負責從噪聲分布中生成逼真的圖像數據，所述的判別器的任務是區分生成的圖像與真實圖像。
12、進一步的，所述的步驟三s3采用6層的全連接神經網絡進行特征提取，所述6層的全連接神經網絡的結構如下：
13、a-輸入層：接收并傳遞樣本擴充后的樣本數據；
14、b-隱藏層：網絡包含四個隱藏層，每層都由一定數量的神經元組成；
15、b1-第一隱藏層：具有128個神經元，用于初步提取特征；
16、b2-第二隱藏層：具有256個神經元，以進一步抽象化特征；
17、b3-第三隱藏層：具有512個神經元，繼續深化特征提取；
18、b4-第四隱藏層：具有1024個神經元，繼續深化特征提取；
19、b5-輸出層：具有512個神經元。
20、進一步的，所述的步驟四s4采用基于逆向重構的自編碼器算法作為特征降維模型，所述自編碼器包括兩部分：編碼器和解碼器，編碼器負責將輸入數據壓縮成一個低維表示，解碼器則從這個低維表示中重構數據。
21、進一步的，所述的步驟五s5采用基于稀疏約束的深度神經決策樹分類算法作為分類器，所述基于稀疏約束的深度神經決策樹分類算法包括多層決策節點和終端決策葉節點，每個節點在接收輸入特征后，通過一系列訓練確定的決策規則，導向不同的后續節點或作出分類決策。
22、進一步的，步驟六s6利用已經訓練完成的模型對新樣本進行處理，輸入數據為從監控視頻中截取的單幀圖像。
23、采用以上結構后，本專利技術具有如下優點：1、通過生成對抗網絡增強了形態學特征的表現，提升了生成圖像的質量和細節，從而增強了模型的訓練效果和泛化能力。
24、2、探索式梯度下降法優化了訓練過程，通過預測和調整梯度更新策略，減少了訓練時間，提升了模型的穩定性和性能。
25、3、自編碼器的逆向重構策略有效保證了關鍵特征的保留，提高了降維數據的質量和后續處理的準確度。
26、4、動態拓撲路由機制使決策樹能夠根據數據特征自適應調整，提高了分類的精確性和處理速度。
本文檔來自技高網...【技術保護點】
1.一種基于自適應補償機制的AI計算機視覺目標檢測方法，其特征在于：它包括以下步驟：
2.根據權利要求1所述的一種基于自適應補償機制的AI計算機視覺目標檢測方法，其特征在于：所述的步驟一S1采用的是圖像數據，所述圖像數據來源于多種環境下的監控攝像頭，包括但不限于城市交通、商業區和工業區，采集到的圖像數據存儲為jpg數據格式；
3.根據權利要求1所述的一種基于自適應補償機制的AI計算機視覺目標檢測方法，其特征在于：所述的步驟二S2采用基于形態學自適應補償特征的生成對抗網絡進行樣本生成，進而實現數據數據擴充，所述基于形態學自適應補償特征的生成對抗網絡包括兩個部分：生成器和判別器，所述的生成器負責從噪聲分布中生成逼真的圖像數據，所述的判別器的任務是區分生成的圖像與真實圖像。
4.根據權利要求1所述的一種基于自適應補償機制的AI計算機視覺目標檢測方法，其特征在于：所述的步驟三S3采用6層的全連接神經網絡進行特征提取，所述6層的全連接神經網絡的結構如下：
5.根據權利要求1所述的一種基于自適應補償機制的AI計算機視覺目標檢測方法，其特征在于：
6.根據權利要求1所述的一種基于自適應補償機制的AI計算機視覺目標檢測方法，其特征在于：所述的步驟五S5采用基于稀疏約束的深度神經決策樹分類算法作為分類器，所述基于稀疏約束的深度神經決策樹分類算法包括多層決策節點和終端決策葉節點，每個節點在接收輸入特征后，通過一系列訓練確定的決策規則，導向不同的后續節點或作出分類決策。
7.根據權利要求1所述的一種基于自適應補償機制的AI計算機視覺目標檢測方法，其特征在于：步驟六S6利用已經訓練完成的模型對新樣本進行處理，輸入數據為從監控視頻中截取的單幀圖像。
...【技術特征摘要】
1.一種基于自適應補償機制的ai計算機視覺目標檢測方法，其特征在于：它包括以下步驟：
2.根據權利要求1所述的一種基于自適應補償機制的ai計算機視覺目標檢測方法，其特征在于：所述的步驟一s1采用的是圖像數據，所述圖像數據來源于多種環境下的監控攝像頭，包括但不限于城市交通、商業區和工業區，采集到的圖像數據存儲為jpg數據格式；
3.根據權利要求1所述的一種基于自適應補償機制的ai計算機視覺目標檢測方法，其特征在于：所述的步驟二s2采用基于形態學自適應補償特征的生成對抗網絡進行樣本生成，進而實現數據數據擴充，所述基于形態學自適應補償特征的生成對抗網絡包括兩個部分：生成器和判別器，所述的生成器負責從噪聲分布中生成逼真的圖像數據，所述的判別器的任務是區分生成的圖像與真實圖像。
4.根據權利要求1所述的一種基于自適應補償機制的ai計算機視覺目標檢測方法，其特征在于：所述的步驟三s3采用6層的全連接神經網絡進行特...
【專利技術屬性】
技術研發人員：邱華，涂俊崇，許海濱，
申請(專利權)人：廈門知鏈科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。