(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 202210728926.7 (22)申请日 2022.06.24 (71)申请人 安徽工程大学 地址 241000 安徽省芜湖市北京中路8号 申请人 合肥市施能电子科技有限公司 　 安徽佐标智能科技有限公司 (72)发明人 徐晓光　赵玉婷　丁理　王喆　 潘伟　汪龙　赵子逸　黄宏宏　 崔祥　王琦　李梦楠　 (74)专利代理 机构 合肥鸿知运知识产权代理事 务所(普通 合伙) 34180 专利代理师 王昕 (51)Int.Cl. G06V 20/40(2022.01) G06V 20/58(2022.01)G06V 10/26(2022.01) G06V 10/24(2022.01) G06V 10/32(2022.01) G06V 10/82(2022.01) G06V 10/56(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种智能消防车目标识别实现方法 (57)摘要 本发明公开了一种智能消防车目标识别实 现方法， 包括有以下步骤： S1， 通过利用超像素的 过分割信息提取目标候选区域； S2， 增加样本量； S3， 需要根据图像分辨率和网络结构将输入图像 数据尺度化到统一尺寸， 以及对图像数据去均值 标准化； S4， 利用已经在大量数据集上训练好的 网络模型， 针对具体场景， 尝试改变模型的语义 层面参数， 以及对学习率、 正则化参数的调整； S5， 网络微调训练； S6， 选 择最佳的一代网络参数 作为最终的VGG网络模型参数； S7， 进行数据的应 用识别， 以达到完成对图像内目标信息的有效识 别， 本发明涉及智能消防技术领域。 本发 明， 解决 传统识别算法对于目标多变的尺度和背景环境 往往不能很好识别的问题。 权利要求书2页 说明书6页 附图2页 CN 115131699 A 2022.09.30 CN 115131699 A 1.一种智能消防车目标识别实现方法， 其特 征在于， 包括有以下步骤： S1， 视频监控输入检测图像， 通过利用超像素的过分割信息提取目标候选区域； S2， 在样本基础上对每一目标类型进行一系列仿射变换产生 新数据， 进 而增加样本量； S3， 需要根据图像分辨率和网络结构将输入图像数据尺度化到统一尺寸， 以及对图像 数据去均值标准 化； S4， 利用已经在大量数据集上训练好的网络模型， 针对具体场景， 尝试改变模型的语义 层面参数， 以及对学习率、 正则化 参数的调整； S5， 网络微调训练： 正向传播的特 征提取和反向传播的参数调整； S6， 选择最佳的一代网络参数作 为最终的VGG网络模型参数， 从而确定最终识别网络模 型； S7， 对训练好的目标类进行数据的应用识别， 以达到完成对图像内目标信息的有效识 别。 2.根据权利要求1所述的一种智能消防车目标识别实现方法， 其特征在于： 所述S1中， 首先将检测图像通过SLIC算法进 行过分割， 然后提取过分割区域的颜色信息和内部结构信 息， 将具有特 征一致性的过分割块融合 为一体， 作为目标候选目标区域。 3.根据权利要求1所述的一种智能消防车目标识别实现方法， 其特征在于： 所述S5中， 网络微调训练大致可分为正向传播的特征提取过程和反向传播的参数调整过程， 二者在训 练中常作为一个整体而不可分割， 训练过程是对批量数据进行这两个过程的反复迭代过 程， 知道用完所有训练数据位一代训练， 深度卷积网路需进行多代训练， 直至网络收敛， 具 体微调训练过程如下： 步骤一， 卷积层操作： 用一个可训练的滤波器fx去卷积一个输入的图像， 然后加一个偏 置bx， 得到卷积层cx， 卷积层会紧接一个非线性激活层， 将卷积特征以非线性的方式映射到 一定范围， 这样可以逼近任意函数， 而不是输入的线性组合， 实现深层网络的意义， 最常用 的为ReLu激活， 其能克服传统sigmoid和tanh等激活函数等的梯度消失和 难以收敛或过拟 合的问题， 加快了网络收敛速度， 且求 导容易， ReLu函数公式如下： 卷积层与激活层的形式如下公式所示： 其中， x表示卷积层中一个神经元， l代表层数， w为卷积核， Mj表示选择的输入特征图的 集合， 每个输出特征图会给一个额外的偏置b， f为激活函数； 步骤二， 池化层操作： 池化层每个输出特征图的大小都按照输入特征图大小比例缩小， 公式如下： 其中down( ·)为下采样函数， 采样窗口大小为m ×m， 使输出特征图缩小m倍， 这样可以 通过降低分辨率得到尺度不变性， 每个输出特征图都对应 自己的乘性偏执系 数α和加性偏 执系数β， 有些网络也可在池化层后接 激活层；权　利　要　求　书 1/2 页 2 CN 115131699 A 2步骤三， 全连接层操作： 全连接层可以看做一个简 单的BP(Back  Propagation)网络， 其 输出的每一个神经元都与上一层所有节点全部连接， 输出既可以作为特征， 也可以用于分 类识别任务； 步骤四， 权值更新： 此过程是CNN网络训练的反传过程， 为基于梯度下降(GD)方法， 网络 中时刻t到时刻t+1的权值更新公式如下： W(t+1)＝ W(t)+ η·δ(t)·x(t) 其中， η是 学习率， δ(t)为神经 元输入的误差项。 4.根据权利要求1所述的一种智能消防车目标识别实现方法， 其特征在于： 所述S6中， 训练结束后， 保存各代的训练网络参数， 根据训练精度和验证精度最高的几代和收敛情况， 根据验证精度较高和验证精度与训练精度之间差异较小的原则选择最佳 的一代网络参数 作为最终的VG G网络模型参数， 从而确定最终识别网络模型。 5.根据权利要求1所述的一种智能消防车目标识别实现方法， 其特征在于： 所述S7中， 识别过程具体为： 输入室内视频帧数据， 预 处理后送入识别网络； 识别网络对输入图片进 行 一系列卷积、 激活和池化过程的特征提取操作后， 在 全连接层形成最 终一维特征； 全连接层 特征经过Softmax分类 器预测目标类型； Softmax分类器能将输出类别转化为概率输出， 对于一个n分类问题， 给定输入x属于第 i类(yi)的原始度量h(x,yi)， Softmax计算属于某一类的概 率为： 通过对目标区域进行类别概 率计算， 完成对图像内目标信息的有效识别。权　利　要　求　书 2/2 页 3 CN 115131699 A 3