生成檢測模型的方法和設(shè)備、用于檢測目標(biāo)的方法和設(shè)備的制作方法
【專利摘要】本發(fā)明實(shí)施例公開一種生成檢測模型的方法和設(shè)備、用于檢測目標(biāo)的方法和設(shè)備，該生成檢測模型的方法包括訓(xùn)練通用訓(xùn)練數(shù)據(jù)，得到第一檢測模型；獲取未標(biāo)定的多個圖像，多個圖像是通過拍攝同一目標(biāo)場景獲得的；根據(jù)第一檢測模型對未標(biāo)定的多個圖像進(jìn)行檢測得到目標(biāo)場景訓(xùn)練數(shù)據(jù)；訓(xùn)練目標(biāo)場景訓(xùn)練數(shù)據(jù)和通用訓(xùn)練數(shù)據(jù)，得到第二檢測模型，其中，第二檢測模型包括多層網(wǎng)絡(luò)、聚類層和分類層。本發(fā)明實(shí)施例能夠提高目標(biāo)檢測的性能。
【專利說明】生成檢測模型的方法和設(shè)備、用于檢測目標(biāo)的方法和設(shè)備

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及物體檢測領(lǐng)域，特別涉及一種生成檢測模型的方法和設(shè)備、用于檢測 目標(biāo)的方法和設(shè)備。

【背景技術(shù)】
[0002] 視頻監(jiān)控是安全防范系統(tǒng)的重要組成部分，隨著智能監(jiān)控網(wǎng)的大規(guī)模建立，人類 將獲得海量監(jiān)控圖像視頻。如何使得電腦自動識別出監(jiān)控圖像中是否存在目標(biāo)（例如：行 人）及標(biāo)定其位置是一個極其重要的問題，其在智能監(jiān)控網(wǎng)和智能安全駕駛輔助系統(tǒng)上有 極其重要的位置。
[0003] 隨著現(xiàn)有技術(shù)的不斷發(fā)展，目標(biāo)檢測技術(shù)也取得了極大的進(jìn)展。然而現(xiàn)有的目標(biāo) 檢測方法都假設(shè)其訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)擁有一致的數(shù)據(jù)分布，故檢測模型的性能極大程度 上依賴其訓(xùn)練的數(shù)據(jù)。但是當(dāng)訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)分別從不同場景下采集獲得時，該訓(xùn)練 出來的檢測模型進(jìn)行測試數(shù)據(jù)監(jiān)測時性能將極大地下降。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明實(shí)施例提供一種用于檢測目標(biāo)的方法和設(shè)備，能夠提高檢測性能。
[0005] 第一方面，提供了一種生成檢測模型的方法，該方法包括：訓(xùn)練通用訓(xùn)練數(shù)據(jù)，得 到第一檢測模型；獲取未標(biāo)定的多個圖像，所述多個圖像是通過拍攝同一目標(biāo)場景獲得的； 根據(jù)所述第一檢測模型對所述未標(biāo)定的多個圖像進(jìn)行檢測得到目標(biāo)場景訓(xùn)練數(shù)據(jù)；訓(xùn)練所 述目標(biāo)場景訓(xùn)練數(shù)據(jù)和所述通用訓(xùn)練數(shù)據(jù)，得到第二檢測模型，其中，所述第二檢測模型包 括多層網(wǎng)絡(luò)、聚類層和分類層。
[0006] 結(jié)合第一方面，在第一種可能的實(shí)現(xiàn)方式中，所述多層網(wǎng)絡(luò)包括多層深度卷積網(wǎng) 絡(luò)和多層深度信念網(wǎng)絡(luò)，所述根據(jù)目標(biāo)場景訓(xùn)練數(shù)據(jù)和通用訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練得到所述第 一檢測模型，包括：確定初始多層卷積網(wǎng)絡(luò)和初始多層深度信念網(wǎng)絡(luò)；采用反向傳播算法， 根據(jù)所述目標(biāo)場景訓(xùn)練數(shù)據(jù)和所述通用訓(xùn)練數(shù)據(jù)對所述初始多層深度卷積網(wǎng)絡(luò)進(jìn)行訓(xùn)練， 得到第一特征數(shù)據(jù)和所述多層深度卷積網(wǎng)絡(luò)；根據(jù)所述第一特征數(shù)據(jù)和所述目標(biāo)場景訓(xùn)練 數(shù)據(jù)更新所述初始多層深度信念網(wǎng)絡(luò)的權(quán)重參數(shù)，得到第二特征數(shù)據(jù)、所述多層深度信念 網(wǎng)絡(luò)與所述分類層間的權(quán)重參數(shù)和所述多層深度信念網(wǎng)絡(luò)；對所述第二特征數(shù)據(jù)進(jìn)行聚類 分析，獲得所述聚類層、所述聚類層與所述多層深度信念網(wǎng)絡(luò)間的權(quán)重參數(shù)和所述聚類層 與所述分類層間的權(quán)重參數(shù)。
[0007] 結(jié)合第一種可能的實(shí)現(xiàn)方式，在第二種可能的實(shí)現(xiàn)方式中，所述訓(xùn)練所述目標(biāo)場 景訓(xùn)練數(shù)據(jù)和所述通用訓(xùn)練數(shù)據(jù)，得到第二檢測模型，還包括：根據(jù)所述第二特征數(shù)據(jù)生成 重建網(wǎng)絡(luò)和所述重建網(wǎng)絡(luò)的權(quán)重參數(shù)；采用反向傳播算法更新所述重建網(wǎng)絡(luò)的權(quán)重參數(shù)； 根據(jù)更新后的所述重建網(wǎng)絡(luò)的權(quán)重參數(shù)確定所述重建網(wǎng)絡(luò)的輸出值；根據(jù)所述重建網(wǎng)絡(luò)的 輸出值與所述第一特征數(shù)據(jù)的期望值的偏差更新所述聚類層與所述多層深度信念網(wǎng)絡(luò)間 的權(quán)重參數(shù)、所述多層深度信念網(wǎng)絡(luò)與所述分類層間的權(quán)重參數(shù)和所述聚類層與所述分類 層間的權(quán)重參數(shù)。
[0008] 結(jié)合第二種可能的實(shí)現(xiàn)方式，在第三種可能的實(shí)現(xiàn)方式中，所述訓(xùn)練所述目標(biāo)場 景訓(xùn)練數(shù)據(jù)和所述通用訓(xùn)練數(shù)據(jù)，得到第二檢測模型，包括：采用反向傳播算法，根據(jù)目標(biāo) 函數(shù)通過目標(biāo)場景訓(xùn)練數(shù)據(jù)和通用訓(xùn)練數(shù)據(jù)訓(xùn)練所述第二檢測模型，所述目標(biāo)函數(shù)的變量 為所述第二檢測模型的輸出值與輸出期望值的偏差、所述聚類層的輸出值與輸出期望值的 偏差和所述重建網(wǎng)絡(luò)的輸出值與所述第一特征數(shù)據(jù)的期望值的偏差。
[0009] 結(jié)合第三種可能的實(shí)現(xiàn)方式，在第四種可能的實(shí)現(xiàn)方式中，所述目標(biāo)函數(shù)為：
[0010]

【權(quán)利要求】
1. 一種生成檢測模型的方法，其特征在于，包括： 訓(xùn)練通用訓(xùn)練數(shù)據(jù)，得到第一檢測模型； 獲取未標(biāo)定的多個圖像，所述多個圖像是通過拍攝同一目標(biāo)場景獲得的； 根據(jù)所述第一檢測模型對所述未標(biāo)定的多個圖像進(jìn)行檢測得到目標(biāo)場景訓(xùn)練數(shù)據(jù)； 訓(xùn)練所述目標(biāo)場景訓(xùn)練數(shù)據(jù)和所述通用訓(xùn)練數(shù)據(jù)，得到第二檢測模型，其中，所述第二 檢測模型包括多層網(wǎng)絡(luò)、聚類層和分類層。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述多層網(wǎng)絡(luò)包括多層深度卷積網(wǎng)絡(luò)和 多層深度信念網(wǎng)絡(luò)，所述訓(xùn)練所述目標(biāo)場景訓(xùn)練數(shù)據(jù)和所述通用訓(xùn)練數(shù)據(jù)，得到第二檢測 模型，包括： 確定初始多層卷積網(wǎng)絡(luò)和初始多層深度信念網(wǎng)絡(luò)； 采用反向傳播算法，根據(jù)所述目標(biāo)場景訓(xùn)練數(shù)據(jù)和所述通用訓(xùn)練數(shù)據(jù)對所述初始多層 深度卷積網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到第一特征數(shù)據(jù)和所述多層深度卷積網(wǎng)絡(luò)； 根據(jù)所述第一特征數(shù)據(jù)和所述目標(biāo)場景訓(xùn)練數(shù)據(jù)更新所述初始多層深度信念網(wǎng)絡(luò)的 權(quán)重參數(shù)，得到第二特征數(shù)據(jù)、所述多層深度信念網(wǎng)絡(luò)與所述分類層間的權(quán)重參數(shù)和所述 多層深度信念網(wǎng)絡(luò)； 對所述第二特征數(shù)據(jù)進(jìn)行聚類分析，獲得所述聚類層、所述聚類層與所述多層深度信 念網(wǎng)絡(luò)間的權(quán)重參數(shù)和所述聚類層與所述分類層間的權(quán)重參數(shù)。
3. 根據(jù)權(quán)利要求2所述的方法，其特征在于，所述訓(xùn)練所述目標(biāo)場景訓(xùn)練數(shù)據(jù)和所述 通用訓(xùn)練數(shù)據(jù)，得到第二檢測模型，還包括： 根據(jù)所述第二特征數(shù)據(jù)生成重建網(wǎng)絡(luò)和所述重建網(wǎng)絡(luò)的權(quán)重參數(shù)； 采用反向傳播算法更新所述重建網(wǎng)絡(luò)的權(quán)重參數(shù)； 根據(jù)更新后的所述重建網(wǎng)絡(luò)的權(quán)重參數(shù)確定所述重建網(wǎng)絡(luò)的輸出值； 根據(jù)所述重建網(wǎng)絡(luò)的輸出值與所述第一特征數(shù)據(jù)的期望值的偏差更新所述聚類層與 所述多層深度信念網(wǎng)絡(luò)間的權(quán)重參數(shù)、所述多層深度信念網(wǎng)絡(luò)與所述分類層間的權(quán)重參數(shù) 和所述聚類層與所述分類層間的權(quán)重參數(shù)。
4. 根據(jù)權(quán)利要求3所述的方法，其特征在于， 所述訓(xùn)練所述目標(biāo)場景訓(xùn)練數(shù)據(jù)和所述通用訓(xùn)練數(shù)據(jù)，得到第二檢測模型，包括： 采用反向傳播算法，根據(jù)目標(biāo)函數(shù)通過目標(biāo)場景訓(xùn)練數(shù)據(jù)和通用訓(xùn)練數(shù)據(jù)訓(xùn)練所述第 二檢測模型，所述目標(biāo)函數(shù)的變量為所述第二檢測模型的輸出值與輸出期望值的偏差、所 述聚類層的輸出值與輸出期望值的偏差和所述重建網(wǎng)絡(luò)的輸出值與所述第一特征數(shù)據(jù)的 期望值的偏差。
5. 根據(jù)權(quán)利要求4所述的方法，其特征在于， 所述目標(biāo)函數(shù)為：
其中L表示訓(xùn)練數(shù)據(jù)經(jīng)過所述第二檢測模型的輸出值與輸出期望值的偏差、所述聚類 層的輸出值與輸出期望值的偏差和所述重建網(wǎng)絡(luò)的輸出值與所述第一特征數(shù)據(jù)的期望值 的偏差總和，所述訓(xùn)練數(shù)據(jù)包括所述目標(biāo)場景訓(xùn)練數(shù)據(jù)和所述通用訓(xùn)練數(shù)據(jù)，η為所述訓(xùn)練 數(shù)據(jù)的編號，f n為第η個訓(xùn)練數(shù)據(jù)的特征數(shù)據(jù)，f表示η個訓(xùn)練數(shù)據(jù)的重建結(jié)果，yn表示第 η個訓(xùn)練數(shù)據(jù)是否包含所述目標(biāo)，^表示由第二檢測模型所得到的是否包含目標(biāo)物體的輸 出值，vn表示所述第η個訓(xùn)練數(shù)據(jù)是否為目標(biāo)場景訓(xùn)練數(shù)據(jù)，λρ λ2為調(diào)節(jié)參數(shù)，其中，
表示所述第η個訓(xùn)練數(shù)據(jù)的特征數(shù)據(jù)的重建偏差；Z￡(yn,l)為交互熵，表示 目所述第η個訓(xùn)練數(shù)據(jù)輸出值與期望值的偏差；G表示所述第n個訓(xùn)練數(shù)據(jù)聚類偏差，其 中cn表示所述第η個目標(biāo)場景訓(xùn)練數(shù)據(jù)所屬類別，L表示針對所述第η個目標(biāo)場景訓(xùn)練數(shù) 據(jù)在聚類層的輸出響應(yīng)。
6. 根據(jù)權(quán)利要求3至5中任一項(xiàng)所述的方法，其特征在于，所述采用反向傳播算法更新 所述重建網(wǎng)絡(luò)的權(quán)重參數(shù)，包括：根據(jù)以下公式更新所述重建網(wǎng)絡(luò)的權(quán)重參數(shù)：
其中，〇 (a) = V(l+exp(-a))為激勵響應(yīng)函數(shù)，表示多層網(wǎng)絡(luò)中的第i層深度信念 網(wǎng)絡(luò)的輸出響應(yīng)，i等于1或2, I表示所述重建網(wǎng)絡(luò)的第一層的輸出，f表示所述重建結(jié) 果，京f、&,牙【和&為更新參數(shù)，和京〖表示所述重建網(wǎng)絡(luò)的權(quán)重參數(shù)。
7. 根據(jù)權(quán)利要求2至6中的任一項(xiàng)所述的方法，其特征在于，所述根據(jù)所述第一特征數(shù) 據(jù)和所述目標(biāo)場景訓(xùn)練數(shù)據(jù)更新所述多層深度信念網(wǎng)絡(luò)的權(quán)重參數(shù)，包括：根據(jù)以下公式 更新所述多層深度信念網(wǎng)絡(luò)的權(quán)重參數(shù)：
其中，〇 (a) = lAl+eXp(-a))為激勵響應(yīng)函數(shù)，f表示第一特征數(shù)據(jù)，h表示多層網(wǎng) 絡(luò)中的第i層深度信念網(wǎng)絡(luò)的輸出響應(yīng)，Wpbi為更新參數(shù)，Wi表示多層深度信念網(wǎng)絡(luò)的權(quán) 重。
8. -種用于檢測目標(biāo)的方法，其特征在于，包括： 將目標(biāo)場景圖像輸入第二檢測模型的多層網(wǎng)絡(luò)進(jìn)行特征提取，得到所述目標(biāo)場景圖像 的第一特征數(shù)據(jù)，其中所述第二檢測模型為權(quán)利要求1至7中任一項(xiàng)中訓(xùn)練得到的所述第 二檢測模型； 將所述第一特征數(shù)據(jù)輸入所述第二檢測模型的聚類層進(jìn)行特征匹配，得到待檢測圖像 的第二特征數(shù)據(jù)； 根據(jù)所述第一特征數(shù)據(jù)和所述第二特征數(shù)據(jù)確定所述目標(biāo)場景圖像是否包含所述目 標(biāo)。
9. 根據(jù)權(quán)利要求8所述的方法，其特征在于，所述根據(jù)所述第一特征數(shù)據(jù)和所述第二 特征數(shù)據(jù)確定所述目標(biāo)場景圖像是否包含所述目標(biāo)，包括： 將所述第一特征數(shù)據(jù)和所述第二特征數(shù)據(jù)進(jìn)行加權(quán)融合確定所述目標(biāo)場景圖像是否 包含所述目標(biāo)。
10. 根據(jù)權(quán)利要求9所述的方法，其特征在于 所述將所述第一特征數(shù)據(jù)和所述第二特征數(shù)據(jù)進(jìn)行加權(quán)融合確定所述目標(biāo)場景圖像 是否包含所述目標(biāo)，包括：根據(jù)以下公式進(jìn)行所述第一特征數(shù)據(jù)和所述第二特征數(shù)據(jù)進(jìn)行 加權(quán)融合，并確定所述目標(biāo)場景圖像是否包含所述目標(biāo)：
其中，σ (a) = V(l+exp(-a))為激勵響應(yīng)函數(shù)，比表示多層網(wǎng)絡(luò)中的第i層深度信 念網(wǎng)絡(luò)的輸出響應(yīng)，c = w/hnax(fr/A2 +?)表示所述第四特征數(shù)據(jù)在所述聚類層的響應(yīng)結(jié) 果，y表示待檢測圖像是否包含所述目標(biāo)，Wp h為更新參數(shù)，其中為多層深度信念網(wǎng)絡(luò) 與分類層間的權(quán)重參數(shù)的轉(zhuǎn)置，為多層深度信念網(wǎng)絡(luò)間的權(quán)重參數(shù)的轉(zhuǎn)置。
11. 一種訓(xùn)練檢測模型的設(shè)備，其特征在于，包括： 第一訓(xùn)練單元，用于訓(xùn)練通用訓(xùn)練數(shù)據(jù)，得到第一檢測模型； 獲取單元，用于獲取未標(biāo)定的多個圖像，所述多個圖像是通過拍攝同一目標(biāo)場景獲得 的； 檢測單元，用于根據(jù)所述第一檢測模型對所述未標(biāo)定的多個圖像進(jìn)行檢測得到目標(biāo)場 景訓(xùn)練數(shù)據(jù)； 第二訓(xùn)練單元，用于訓(xùn)練所述目標(biāo)場景訓(xùn)練數(shù)據(jù)和所述通用訓(xùn)練數(shù)據(jù)，得到第二檢測 模型，其中，所述第二檢測模型包括多層網(wǎng)絡(luò)、聚類層和分類層。
12. 根據(jù)權(quán)利要求11所述的設(shè)備，其特征在于，所述多層網(wǎng)絡(luò)包括多層深度卷積網(wǎng)絡(luò) 和多層深度信念網(wǎng)絡(luò)， 所述第二訓(xùn)練單元確定初始多層卷積網(wǎng)絡(luò)和初始多層深度信念網(wǎng)絡(luò)；采用反向傳播算 法，根據(jù)所述目標(biāo)場景訓(xùn)練數(shù)據(jù)和所述通用訓(xùn)練數(shù)據(jù)對所述初始多層深度卷積網(wǎng)絡(luò)進(jìn)行訓(xùn) 練，得到第一特征數(shù)據(jù)和所述多層深度卷積網(wǎng)絡(luò)；根據(jù)所述第一特征數(shù)據(jù)和所述目標(biāo)場景 訓(xùn)練數(shù)據(jù)更新所述初始多層深度信念網(wǎng)絡(luò)的權(quán)重參數(shù)，得到第二特征數(shù)據(jù)、所述多層深度 信念網(wǎng)絡(luò)與所述分類層間的權(quán)重參數(shù)和所述多層深度信念網(wǎng)絡(luò)；對所述第二特征數(shù)據(jù)進(jìn)行 聚類分析，獲得所述聚類層、所述聚類層與所述多層深度信念網(wǎng)絡(luò)間的權(quán)重參數(shù)和所述聚 類層與所述分類層間的權(quán)重參數(shù)。
13. 根據(jù)權(quán)利要求12所述的設(shè)備，其特征在于， 所述第二訓(xùn)練單元根據(jù)所述第二特征數(shù)據(jù)生成重建網(wǎng)絡(luò)和所述重建網(wǎng)絡(luò)的權(quán)重參數(shù)； 采用反向傳播算法更新所述重建網(wǎng)絡(luò)的權(quán)重參數(shù)；根據(jù)更新后的所述重建網(wǎng)絡(luò)的權(quán)重參數(shù) 確定所述重建網(wǎng)絡(luò)的輸出值；根據(jù)所述重建網(wǎng)絡(luò)的輸出值與所述第一特征數(shù)據(jù)的期望值的 偏差更新所述聚類層與所述多層深度信念網(wǎng)絡(luò)間的權(quán)重參數(shù)、所述多層深度信念網(wǎng)絡(luò)與所 述分類層間的權(quán)重參數(shù)和所述聚類層與所述分類層間的權(quán)重參數(shù)。
14. 根據(jù)權(quán)利要求13所述的設(shè)備，其特征在于， 所述第二訓(xùn)練單元采用反向傳播算法，根據(jù)目標(biāo)函數(shù)通過目標(biāo)場景訓(xùn)練數(shù)據(jù)和通用訓(xùn) 練數(shù)據(jù)訓(xùn)練所述第二檢測模型，所述目標(biāo)函數(shù)的變量為所述第二檢測模型的輸出值與輸出 期望值的偏差、所述聚類層的輸出值與輸出期望值的偏差和所述重建網(wǎng)絡(luò)的輸出值與所述 第一特征數(shù)據(jù)的期望值的偏差。
15. 根據(jù)權(quán)利要求14所述的設(shè)備，其特征在于， 所述目標(biāo)函數(shù)為：
其中L表示訓(xùn)練數(shù)據(jù)經(jīng)過所述第二檢測模型的輸出值與輸出期望值的偏差、所述聚類 層的輸出值與輸出期望值的偏差和所述重建網(wǎng)絡(luò)的輸出值與所述第一特征數(shù)據(jù)的期望值 的偏差總和，所述訓(xùn)練數(shù)據(jù)包括所述目標(biāo)場景訓(xùn)練數(shù)據(jù)和所述通用訓(xùn)練數(shù)據(jù)，η為所述訓(xùn)練 數(shù)據(jù)的編號，f n為第η個訓(xùn)練數(shù)據(jù)的特征數(shù)據(jù)，f表示η個訓(xùn)練數(shù)據(jù)的重建結(jié)果，yn表示第 η個訓(xùn)練數(shù)據(jù)是否包含所述目標(biāo)，I表示由第二檢測模型所得到的是否包含目標(biāo)物體的輸 出值，νη表示所述第η個訓(xùn)練數(shù)據(jù)是否為目標(biāo)場景訓(xùn)練數(shù)據(jù)，λρ λ2為調(diào)節(jié)參數(shù)，其中，
U(fn,fn)表示所述第η個訓(xùn)練數(shù)據(jù)的特征數(shù)據(jù)的重建偏差；Zs(y nin)為交互熵，表示 目所述第η個訓(xùn)練數(shù)據(jù)輸出值與期望值的偏差；L〗表示所述第n個訓(xùn)練數(shù)據(jù)聚類偏差，其 中cn表示所述第η個目標(biāo)場景訓(xùn)練數(shù)據(jù)所屬類別，.表示針對所述第η個目標(biāo)場景訓(xùn)練數(shù) 據(jù)在聚類層的輸出響應(yīng)。
16. 根據(jù)權(quán)利要求13至15中任一項(xiàng)所述的設(shè)備，其特征在于， 所述第二訓(xùn)練單元根據(jù)以下公式更新所述重建網(wǎng)絡(luò)的權(quán)重參數(shù)：
其中，〇 (a) = V(l+exp(-a))為激勵響應(yīng)函數(shù)，表示多層網(wǎng)絡(luò)中的第i層深度信念 網(wǎng)絡(luò)的輸出響應(yīng)，i等于1或2, &表示所述重建網(wǎng)絡(luò)的第一層的輸出，f表示所述重建結(jié) 果，1^、^^和^為更新參數(shù)，和示7【表示所述重建網(wǎng)絡(luò)的權(quán)重參數(shù)。
17. 根據(jù)權(quán)利要求12至16中的任一項(xiàng)所述的設(shè)備，其特征在于， 所述第二訓(xùn)練單元根據(jù)以下公式更新所述多層深度信念網(wǎng)絡(luò)的權(quán)重參數(shù)：
其中，〇 (a) = lAl+eXp(-a))為激勵響應(yīng)函數(shù)，f表示第三特征數(shù)據(jù)，h表示多層網(wǎng) 絡(luò)中的第i層深度信念網(wǎng)絡(luò)的輸出響應(yīng)，Wpbi為更新參數(shù)，Wi表示多層深度信念網(wǎng)絡(luò)的權(quán) 重。
18. -種用于檢測目標(biāo)的設(shè)備，其特征在于，包括： 第一特征提取單元，用于將目標(biāo)場景圖像輸入第二檢測模型的多層網(wǎng)絡(luò)進(jìn)行特征提 取，得到所述目標(biāo)場景圖像的第一特征數(shù)據(jù)，其中所述第二檢測模型為權(quán)利要求1至17中 任一項(xiàng)中訓(xùn)練得到的所述第二檢測模型； 第二特征提取單元，用于將所述第一特征數(shù)據(jù)輸入所述第二檢測模型的聚類層進(jìn)行特 征匹配，得到待檢測圖像的第二特征數(shù)據(jù)； 確定單元，用于根據(jù)所述第一特征數(shù)據(jù)和所述第二特征數(shù)據(jù)確定所述目標(biāo)場景圖像是 否包含所述目標(biāo)。
19. 根據(jù)權(quán)利要求18所述的設(shè)備，其特征在于， 所述確定單元將所述第一特征數(shù)據(jù)和所述第二特征數(shù)據(jù)進(jìn)行加權(quán)融合確定所述目標(biāo) 場景圖像是否包含所述目標(biāo)。
20. 根據(jù)權(quán)利要求19所述的設(shè)備，其特征在于 所述確定單元根據(jù)以下公式進(jìn)行所述第一特征數(shù)據(jù)和所述第二特征數(shù)據(jù)進(jìn)行加權(quán)融 合，并確定所述目標(biāo)場景圖像是否包含所述目標(biāo)：
其中，σ (a) = V(l+exp(-a))為激勵響應(yīng)函數(shù)，比表示多層網(wǎng)絡(luò)中的第i層深度信 念網(wǎng)絡(luò)的輸出響應(yīng)，+Λ4)表示所述第四特征數(shù)據(jù)在所述聚類層的響應(yīng)結(jié) 果，y表示待檢測圖像是否包含所述目標(biāo)，Wpbi為更新參數(shù)，其中#為多層深度信念網(wǎng)絡(luò) 與分類層間的權(quán)重參數(shù)的轉(zhuǎn)置，為多層深度信念網(wǎng)絡(luò)間的權(quán)重參數(shù)的轉(zhuǎn)置。
【文檔編號】G06K9/62GK104217216SQ201410441658
【公開日】2014年12月17日 申請日期:2014年9月1日 優(yōu)先權(quán)日:2014年9月1日
【發(fā)明者】曾星宇, 歐陽萬里, 王萌, 王曉剛, 張維 申請人:華為技術(shù)有限公司