本发明涉及自动系统技术领域,尤其涉及一种应用于自动化系统的图像物体检测方法。
背景技术:
自动化系统的图像识别技术中,图像物体检测应用广泛,是否能够较好的完成对输入图像的识别并找到相关度高的匹配图像,一方面取决于图像数据库是否足够完备,海量图像将有利于提升检索性能;另一方面与所使用的图像检测方法是否合适有关,这就需要计算机对图像数据集合理建模,以便后续快速准确的从图像数据库中为输入图像找到最为相似的搜索结果,图像检测建模过程也称图像检测算法学习,图像检测即是通过这种学习过程找到图像检测的目标函数并将其用于检测图像中的物体。
现有技术中,图像检测算法学习按照图像数据集中的图像数据是否包含先验信息可以分为三种类型:全部图像数据均包含先验信息、例如物体的种类或位置标签等的有监督学习,一部分图像数据包含先验信息另一部分图像数据不包含先验信息的半监督学习和全部图像数据不包含先验信息的无监督学习方法。
无监督学习方法基于无先验信息标签的数据集实现,不利于在有限计算能力下获得较快的计算速度,较难获得良好的检测性能;有卷积神经监督学习方法基于先验信息标签完备的数据集实现,有助于提高图像检测性能,但受到标签标注人工成本和硬件存储容量等的限制,对于样本容量大的图像数据集并不适用。半监督学习方法基于部分图像贴住标签的数据集,对于人员和硬件资源的消耗适中,但随着图像数据的增加,现有图像检测模型中数据集模糊性增加,通过半监督学习得到的目标函数对大数据集的拟合性下降,因此现有半监督学习得到的图像物体检测方法在大图像数据集上对图像的检测性能不佳。
技术实现要素:
本发明的目的是解决上述的不足,提供一种应用于自动化系统的图像物体检测方法。
本发明的技术解决方案是:一种应用于自动化系统的图像物体检测方法,按如下步骤:对多个样本图像按照信息量级别分别进行标注,获得对应的标注图像;根据窗口提取方法提取所述标注图像中包含物体的区域或包含物体概率最大的区域并生成候选窗口;在卷积神经网络上提取所述候选窗口的特征表达并组成候选集,通过半监督学习对所述候选集进行拟合,获得图像检测模型目标函数;根据所述窗口提取方法提取待检测图像中包含目标物体的区域或包含目标物体概率最大的区域并生成待检测窗口,在所述卷积神经网络上提取所述待检测窗口的特征表达并在所述图像检测模型目标函数上进行检测,获得所述候选集中的特征表达所对应的包含所述目标物体概率最大的所述候选窗口。
本发明有如下优点:本发明所述方法能够在大数据集上较快速准确的对目标物体进行检测。
具体实施方式
本发明所述的一种应用于自动化系统的图像物体检测方法,按如下步骤:对多个样本图像按照信息量级别分别进行标注,获得对应的标注图像;根据窗口提取方法提取所述标注图像中包含物体的区域或包含物体概率最大的区域并生成候选窗口;在卷积神经网络上提取所述候选窗口的特征表达并组成候选集,通过半监督学习对所述候选集进行拟合,获得图像检测模型目标函数;根据所述窗口提取方法提取待检测图像中包含目标物体的区域或包含目标物体概率最大的区域并生成待检测窗口,在所述卷积神经网络上提取所述待检测窗口的特征表达并在所述图像检测模型目标函数上进行检测,获得所述候选集中的特征表达所对应的包含所述目标物体概率最大的所述候选窗口。