(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 202210704308.9 (22)申请日 2022.06.21 (71)申请人 苏州数智源信息技 术有限公司 地址 215123 江苏省苏州市苏州工业园区 星湖街328号创意产业园8- 601 (72)发明人 戴元永　苏敏敏　曹强大　唐晓渊　 单军军　褚振伟　毛鑫哲　 (74)专利代理 机构 北京和信华成知识产权代理 事务所(普通 合伙) 11390 专利代理师 张菊萍 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/82(2022.01) G06N 3/08(2006.01)G06N 3/04(2006.01) (54)发明名称 一种小目标识别算法 (57)摘要 本发明公开了一种小目标识别算法， 首先采 用图像捕捉 设备对目标进行捕捉， 以获得目标图 像； 并将图像划分为重点区和非重点区； 同时， 对 目标整体特征进行采集， 并得出具体数据； 识别 图像中目标大小， 并与具体数据进行比对， 判别 目标是否能够清晰捕捉， 如果不是， 则标记为异 常， 如果是， 则标记为正常； 将图像网格化， 并按 3x3为一个单元进行分割， 一个3x3 单元称为读取 单元， 神经元对每个读取单元中的特征量进行读 取， 并将读取数据上传至数据处理中心。 本发明 通过自我学习的神经网络， 能够存储海量的数 据， 并将数据进行结合对比， 达到了系统对每一 个目标都能够根据体积数据， 判别目标是否足够 清晰捕捉， 提高了识别速率。 权利要求书2页 说明书7页 附图3页 CN 114998593 A 2022.09.02 CN 114998593 A 1.一种小目标识别算法， 其特 征在于， 包括以下步骤： 步骤S1、 采用图像捕捉设备对目标进行捕捉， 以获得目标图像； 步骤S2、 对图像进行区分， 将图像划分为重点区和非重点区； 步骤S3、 在进行步骤S1的同时， 对目标整体特征进行数据采取， 并得出目标体积的具体 数据， 为体积数据； 步骤S4、 识别图像中目标大小， 并与S3中的体积数据进行比对， 判别目标是否清晰， 如 果不是， 则标记为异常， 如果是， 则标记为 正常； 步骤S5、 将S2中图像重点区调整为固定大小； 步骤S6、 将S5中图像网格化， 并按3x3为一个单元进行分割， 一个3x3单元称为读取单 元， 神经元对每个读取单元中的特 征量进行读取， 并将 读取数据上传至数据处 理中心； 步骤S7、 识别出特征量异常时， 结合步骤S4反馈给人工判定， 若人工判断清晰， 则将3x3 读取单元与步骤S 3中的体积数据配对， 当人工判断不清晰时， 则重新进 行步骤S5， 且将读取 单元网格化 为9x9进行 特征量读取， 直至判别答案与人工一 致。 2.根据权利要求1所述的一种 小目标识别算法， 其特征在于， 将以往识别应用至步骤S6 中， 优化系统判断准确性。 3.根据权利要求1所述的一种小目标识别算法， 其特征在于， 所述步骤S4具体为， 判断 图像左右半幅高度是否一 致， 对于三维图像中第i行像素： Δi＝|HLi‑HRi| 式中HLi‑图像中第i行左半幅的平均深度； HRi‑图像中第i行右半幅的平均深度； Δi‑第i行左右两半幅平均深度差距的绝对值； I(i， j)‑像素I(i， j)的深度值， 取值范围0 ‑‑255； 考虑到其他随机因素的影响， 两半幅图像平均深度不可能完全一样， 当平均深度差值 Δi大于阈值Δr时， 认为两半幅图像高度水平显著不同， 需要 整体提升较低的半幅图像： 式中 ‑第i行较低的半幅图像， 或为左半幅， 或为右半幅； I′(i， j)‑第i行较低的半幅 中像素I(i， j)校正后的像素值。 4.根据权利要求2所述的一种小目标识别算法， 其特 征在于， 具体算法如下： 设线性方程组为： AX＝B 其中， X＝[x1， x2，…， xn]T， b＝[b1， b2，…， bn]T 则AX＝B可改写为，权　利　要　求　书 1/2 页 2 CN 114998593 A 2设 以aij为隐层神经元激励函数， xj为神经网络训练权 值， {i， bi|i＝1， 2，…， n}为神经网络训练样本集； 则神经网络 输出为 误差函数为 e(i)＝bi‑y(i) 性能指标为 采用最速下降法确定 权值调整量 权值调整 xj(i+1)＝xj(i)+ ηe(i)aij， (j＝1， 2， …， n) 写为矩阵形式为： X(i+1)＝X(i)+ ηe(i)AT(i， bi) 其中η为学习率， 且0＜η＜1， AT(i， bi)表示系数矩阵A的第i行元素构成的列向量， 即AT (i， bi)＝[ai1， ai2，…， ain]T。 5.根据权利要求2所述的一种小目标识别算法， 其特 征在于， 具体步骤如下： 步骤S21、 随机产生权值列向量X＝[x1， x2，…， xn]T， 给定任意小正数Tol， 令J＝0， 准备好 系数矩阵A和向量b＝[b1， b2，…， bn]T， 确定学习率 η； 步骤S22、 计算神经网络 输出： 计算误差函数： e(i)＝bi‑y(i) 计算性能指标J： 步骤S23、 权值调整： Xj(i+1)＝Xj(i)+ ηe(i)AT(i， bi)； 步骤S24、 如果样本集未训练完毕， 返回步骤S22重复上述步骤， 否则， 判断性能指标是 否满足给定任意小正数Tol， 如果 J＞Tol， 令J＝0， 并保存本次训练的权值， 判断是否已保存 了四次训练的神经网络权值， 如果是， 则按照龙贝格修正法对权值进 行修正， 将修正好的权 值作为下次训练的神经网络权值， 并返回步骤S22重复上述步骤， 否则结束训练， 输出神经 网络训练结果X＝[x1， x2，…， xn]T， 此即为最佳解。 6.根据权利要求1所述的一种 小目标识别算法， 其特征在于， 所述步骤S6 中的读取单元 配备64个神经 元进行处 理。 7.根据权利要求6所述的一种 小目标识别算法， 其特征在于， 所述神经元之间读取信 息 互通。权　利　要　求　书 2/2 页 3 CN 114998593 A 3