一种基于LPR-Net卷积网络算法的多目标提取系统及方法与流程

一种基于lpr-net卷积网络算法的多目标提取系统及方法
技术领域
1.本发明涉及图像识别技术领域，具体是一种基于lpr-net卷积网络算法的多目标提取系统及方法。


背景技术：

2.近年来，目标检测在智能视频监控、车辆自动驾驶、机器人环境感知、盲人图像识别等领域都有广泛的应用。然而，由于视角、遮挡、姿态等因素引起目标发生形变，使目标检测成为一个具有挑战性的任务。传统目标检测方法的研究重点在于特征提取和特征分类。由此，研究者们提出了多种形式的特征和分类器。但是，由于传统目标检测方法使用设计的特征，即使运用最好的非线性分类器进行特征分类，目标检测的准确度也达不到实际需求。设计的特征存在三个缺点：1)设计的特征为低层特征，对目标的表达能力不足；2)设计的特征可分性较差，导致分类的错误率较高；3)设计的特征具有针对性，很难选择单一特征应用于多目标检测。
3.近年来，卷积神经网络在图像识别方面以惊人速度发展的同时，girshick等人把检测问题转化为分类问题，提出r-cnn框架结构，首先使用选择搜索技术提取候选区域，然后利用cnn模型对候选区域提取特征，将这些区域特征使用支持向量机分类器做分类识别，并且对候选区域做边框回归来得到更好的检测结果。针对r-cnn中存在的冗余计算、模型训练需要多步操作的问题，girshick进一步提出了fast r-cnn框架结构，整合了整个检测流程，并且对每个图片进行一次特征提取，大大减少了冗余计算，从而提高了检测速度。接着ren等人又进一步提出了faster r-cnn框架结构，把得到候选区域的工作也借助cnn来完成，并且使得候选区域提取网络和目标检测网络共享特征提取层，取得了更好的检测性能。但是，faster r-cnn网络模型很难将容易混淆的物体区分开，并且识别不出小目标和多个目标。
4.因此，针对以上现状，迫切需要开发一种基于lpr-net卷积网络算法的多目标提取系统及方法，以克服当前实际应用中的不足。


技术实现要素：

5.本发明的目的在于提供一种基于lpr-net卷积网络算法的多目标提取系统及方法，以解决上述背景技术中提出的问题。
6.为实现上述目的，本发明提供如下技术方案：
7.一种基于lpr-net卷积网络算法的多目标提取系统，包括图像获取模块、识别模块和模型构建模块，所述识别模块与图像获取模块、模型构建模块连接，其中：
8.图像获取模块，用于获取图片，将图片信息发送给识别模块；
9.识别模块，用于接受图像获取模块发送的图片信息，提取图片信息中的目标特征数据；以及
10.向模型构建模块发送模型调用指令；以及
11.接收模型构建模块发送的lpr-net识别网络模型；以及
12.将目标特征数据输入lpr-net识别网络模型中进行训练，直至得到最优的模型参数；以及
13.利用参数最优的lpr-net识别网络模型对图片信息中的目标特征进行识别，得到识别结果；
14.模型构建模块，用于接收识别模块发送的模型调用指令，根据模型调用指令调取lpr-net识别网络模型，将lpr-net识别网络模型发送给识别模块。
15.作为本发明进一步的方案：所述识别模块包括图像接受单元、预处理单元、识别单元和输出单元，所述图像接收单元与预处理单元连接，预处理单元与识别单元连接，识别单元还与输出单元连接，其中：
16.图像接收单元，用于接收图像获取模块发送的图片信息，将所述图片信息数据发送给预处理单元；
17.预处理单元，用于接收图像接受单元发送的图片信息数据，提取图片信息数据中的目标特征，将所述目标特征数据发送给识别单元；
18.识别单元，用于接收预处理单元发送的目标特征数据，将所述目标特征数据输入lpr-net识别网络模型中进行训练，直至得到最优的模型参数；以及
19.利用参数最优的lpr-net识别网络模型对图片信息中的目标特征进行识别，得到识别结果，将所述识别结果发送给输出单元。
20.作为本发明进一步的方案：所述识别模块还包括有模型调用单元，所述模型调用单元与识别单元连接，其中：
21.模型调用单元还与模型构建模块连接，用于生成模型调用指令，将模型调用指令发送给模型构建模块；以及
22.接收模型构建模块发送的lpr-net识别网络模型，将lpr-net识别网络模型发送给识别单元。
23.作为本发明进一步的方案：所述识别模块还包括配置单元，所述配置单元与模型调用单元连接，其中：
24.配置单元，用于接收用户输入的模型配置参数，将所述模型配置参数发送给模型调用单元，模型调用单元接收所述配置参数，根据配置参数生成模型调用指令。
25.作为本发明进一步的方案：还包括有显示模块，所述显示模块与识别模块连接。
26.作为本发明进一步的方案：所述预处理单元包括图像库、分类提取单元与发送单元，所述图像库与分类提取单元连接，分类提取单元与发送单元连接，所述图像库用于存储图像接受单元发送的图片信息数据。
27.作为本发明进一步的方案：所述分类提取单元包括背景提取组件、文字提取组件和画面提取组件，分别用于提取图片信息中的背景信息、文字信息和画面信息，所述背景信息、文字信息和画面信息即为图片信息的目标特征数据。
28.作为本发明进一步的方案：所述识别组件包括文字识别组件、颜色识别组件和图像识别组件。
29.一种基于lpr-net卷积网络算法的多目标提取系统的提取方法，包括以下步骤：
30.获取图片，提取图片中的目标特征信息；
31.将目标特征数据信息输入lpr-net识别网络模型中训练，直至得到最优的参数模型
32.利用参数最优的lpr-net识别网络模型对图片信息中的目标特征进行识别，得到识别结果。
33.与现有技术相比，本发明的有益效果是：本发明通过提取图片的特征信息，将特征数据信息输入lpr-net识别网络模型中训练，直至得到最优的参数模型，再利用参数最优的lpr-net识别网络模型对图片信息中的目标特征进行识别，得到识别结果，从而获取给定图像中的目标信息。
附图说明
34.图1为基于lpr-net卷积网络算法的多目标提取系统的结构框图。
35.图2为基于lpr-net卷积网络算法的多目标提取系统中识别模块的结构框图。
36.图3为基于lpr-net卷积网络算法的多目标提取系统中预处理单元的结构框图。
37.图4为基于lpr-net卷积网络算法的多目标提取系统中识别单元的结构框图。
38.图5为基于lpr-net卷积网络算法的多目标提取系统中提取方法的流程图。
具体实施方式
39.下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
40.下面详细描述本专利的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利，而不能理解为对本专利的限制。
41.实施例1
42.请参阅图1～3，本发明实施例中，一种基于lpr-net卷积网络算法的多目标提取系统，包括图像获取模块200、识别模块100和模型构建模块300，所述识别模块100与图像获取模块200、模型构建模块300连接，其中：
43.图像获取模块200，用于获取图片，将图片信息发送给识别模块100；
44.识别模块100，用于接受图像获取模块200发送的图片信息，提取图片信息中的目标特征数据；以及
45.向模型构建模块300发送模型调用指令；以及
46.接收模型构建模块300发送的lpr-net识别网络模型；以及
47.将目标特征数据输入lpr-net识别网络模型中进行训练，直至得到最优的模型参数；以及
48.利用参数最优的lpr-net识别网络模型对图片信息中的目标特征进行识别，得到识别结果；
49.模型构建模块300，用于接收识别模块100发送的模型调用指令，根据模型调用指令调取lpr-net识别网络模型，将lpr-net识别网络模型发送给识别模块100。
50.在本发明实施例中，需要说明的是，所述图像获取模块200获取图片的方式为：
51.获取含有目标特征的视频流，截取图像后标定图像轮廓，所述图像轮廓即为所要获取的图片。
52.在本发明实施例中，所述识别模块100包括图像接受单元110、预处理单元120、识别单元130和输出单元160，所述图像接收单元110与预处理单元120连接，预处理单元120与识别单元130连接，识别单元130还与输出单元160连接，其中：
53.图像接收单元110，用于接收图像获取模块200发送的图片信息，将所述图片信息数据发送给预处理单元120；
54.预处理单元120，用于接收图像接受单元110发送的图片信息数据，提取图片信息数据中的目标特征，将所述目标特征数据发送给识别单元130；
55.识别单元130，用于接收预处理单元120发送的目标特征数据，将所述目标特征数据输入lpr-net识别网络模型中进行训练，直至得到最优的模型参数；以及
56.利用参数最优的lpr-net识别网络模型对图片信息中的目标特征进行识别，得到识别结果，将所述识别结果发送给输出单元160；
57.进一步的，在本发明实施例中，所述识别模块100还包括有模型调用单元140，所述模型调用单元140与识别单元130连接，其中：
58.模型调用单元140还与模型构建模块300连接，用于生成模型调用指令，将模型调用指令发送给模型构建模块300；以及
59.接收模型构建模块300发送的lpr-net识别网络模型，将lpr-net识别网络模型发送给识别单元130；
60.再进一步的，所述识别模块100还包括配置单元150，所述配置单元150与模型调用单元140连接，其中：
61.配置单元150，用于接收用户输入的模型配置参数，将所述模型配置参数发送给模型调用单元140，模型调用单元140接收所述配置参数，根据配置参数生成模型调用指令。
62.在本发明的又一实施例中，还包括有显示模块400，所述显示模块400与识别模块100连接，显示模块400用于接收输出单元160发送的识别结果，将该识别结果进行显示。
63.在本发明实施例中，所述预处理单元120包括图像库121、分类提取单元122与发送单元123，所述图像库121与分类提取单元122连接，分类提取单元122与发送单元123连接，所述图像库121用于存储图像接受单元110发送的图片信息数据；
64.进一步的，所述分类提取单元122包括背景提取组件、文字提取组件和画面提取组件，分别用于提取图片信息中的背景信息数据、文字数据和画面数据，所述背景信息数据、文字数据和画面数据即为图片信息的目标特征数据。
65.实施例2
66.请参阅图1～3，本发明实施例中，一种基于lpr-net卷积网络算法的多目标提取系统，包括图像获取模块200、识别模块100和模型构建模块300，所述识别模块100与图像获取模块200、模型构建模块300连接，其中：
67.图像获取模块200，用于获取图片，将图片信息发送给识别模块100；
68.识别模块100，用于接受图像获取模块200发送的图片信息，提取图片信息中的目标特征数据；以及
69.向模型构建模块300发送模型调用指令；以及
70.接收模型构建模块300发送的lpr-net识别网络模型；以及
71.将目标特征数据输入lpr-net识别网络模型中进行训练，直至得到最优的模型参
数；以及
72.利用参数最优的lpr-net识别网络模型对图片信息中的目标特征进行识别，得到识别结果；
73.模型构建模块300，用于接收识别模块100发送的模型调用指令，根据模型调用指令调取lpr-net识别网络模型，将lpr-net识别网络模型发送给识别模块100。
74.在本发明实施例中，需要说明的是，所述图像获取模块200获取图片的方式为：
75.获取含有目标特征的视频流，截取图像后标定图像轮廓，所述图像轮廓即为所要获取的图片。
76.在本发明实施例中，所述识别模块100包括图像接受单元110、预处理单元120、识别单元130和输出单元160，所述图像接收单元110与预处理单元120连接，预处理单元120与识别单元130连接，识别单元130还与输出单元160连接，其中：
77.图像接收单元110，用于接收图像获取模块200发送的图片信息，将所述图片信息数据发送给预处理单元120；
78.预处理单元120，用于接收图像接受单元110发送的图片信息数据，提取图片信息数据中的目标特征，将所述目标特征数据发送给识别单元130；
79.识别单元130，用于接收预处理单元120发送的目标特征数据，将所述目标特征数据输入lpr-net识别网络模型中进行训练，直至得到最优的模型参数；以及
80.利用参数最优的lpr-net识别网络模型对图片信息中的目标特征进行识别，得到识别结果，将所述识别结果发送给输出单元160；
81.进一步的，在本发明实施例中，所述识别模块100还包括有模型调用单元140，所述模型调用单元140与识别单元130连接，其中：
82.模型调用单元140还与模型构建模块300连接，用于生成模型调用指令，将模型调用指令发送给模型构建模块300；以及
83.接收模型构建模块300发送的lpr-net识别网络模型，将lpr-net识别网络模型发送给识别单元130；
84.再进一步的，所述识别模块100还包括配置单元150，所述配置单元150与模型调用单元140连接，其中：
85.配置单元150，用于接收用户输入的模型配置参数，将所述模型配置参数发送给模型调用单元140，模型调用单元140接收所述配置参数，根据配置参数生成模型调用指令。
86.在本发明的又一实施例中，还包括有显示模块400，所述显示模块400与识别模块100连接，显示模块400用于接收输出单元160发送的识别结果，将该识别结果进行显示。
87.在本发明实施例中，所述预处理单元120包括图像库121、分类提取单元122与发送单元123，所述图像库121与分类提取单元122连接，分类提取单元122与发送单元123连接，所述图像库121用于存储图像接受单元110发送的图片信息数据；
88.进一步的，所述分类提取单元122包括背景提取组件、文字提取组件和画面提取组件，分别用于提取图片信息中的背景信息、文字信息和画面信息，所述背景信息、文字信息和画面信息即为图片信息的目标特征数据。
89.请参阅图4，本实施例与实施例1的不同之处在于：
90.所述识别单元130包括识别组件和参数输出组件134，所述识别组件与参数输出组
件134连接，识别组件用于识别图片信息中的背景、文字和画面，得到识别结果；
91.进一步的，所述识别组件包括文字识别组件132、颜色识别组件131和图像识别组件133；
92.再进一步的，所述文字识别组件132、颜色识别组件131和图像识别组件133均与模型调用单元140连接，分别用于通过模型调用单元140调取lpr-net识别网络模型，对该lpr-net识别网络模型进行训练，得到最优参数后使用该lpr-net识别网络模型。
93.实施例3
94.请参阅图5，本发明还提供一种基于lpr-net卷积网络算法的多目标提取系统的方法，包括以下步骤：
95.s100、获取图片，提取图片中的目标特征信息；
96.s200、将目标特征数据信息输入lpr-net识别网络模型中训练，直至得到最优的参数模型；
97.s200、利用参数最优的lpr-net识别网络模型对图片信息中的目标特征进行识别，得到识别结果。
98.以上的仅是本发明的优选实施方式，应当指出，对于本领域的技术人员来说，在不脱离本发明构思的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。