户外影像的对象识别方法、装置、设备及存储介质与流程

本发明涉及数据处理的，尤其涉及一种户外影像的对象识别方法、装置、设备及存储介质。

背景技术：

1、随着计算机视觉技术的不断进步，图像识别和物体定位已经成为了许多应用领域的核心技术。在传统的图像识别流程中，往往需要进行多个预处理步骤，如去噪、亮度和对比度调整等，以改善图像的质量和增强特征的可识别性。然而，这些手动设定的预处理步骤可能并不适应所有的环境和条件，尤其是在复杂的户外环境中，由于光线、天气和其他外部因素的影响，图像可能会存在大量的噪声和失真。

2、此外，物体的识别和定位不仅仅依赖于其外观特征，还涉及其几何形状、运动状态和与其他物体的空间关系等多种信息。然而，许多现有的图像识别方法往往只能处理其中的一部分信息，而忽略了其他的重要特征，这导致了在实际应用中的识别率和准确性有所限制。

3、目前，尽管已有不少图像识别技术在实际应用中取得了一定的效果，但如何在户外多变的环境中实现高效、准确的物体识别，同时充分利用图像中的所有特征信息，仍然是一个亟待解决的技术难题。

技术实现思路

1、本发明提供了一种户外影像的对象识别方法、装置、设备及存储介质，用于解决如何通过利用图像中的所有特征信息在户外多变的环境中实现高效、准确的物体识别的技术问题。

2、本发明第一方面提供了一种户外影像的对象识别方法，所述户外影像的对象识别方法包括：

3、获取数据库中预先存储的环境参数；通过目标设备对与所述环境参数的类型相对应的户外环境进行图像采集，得到户外图像数据；

4、对所述户外图像数据进行自适应预处理，并基于预设的优化算法对自适应预处理后的户外图像数据进行优化处理，得到目标图像数据；其中，所述自适应预处理至少包括去噪、亮度和对比度调整；

5、分别提取目标图像数据中的第一特征数据、第二特征数据、第三特征数据，根据所述第一特征数据生成第一特征向量，并根据所述第二特征数据生成第二特征向量，以及根据所述第三特征数据生成第三特征向量；通过预设的目标向量融合算法将所述第一特征向量、所述第二特征向量和所述第三特征向量进行融合，得到目标特征向量；其中，所述第一特征数据表示图像中物体的色彩信息、外观特征信息；所述第二特征数据表示图像中物体的几何信息；所述第三特征数据表示图像中物体的运动信息、空间关系信息；

6、将所述目标特征向量输入至训练后的物体识别模型进行对象识别和物体定位，得到初步的对象识别结果，并对所述初步的对象识别结果进行分类，得到目标对象识别结果；其中，所述物体识别模型经过提前训练得到。

7、可选的，在本发明第一方面的第一种实现方式中，所述对所述户外图像数据进行自适应预处理，并基于预设的优化算法对自适应预处理后的户外图像数据进行优化处理，得到目标图像数据，包括：

8、从预存的图像算法脚本池中查寻各个脚本的记号集；其中，所述图像算法脚本池包含多个图像分析脚本，每个脚本配备相应的记号集，每个记号集包含多个记号字符；

9、获取当前时间标签信息中的年和月，根据年和月组建相应的图像编码对应表；其中，所述图像编码对应表通过基于年和月重新解码的标准图像编码对应表得到；

10、对每个记号集中的记号字符，根据图像编码对应表进行解码，获得每个记号集对应的解码字符集；

11、根据图像数据库中存储的字符与图像特征参数类型间的对照关系，得到每个解码字符集对应的特征参数类型解码集；

12、从解码后的特征参数类型集中挑选出包含全部所需图像分析参数的组作为目标特征参数类型解码集； 将目标特征参数类型解码集对应的脚本选为自然环境图像预取样脚本；

13、根据预取样脚本，将各个图像特征参数信息输入至预取样脚本中，并计算各个图像特征参数信息所在的标准区间；

14、将各个图像特征参数信息所在的标准区间分别作为单一元素加入到同一集结中，构成一个标准区间集；

15、基于预设的调优算法，对标准区间集中的各个图像特征参数信息进行优化处理，得到目标环境图像。

16、可选的，在本发明第一方面的第二种实现方式中，所述物体识别模型的训练过程，包括：

17、获取户外图像数据，并获取与物体相互作用的环境因素数据；

18、对户外图像数据进行特征提取，得到物体特征向量；对环境因素数据进行特征提取，得到环境特征向量；将所述物体特征向量和所述环境特征向量进行拼接处理，生成第一训练特征向量；并对所形成的第一训练特征向量进行标记，生成第一训练样本数据集；

19、构建物体识别模型，并将第一训练样本数据集输入到物体识别模型中，通过卷积网络进行特征学习，得到第一物体识别向量；其中，所述物体识别模型由五层卷积网络、七层池化层、四层残差层以及非线性激活函数层组成；

20、结合户外图像数据，对第一物体识别向量进行优化，生成第二物体识别向量；将第二物体识别向量输入物体识别模型的池化层进行训练，得到对应的第二物体特征向量；

21、将环境特征向量与第二物体特征向量进行拼接，生成第三物体特征向量；将第三物体特征向量输入到物体识别模型的残差层进行训练，得到第三物体识别向量；

22、通过不断调整物体识别模型中的参数，直至物体识别模型第一训练样本数据集在激活函数层收敛，得到最终的物体识别模型。

23、可选的，在本发明第一方面的第三种实现方式中，所述户外图像数据至少包括建筑物、道路、人行道、绿化带，所述环境因素数据至少包括温度、气压、湿度、风力、晴朗度、噪声、声音方向、风、水流。

24、可选的，在本发明第一方面的第四种实现方式中，所述对所述初步的对象识别结果进行分类，得到目标对象识别结果，包括：

25、采集初步的对象识别结果，并基于所述初步的对象识别结果确定最优的聚类数量；

26、通过预设的降维算法对初步的对象识别结果进行降维处理，并从降维后的结果中选取出初始聚类中心；

27、基于预设的物理计算公式，计算每个识别对象在特征空间中与所有初始聚类中心的距离；并根据计算出的距离值，将每个识别对象分配到最近的初始聚类中心所在的类别，形成分类结果；

28、在每个类别中，计算所有对象特征向量的最大值，将所述最大值设置为新的聚类中心，并进行动态的聚类中心更新；

29、构建一个自适应的迭代环境，在所述自适应的迭代环境中不断更新初始聚类中心，并自动调整迭代次数，直至达到预设的最大迭代次数，得到最终的聚类中心；

30、根据最终的聚类中心，将每个识别对象划入相应的类别，得到目标对象识别结果，并给予目标对象识别结果对应的类别标签。

31、本发明第二方面提供了一种户外影像的对象识别装置，所述户外影像的对象识别装置包括：

32、获取模块，用于获取数据库中的预先存储的环境参数；通过目标设备对与所述环境参数的类型相对应的户外环境进行图像采集，得到户外图像数据；

33、处理模块，用于对所述户外图像数据进行自适应预处理，并基于预设的优化算法对自适应预处理后的户外图像数据进行优化处理，得到目标图像数据；其中，所述自适应预处理至少包括去噪、亮度和对比度调整；

34、融合模块，用于分别提取目标图像数据中的第一特征数据、第二特征数据、第三特征数据，根据所述第一特征数据生成第一特征向量，并根据所述第二特征数据生成第二特征向量，以及根据所述第三特征数据生成第三特征向量；通过预设的目标向量融合算法将所述第一特征向量、所述第二特征向量和所述第三特征向量进行融合，得到目标特征向量；其中，所述第一特征数据表示图像中物体的色彩信息、外观特征信息；所述第二特征数据表示图像中物体的几何信息；所述第三特征数据表示图像中物体的运动信息、空间关系信息；

35、分类模块，用于将所述目标特征向量输入至训练后的物体识别模型进行对象识别和物体定位，得到初步的对象识别结果，并对所述初步的对象识别结果进行分类，得到目标对象识别结果；其中，所述物体识别模型经过提前训练得到。

36、本发明第三方面提供了一种户外影像的对象识别设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述户外影像的对象识别设备执行上述的户外影像的对象识别方法。

37、本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的户外影像的对象识别方法。

38、本发明提供的技术方案中，有益效果：本发明提供一种户外影像的对象识别方法、装置、设备及存储介质。通过获取数据库中预先存储的环境参数；通过目标设备对与所述环境参数的类型相对应的户外环境进行图像采集，得到户外图像数据；对所述户外图像数据进行自适应预处理，并基于预设的优化算法对自适应预处理后的户外图像数据进行优化处理，得到目标图像数据； 分别提取目标图像数据中的第一特征数据、第二特征数据、第三特征数据，根据所述第一特征数据生成第一特征向量，并根据所述第二特征数据生成第二特征向量，以及根据所述第三特征数据生成第三特征向量；通过预设的目标向量融合算法将所述第一特征向量、所述第二特征向量和所述第三特征向量进行融合，得到目标特征向量；将所述目标特征向量输入至训练后的物体识别模型进行对象识别和物体定位，得到初步的对象识别结果，并对所述初步的对象识别结果进行分类，得到目标对象识别结果。本发明通过获取数据库中的环境参数，并根据这些参数对户外环境图像进行自适应的预处理，确保了在不同的户外环境下，都可以得到高质量的图像数据。这样不仅增强了系统的通用性，还确保了图像数据在后续的特征提取和识别过程中的准确性和有效性。并且能够从图像数据中提取多种特征数据，包括色彩信息、外观特征、几何信息、运动信息和空间关系信息。这确保了系统不仅仅依赖于单一的图像特征，而是综合考虑多种特征，大大提高了物体识别的精度和鲁棒性。然后通过预设的目标向量融合算法，将多个特征向量进行有效的融合，得到一个综合的目标特征向量。这样的处理方式进一步确保了特征的全面性和代表性，为后续的物体识别提供了更为准确和稳定的数据基础。最后将综合的目标特征向量输入到提前训练得到的物体识别模型中，不仅可以实现高效的对象识别，还可以对识别结果进行分类，得到具体的目标对象识别结果。