CN117726873B - 一种多目标快速识别方法及系统 - Google Patents

Abstract

本发明公开了一种多目标快速识别方法及系统，属于计算机视觉领域，其中方法包括：设定目标识别集合；基于锚框空间的空间分布配置自适应阈值锚框；当进行目标识别集合的识别时，通过自适应阈值锚框执行特征框选，并根据特征框选结果重构锚框；建立锚框大小与目标特征的特征映射，进行测试识别，将测试识别结果输入宽容配置网络，生成宽容配置寻优结果；通过宽容配置寻优结果执行特征映射的映射宽容调整；根据映射宽容调整结果、重构锚框完成目标识别集合的快速目标识别。本申请解决了现有技术中多目标识别中难以应对复杂空间分布和计算资源开销大的问题，达到了提高目标识别精度和效率、实现实时识别并调整宽容度以平衡精度和速度的技术效果。

Description

一种多目标快速识别方法及系统

技术领域

本发明涉及计算机视觉领域，具体涉及一种多目标快速识别方法及系统。

背景技术

目标识别被广泛应用于监控、自动驾驶、智能机器人等众多领域。然而，传统目标识别方法在处理多目标场景时，使用固定阈值框选，无法适应多目标之间的差异性特征以及复杂的空间分布，从而导致漏检和误检的问题；同时，由于计算资源开销大，使得实时性要求难以满足，限制多目标识别的应用范围。

发明内容

本申请通过提供了一种多目标快速识别方法及系统，旨在解决现有技术中多目标识别中难以应对复杂空间分布和计算资源开销大，导致多目标识别的精度和效率低下的技术问题。

鉴于上述问题，本申请提供了一种多目标快速识别方法及系统。

本申请公开的第一个方面，提供了一种多目标快速识别方法，该方法包括：设定目标识别集合，其中，所述目标识别集合为待识别的目标数据集，基于所述目标识别集合进行初始数据交互，并根据初始数据交互结果执行特征提取，建立特征表征的锚框空间；基于所述锚框空间的空间分布配置自适应阈值锚框，其中，所述空间分布包括锚框空间极值分布和锚框空间集中分布；当进行所述目标识别集合的识别时，通过所述自适应阈值锚框执行特征框选，并根据各个自适应阈值锚框的特征框选结果生成框选反馈，并根据框选反馈结果重构锚框；通过所述空间分布建立锚框大小与目标特征的特征映射，通过所述特征映射和重构锚框进行测试识别；将测试识别结果输入宽容配置网络，生成宽容配置寻优结果；通过所述宽容配置寻优结果执行所述特征映射的映射宽容调整；根据映射宽容调整结果、所述重构锚框完成所述目标识别集合的快速目标识别。

本申请公开的另一个方面，提供了一种多目标快速识别系统，该系统包括：识别集合设定模块，用于设定目标识别集合，其中，所述目标识别集合为待识别的目标数据集，基于所述目标识别集合进行初始数据交互，并根据初始数据交互结果执行特征提取，建立特征表征的锚框空间；阈值锚框设定模块，用于基于所述锚框空间的空间分布配置自适应阈值锚框，其中，所述空间分布包括锚框空间极值分布和锚框空间集中分布；锚框重构模块，用于当进行所述目标识别集合的识别时，通过所述自适应阈值锚框执行特征框选，并根据各个自适应阈值锚框的特征框选结果生成框选反馈，并根据框选反馈结果重构锚框；测试识别模块，用于通过所述空间分布建立锚框大小与目标特征的特征映射，通过所述特征映射和重构锚框进行测试识别；寻优结果生成模块，用于将测试识别结果输入宽容配置网络，生成宽容配置寻优结果；映射宽容调整模块，用于通过所述宽容配置寻优结果执行所述特征映射的映射宽容调整；快速目标识别模块，用于根据映射宽容调整结果、所述重构锚框完成所述目标识别集合的快速目标识别。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

由于采用了设定目标识别集合，以明确定义要处理的目标数据集；在目标识别集合上执行初始数据交互并进行特征提取，以建立特征表征的锚框空间；基于锚框空间的空间极值分布和锚框空间集中分布，配置自适应阈值锚框，实现根据不同锚框在空间上的分布特点，调整阈值以实现更准确的特征框选；在目标识别集合上，使用自适应阈值锚框执行特征框选，根据每个自适应阈值锚框的特征框选结果生成框选反馈，以指导锚框调整，重构锚框；基于锚框大小与目标特征的特征映射，以及重构锚框，进行测试识别，以实现目标的快速识别；将测试识别结果输入宽容配置网络，生成宽容配置寻优结果，实现根据不同需求对识别结果进行宽容配置，以平衡精度和速度；通过宽容配置寻优结果执行特征映射的映射宽容调整，实现对特征映射进行调整以进一步提高识别准确度；根据映射宽容调整结果和重构锚框，完成目标识别集合的快速目标识别的技术方案，解决了现有技术中多目标识别中难以应对复杂空间分布和计算资源开销大的问题，达到了提高目标识别精度和效率、实现实时识别并调整宽容度以平衡精度和速度的技术效果。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

图1为本申请实施例提供了一种多目标快速识别方法的一种流程示意图；

图2为本申请实施例提供了一种多目标快速识别方法中生成宽容配置寻优结果的一种流程示意图；

图3为本申请实施例提供了一种多目标快速识别系统的一种结构示意图。

附图标记说明：识别集合设定模块11，阈值锚框设定模块12，锚框重构模块13，测试识别模块14，寻优结果生成模块15，映射宽容调整模块16，快速目标识别模块17。

具体实施方式

本申请提供的技术方案总体思路如下：

本申请实施例提供了一种多目标快速识别方法及系统。首先，在目标识别集合上进行初始数据交互和特征提取，建立特征表征的锚框空间。接着，基于锚框空间的空间分布，配置自适应阈值锚框，以实现更准确的特征框选。随后，在目标识别中，使用自适应阈值锚框进行特征框选，生成框选反馈，从而指导锚框的重构。通过特征映射和宽容配置网络，实现测试识别和宽容性配置，从而有效平衡识别的精度和速度。最后，通过映射宽容调整，提高特征映射的准确性，完成多目标的快速识别。

在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。

实施例一

如图1所示，本申请实施例提供了一种多目标快速识别方法，该方法包括：

设定目标识别集合，其中，所述目标识别集合为待识别的目标数据集，基于所述目标识别集合进行初始数据交互，并根据初始数据交互结果执行特征提取，建立特征表征的锚框空间；

在本申请实施例中，首先，设定目标识别集合，该目标识别集合是一组待识别的目标数据，例如为图像、视频帧或其他视觉数据，这些数据来自不同的采集源，如监控摄像头、传感器或图像数据库。

在设定目标识别集合后，基于目标识别集合进行初始数据交互，即对目标识别集合中的目标数据进行预处理，以便后续的特征提取和锚框建立。其中，数据交互包括图像增强、去噪、尺寸标准化等，获得初始数据交互结果，以确保目标识别集合中的数据在后续处理中获得最佳的表现。然后，对初始数据交互结果执行特征提取，以提取有用的特征。例如，提取目标识别集合中数据的颜色、纹理、形状等视觉特性，以区分不同的目标。

接着，通过特征提取的结果，建立特征表征的锚框空间，该锚框空间是用于目标检测的矩形区域，其位置和尺寸可进行调整，以适应不同的目标。

基于所述锚框空间的空间分布配置自适应阈值锚框，其中，所述空间分布包括锚框空间极值分布和锚框空间集中分布；

在本申请实施例中，锚框空间的空间分布是指锚框在图像中的排列和分布方式，包括锚框的位置、密度和规模等信息，从锚框的信息中确定锚框空间极值分布和锚框空间集中分布。其中，锚框空间极值分布表示锚框在锚框空间中的位置对应于目标可能出现的极端或边界位置；锚框空间集中分布表示锚框在锚框空间中的位置对应于目标密集分布的区域，与目标特征高度相关。

首先，对进行详细分析，包括锚框在图像中的位置、大小、密度以及与目标特征的关系，从而了解不同锚框在图像中的分布情况。然后，基于对锚框空间的分析，确定锚框空间的锚框空间极值分布和锚框空间集中分布，从而配置自适应阈值锚框。对于锚框空间极值分布，选择相对较低的自适应阈值锚框，以提高检测的敏感性；对于锚框空间集中分布，选择相对较高的自适应阈值锚框，以提高检测的特定性。

在目标检测过程中，根据锚框的位置和尺寸来应用配置的自适应阈值锚框，即在不同锚框位置上使用不同的阈值，以自适应判断锚框内是否存在目标特征，提高目标检测的准确性和鲁棒性。

当进行所述目标识别集合的识别时，通过所述自适应阈值锚框执行特征框选，并根据各个自适应阈值锚框的特征框选结果生成框选反馈，并根据框选反馈结果重构锚框；

在本申请实施例中，在进行目标识别时，使用已经配置的自适应阈值锚框，在目标识别集合中执行特征框选，实现对目标识别集合中待识别的目标数据的自适应框选，得到各个自适应阈值锚框的特征框选结果，表示在各个锚框位置是否检测到目标特征。

对于每个自适应阈值锚框的特征框选结果，记录坐标位置和尺寸信息，同时比较锚框内的特征与目标特征之间的相似性，得到每个锚框的特征相似度，表示锚框内目标特征的匹配程度，作为框选反馈结果。然后，根据框选反馈结果，确定哪些锚框需要进行位置调整，例如，对锚框的坐标位置进行微调，以更准确地匹配目标特征；根据特征相似度分数，确定哪些锚框需要进行尺寸调整，以适应目标特征的大小。通过位置和尺寸的调整，实现重构锚框，使其更准确地匹配目标特征，有助于提高目标的识别准确性。

通过所述空间分布建立锚框大小与目标特征的特征映射，通过所述特征映射和重构锚框进行测试识别；

在本申请实施例中，首先，考察目标特征与不同大小的锚框之间的关系，建立特征映射，该特征映射是一个关联表，将不同尺寸的锚框与目标特征之间建立联系，实现将不同大小的锚框关联到相匹配的目标特征，以更好地适应目标的尺寸变化。然后，识别重构锚框中每个锚框的大小，根据锚框大小根据特征映射进行目标特征的识别，从而实现测试识别，得到测试识别结果。

将测试识别结果输入宽容配置网络，生成宽容配置寻优结果；

进一步的，如图2所示，本步骤包括：

当所述测试识别结果输入所述宽容配置网络后，通过解析子单元执行所述测试识别结果的数据解析，确定选中锚框和真实锚框的锚框偏离数据集；

将所述锚框偏离数据集传输至分析子单元，通过所述分析子单元设定宽容标定区间和宽容极限区间，并对所述宽容标定区间和所述宽容极限区间的区间调用频率寻优；

将寻优结果、所述宽容标定区间和宽容极限区间作为宽容配置寻优结果。

在一种优选的实施方式中，在获取测试识别结果后，将测试识别结果输入宽容配置网络中，宽容配置网络采用解析子单元对测试识别结果进行仔细分析，关联选中的锚框和对应真实锚框，计算每个选中锚框与其对应真实锚框之间的偏离数据，表示目标在图像中的精确位置偏离度，得到锚框偏离数据集。

然后，将锚框偏离数据集传输至分析子单元，基于目标识别性能和要求，分析子单元确定宽容标定区间，用于表示锚框偏离数据的正常偏移区间；同时分析子单元设定宽容极限区间，表示对于偏离数据的可接受的最大偏移程度。随后，分析子单元对宽容标定区间和宽容极限区间的调用频率进行优化，即将在不同情境下选择适当的宽容标定区间和宽容极限区间，以实现更好的性能。

随后，将寻优结果、宽容标定区间和宽容极限区间作为宽容配置寻优结果，实现最佳的宽容配置，以实现更准确的目标检测和识别，有助于提高多目标快速识别方法的性能和鲁棒性。

通过所述宽容配置寻优结果执行所述特征映射的映射宽容调整；

在本申请实施例中，获取宽容配置寻优结果后，基于宽容配置寻优结果，执行特征映射的映射宽容调整，包括对特征映射的规则、参数或配置进行调整，以更灵活地映射锚框的大小和位置到目标特征的特征空间中，从而得到映射宽容调整结果。通过调整特征映射，提高映射的宽容性，使其更适应不同大小和特征的目标，有助于增加目标检测的鲁棒性，以适应各种场景和目标变化。

根据映射宽容调整结果、所述重构锚框完成所述目标识别集合的快速目标识别。

进一步的，本步骤包括：

对所述目标识别集合进行目标关键特征提取，生成目标关键特征提取集合；

对所述目标关键特征集合进行不规则子锚框覆盖规划，建立识别子锚框，其中，所述识别子锚框包括与对应锚框的相对位置坐标；

当进行所述目标识别集合执行重构锚框识别时，通过重构锚框的对应识别子锚框进行辅助匹配识别；

根据辅助匹配识别结果完成快速目标识别。

在一种优选的实施方式中，首先，从目标识别集合中提取目标的关键特征，包括形状、颜色、纹理等，有助于更好地识别目标，将提取的关键特征组织成目标关键特征提取集合。然后，分析目标关键特征集合，确定哪些特征之间存在关联，即哪些特征同时出现在同一个目标中，基于特征关联，规划不规则子锚框，以确保它们覆盖与目标相关的关键特征，建立一组识别子锚框，其中每个子锚框包括了与对应锚框的相对位置坐标信息，定义了子锚框相对于原始锚框的偏移，以便更好地匹配目标的特征。

随后，在进行目标识别集合执行重构锚框识别，将每个重构锚框与对应的识别子锚框进行匹配，执行特征匹配，比较目标的特征与识别子锚框的特征，确定目标是否与特定子锚框相匹配，生成辅助匹配识别结果。最后，通过辅助匹配识别的结果，完成快速目标识别，包括确定目标的精确位置、边界框和最终的识别结果。

进一步的，本申请实施例还包括：

建立深度特征层，其中，所述深度特征层基于所述识别子锚框构建；

当执行对应重构锚框的锚框识别时，基于当前重构锚框调用所述深度特征层，并配置对应识别子锚框；

通过识别子锚框的覆盖值生成第一辅助识别值；

通过识别子锚框的特征匹配值生成第二辅助识别值；

基于所述第一辅助识别值和所述第二辅助识别值生成辅助特征层的匹配结果；

将所述匹配结果作为所述辅助匹配识别结果，以完成快速目标识别。

在一种优选的实施方式中，深度特征层存储了每个识别子锚框的特征描述，包括了有关子锚框的形状、大小和特征的信息，以及识别子锚框之间的关系和覆盖信息。当执行对应重构锚框的锚框识别时，为帮助锚框识别，调用深度特征层，以获取有关子锚框的详细信息，配置对应于当前锚框的识别子锚框，以确保它们与锚框的位置和特征相匹配。

然后，计算每个识别子锚框与锚框的覆盖程度，即它们之间的重叠区域，得到识别子锚框的覆盖值，作为第一辅助识别值，以衡量识别子锚框与锚框的匹配程度。同时，分析子锚框的特征描述与锚框的特征信息，计算特征之间的相似度，得到识别子锚框的特征匹配值，作为第二辅助识别值，用于衡量每个子锚框与锚框的特征匹配程度。

接着，根据第一辅助识别值和第二辅助识别值的计算结果，生成每个子锚框的匹配结果，反映了子锚框与锚框的匹配情况，包括覆盖程度和特征匹配程度，作为辅助匹配识别结果，以实现快速目标识别。

进一步的，本申请实施例还包括：

对当前重构锚框进行锚框边缘定位评价，确定定位模糊结果；

基于定位模糊结果设置N轮定位边缘，并分别在N轮定位边缘定位完成后通过所述相对位置坐标进行识别子锚框的分布；

根据分布后的识别子锚框执行覆盖识别，并将覆盖识别中覆盖值最大的分布结果作为终端结果；

通过所述终端结果生成所述第一辅助识别值和所述第二辅助识别值。

在一种优选的实施方式中，首先，对当前重构锚框进行边缘定位评价，判断锚框边缘是否对目标进行准确框定，以确定是否存在定位模糊问题，从而得到每个锚框的定位模糊结果。其次，基于获取的定位模糊结果，设置N轮定位边缘，用于进一步细化目标的定位，其中，N定位的轮数，根据问题的复杂性和需求进行设置。在每一轮定位后，使用相对位置坐标来重新定位识别子锚框，从而避免由于大框的噪声定位而导致目标未被准确识别。

然后，根据分布后的识别子锚框，计算每个识别子锚框与目标的覆盖值，以确定其与目标的匹配程度，选择覆盖值最大的分布结果作为终端结果。随后，使用终端结果中识别子锚框的覆盖值生成第一辅助识别值，使用终端结果中的识别子锚框的特征匹配值生成第二辅助识别值，从而减少定位错误和提高多目标快速识别方法在复杂情况下的性能，提供更准确的目标信息。

进一步的，本申请实施例还包括：

建立更新单元，所述更新单元为自适应阈值锚框和特征映射的更新单元；

在完成所述目标识别集合中任意目标的识别后，将识别结果传输至所述更新单元；

通过所述更新单元基于识别结果对自适应阈值锚框和特征映射执行更新；

根据更新完成的自适应阈值锚框和特征映射实现后续的目标识别集合识别。

在一种优选的实施方式中，首先，建立更新单元，该单元专门用于管理和执行自适应阈值锚框和特征映射的更新操作。一旦在目标识别集合中成功识别了任意目标，将这些识别结果传输至建立的更新单元，通过更新单元，根据最新的识别结果对自适应阈值锚框和特征映射执行更新，即根据目标识别的实际情况调整和优化自适应阈值锚框，以更好地适应不同目标和场景，得到更新完成的自适应阈值锚框和特征映射。然后，根据已完成更新的自适应阈值锚框和特征映射，实现后续的目标识别集合的识别，确保可以更准确、可靠地处理不断变化的目标和场景，提高多目标识别方法的性能和适用性。

进一步的，本申请实施例还包括：

对所述识别结果进行可信标识，并配置所述更新单元的预存阈值；

若所述可信标识不能满足所述预存阈值，则将对应识别结果添加至模糊空间；

若所述可信标识可以满足所述预存阈值，则通过所述更新单元基于识别结果对自适应阈值锚框和特征映射执行更新。

在一种优选的实施方式中，在目标识别集合中任意目标的识别，得到识别结果后，首先，基于目标特征对目标识别结果进行分析，得到识别结果的可信标识，为数值表示。同时，基于具体需求为更新单元配置预存阈值，该预存阈值为数值表示，用于确定识别结果是否可信。

然后，将可信标识与预存阈值进行比较，当可信标识小于预存阈值时，为可信标识不能满足预存阈值，此时，将不可信的识别结果添加至模糊空间。当可信标识大于或等于预存阈值时，为可信标识可以满足预存阈值，此时，对于可信的识别结果，使用它们来更新自适应阈值锚框和特征映射，以进一步优化多目标快速识别的性能。

综上所述，本申请实施例所提供的一种多目标快速识别方法具有如下技术效果：

设定目标识别集合，其中，目标识别集合为待识别的目标数据集，基于目标识别集合进行初始数据交互，并根据初始数据交互结果执行特征提取，建立特征表征的锚框空间，为后续的识别过程提供明确的目标集合，并有助于后续的特征框选。基于锚框空间的空间分布配置自适应阈值锚框，其中，空间分布包括锚框空间极值分布和锚框空间集中分布，以实现更准确的特征框选。当进行目标识别集合的识别时，通过自适应阈值锚框执行特征框选，并根据各个自适应阈值锚框的特征框选结果生成框选反馈，并根据框选反馈结果重构锚框，识别目标并为后续提供框选结果。通过空间分布建立锚框大小与目标特征的特征映射，通过特征映射和重构锚框进行测试识别，通过将目标特征映射到锚框空间，实现目标的快速识别。将测试识别结果输入宽容配置网络，生成宽容配置寻优结果，从而根据不同需求对识别结果进行宽容配置，以平衡精度和速度。通过宽容配置寻优结果执行特征映射的映射宽容调整，以提高识别的准确性。根据映射宽容调整结果、重构锚框完成目标识别集合的快速目标识别，完成整个多目标的快速识别，获得最终的目标识别结果，提高目标识别精度和效率。

实施例二

基于与前述实施例中一种多目标快速识别方法相同的发明构思，如图3所示，本申请实施例提供了一种多目标快速识别系统，该系统包括：

识别集合设定模块11，用于设定目标识别集合，其中，所述目标识别集合为待识别的目标数据集，基于所述目标识别集合进行初始数据交互，并根据初始数据交互结果执行特征提取，建立特征表征的锚框空间；

阈值锚框设定模块12，用于基于所述锚框空间的空间分布配置自适应阈值锚框，其中，所述空间分布包括锚框空间极值分布和锚框空间集中分布；

锚框重构模块13，用于当进行所述目标识别集合的识别时，通过所述自适应阈值锚框执行特征框选，并根据各个自适应阈值锚框的特征框选结果生成框选反馈，并根据框选反馈结果重构锚框；

测试识别模块14，用于通过所述空间分布建立锚框大小与目标特征的特征映射，通过所述特征映射和重构锚框进行测试识别；

寻优结果生成模块15，用于将测试识别结果输入宽容配置网络，生成宽容配置寻优结果；

映射宽容调整模块16，用于通过所述宽容配置寻优结果执行所述特征映射的映射宽容调整；

快速目标识别模块17，用于根据映射宽容调整结果、所述重构锚框完成所述目标识别集合的快速目标识别。

进一步的，寻优结果生成模块15包括以下执行步骤：

当所述测试识别结果输入所述宽容配置网络后，通过解析子单元执行所述测试识别结果的数据解析，确定选中锚框和真实锚框的锚框偏离数据集；

将所述锚框偏离数据集传输至分析子单元，通过所述分析子单元设定宽容标定区间和宽容极限区间，并对所述宽容标定区间和所述宽容极限区间的区间调用频率寻优；

将寻优结果、所述宽容标定区间和宽容极限区间作为宽容配置寻优结果。

进一步的，快速目标识别模块17包括以下执行步骤：

对所述目标识别集合进行目标关键特征提取，生成目标关键特征提取集合；

对所述目标关键特征集合进行不规则子锚框覆盖规划，建立识别子锚框，其中，所述识别子锚框包括与对应锚框的相对位置坐标；

当进行所述目标识别集合执行重构锚框识别时，通过重构锚框的对应识别子锚框进行辅助匹配识别；

根据辅助匹配识别结果完成快速目标识别。

进一步的，快速目标识别模块17还包括以下执行步骤：

建立深度特征层，其中，所述深度特征层基于所述识别子锚框构建；

当执行对应重构锚框的锚框识别时，基于当前重构锚框调用所述深度特征层，并配置对应识别子锚框；

通过识别子锚框的覆盖值生成第一辅助识别值；

通过识别子锚框的特征匹配值生成第二辅助识别值；

基于所述第一辅助识别值和所述第二辅助识别值生成辅助特征层的匹配结果；

将所述匹配结果作为所述辅助匹配识别结果，以完成快速目标识别。

进一步的，快速目标识别模块17还包括以下执行步骤：

对当前重构锚框进行锚框边缘定位评价，确定定位模糊结果；

基于定位模糊结果设置N轮定位边缘，并分别在N轮定位边缘定位完成后通过所述相对位置坐标进行识别子锚框的分布；

根据分布后的识别子锚框执行覆盖识别，并将覆盖识别中覆盖值最大的分布结果作为终端结果；

通过所述终端结果生成所述第一辅助识别值和所述第二辅助识别值。

进一步的，本申请实施例还包括锚框映射更新模块，该模块包括以下执行步骤：

建立更新单元，所述更新单元为自适应阈值锚框和特征映射的更新单元；

在完成所述目标识别集合中任意目标的识别后，将识别结果传输至所述更新单元；

通过所述更新单元基于识别结果对自适应阈值锚框和特征映射执行更新；

根据更新完成的自适应阈值锚框和特征映射实现后续的目标识别集合识别。

进一步的，锚框映射更新模块还包括以下执行步骤：

对所述识别结果进行可信标识，并配置所述更新单元的预存阈值；

若所述可信标识不能满足所述预存阈值，则将对应识别结果添加至模糊空间；

若所述可信标识可以满足所述预存阈值，则通过所述更新单元基于识别结果对自适应阈值锚框和特征映射执行更新。

综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中，并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法，在此不做多余限制。

进一步的，综上所述的第一或第二可能不止代表次序关系，也可能代表某项特指概念，和/或指的是多个元素之间可单独或全部选择。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (8)

1.一种多目标快速识别方法，其特征在于，所述方法包括：

设定目标识别集合，其中，所述目标识别集合为待识别的目标数据集，基于所述目标识别集合进行初始数据交互，并根据初始数据交互结果执行特征提取，建立特征表征的锚框空间，所述初始数据交互即对目标识别集合中的目标数据进行预处理，数据交互包括图像增强、去噪、尺寸标准化，获得初始数据交互结果；

基于所述锚框空间的空间分布配置自适应阈值锚框，其中，所述空间分布包括锚框空间极值分布和锚框空间集中分布；

当进行所述目标识别集合的识别时，通过所述自适应阈值锚框执行特征框选，并根据各个自适应阈值锚框的特征框选结果生成框选反馈，并根据框选反馈结果重构锚框；

通过所述空间分布建立锚框大小与目标特征的特征映射，通过所述特征映射和重构锚框进行测试识别；

将测试识别结果输入宽容配置网络，生成宽容配置寻优结果；

通过所述宽容配置寻优结果执行所述特征映射的映射宽容调整；

根据映射宽容调整结果、所述重构锚框完成所述目标识别集合的快速目标识别。

2.如权利要求1所述的方法，其特征在于，所述方法还包括：

当所述测试识别结果输入所述宽容配置网络后，通过解析子单元执行所述测试识别结果的数据解析，确定选中锚框和真实锚框的锚框偏离数据集；

将所述锚框偏离数据集传输至分析子单元，通过所述分析子单元设定宽容标定区间和宽容极限区间，并对所述宽容标定区间和所述宽容极限区间的区间调用频率寻优；

将寻优结果、所述宽容标定区间和宽容极限区间作为宽容配置寻优结果。

3.如权利要求1所述的方法，其特征在于，所述方法还包括：

对所述目标识别集合进行目标关键特征提取，生成目标关键特征提取集合；

对所述目标关键特征集合进行不规则子锚框覆盖规划，建立识别子锚框，其中，所述识别子锚框包括与对应锚框的相对位置坐标；

当进行所述目标识别集合执行重构锚框识别时，通过重构锚框的对应识别子锚框进行辅助匹配识别；

根据辅助匹配识别结果完成快速目标识别。

4.如权利要求3所述的方法，其特征在于，所述方法还包括：

建立深度特征层，其中，所述深度特征层基于所述识别子锚框构建；

当执行对应重构锚框的锚框识别时，基于当前重构锚框调用所述深度特征层，并配置对应识别子锚框；

通过识别子锚框的覆盖值生成第一辅助识别值；

通过识别子锚框的特征匹配值生成第二辅助识别值；

基于所述第一辅助识别值和所述第二辅助识别值生成辅助特征层的匹配结果；

将所述匹配结果作为所述辅助匹配识别结果，以完成快速目标识别。

5.如权利要求4所述的方法，其特征在于，所述方法还包括：

对当前重构锚框进行锚框边缘定位评价，确定定位模糊结果；

基于定位模糊结果设置N轮定位边缘，并分别在N轮定位边缘定位完成后通过所述相对位置坐标进行识别子锚框的分布；

根据分布后的识别子锚框执行覆盖识别，并将覆盖识别中覆盖值最大的分布结果作为终端结果；

通过所述终端结果生成所述第一辅助识别值和所述第二辅助识别值。

6.如权利要求1所述的方法，其特征在于，所述方法还包括：

建立更新单元，所述更新单元为自适应阈值锚框和特征映射的更新单元；

在完成所述目标识别集合中任意目标的识别后，将识别结果传输至所述更新单元；

通过所述更新单元基于识别结果对自适应阈值锚框和特征映射执行更新；

根据更新完成的自适应阈值锚框和特征映射实现后续的目标识别集合识别。

7.如权利要求6所述的方法，其特征在于，所述方法还包括：

对所述识别结果进行可信标识，并配置所述更新单元的预存阈值；

若所述可信标识不能满足所述预存阈值，则将对应识别结果添加至模糊空间；

若所述可信标识可以满足所述预存阈值，则通过所述更新单元基于识别结果对自适应阈值锚框和特征映射执行更新。

8.一种多目标快速识别系统，其特征在于，所述系统包括：

识别集合设定模块，所述识别集合设定模块用于设定目标识别集合，其中，所述目标识别集合为待识别的目标数据集，基于所述目标识别集合进行初始数据交互，并根据初始数据交互结果执行特征提取，建立特征表征的锚框空间，所述初始数据交互即对目标识别集合中的目标数据进行预处理，数据交互包括图像增强、去噪、尺寸标准化，获得初始数据交互结果；

阈值锚框设定模块，所述阈值锚框设定模块用于基于所述锚框空间的空间分布配置自适应阈值锚框，其中，所述空间分布包括锚框空间极值分布和锚框空间集中分布；

锚框重构模块，所述锚框重构模块用于当进行所述目标识别集合的识别时，通过所述自适应阈值锚框执行特征框选，并根据各个自适应阈值锚框的特征框选结果生成框选反馈，并根据框选反馈结果重构锚框；

测试识别模块，所述测试识别模块用于通过所述空间分布建立锚框大小与目标特征的特征映射，通过所述特征映射和重构锚框进行测试识别；

寻优结果生成模块，所述寻优结果生成模块用于将测试识别结果输入宽容配置网络，生成宽容配置寻优结果；

映射宽容调整模块，所述映射宽容调整模块用于通过所述宽容配置寻优结果执行所述特征映射的映射宽容调整；

快速目标识别模块，所述快速目标识别模块用于根据映射宽容调整结果、所述重构锚框完成所述目标识别集合的快速目标识别。