[发明专利]一种基于深度学习的行人精细化识别方法及装置

说明书

本发明公开了一种基于深度学习的行人精细化识别方法及装置，该方法包括：构建行人图像数据库，利用行人图像数据库制作包含行人特征的训练数据集，将训练数据集输入到SSD网络进行训练；根据训练结果构建行人精细化图像数据库，制作包含行人各个部位特征的训练数据集，将训练数据集输入到卷积神经网络进行训练；利用训练好的SSD网络提取来自流媒体服务器的实时视频流中的行人特征，根据提取到的行人特征，利用训练好的卷积神经网络提取行人各个部位的特征；将提取到的行人各个部位的特征与行人精细化图像数据库的每个行人相应部位的特征进行匹配，将匹配结果进行组合得到行人精细化识别结果。本发明有效地提高了行人精细化识别的准确率。

技术领域

本发明涉及行人精细化识别领域，具体涉及一种基于深度学习的行人精细化识别方法及装置。

背景技术

深度学习是目前机器学习发展的最高度，卷积神经网络作为深度学习的一种方法，在物体识别、图像处理等领域有着较好的效果。对于特征提取，卷积神经网络有着可以自动学习图像特征的优势，减少了人工干预，提取出高质量的特征，从而为提高图像匹配的准确率打下了坚实的基础。

由于深度学习的方法可能消耗大量的GPU(Graphics Processing Unit，图形处理器)资源，计算量过大可能达不到实际应用场景中实时的效果，为了解决大数据实时处理问题，分布式实时处理框架Storm应运而生，Storm有许多应用领域，包括实时分析、在线机器学习、信息流处理、连续性的计算、分布式RPC(Remote Procedure Call，远程过程调用)和ETL(Extract-Transform-Load，抽取、转换和加载)等。

行人作为视频监控中的重要目标之一，若能对其进行有效的外观识别，不仅能提高视频监控工作人员的工作效率，对视频的检索、行人行为的解析也具有重要意义。而且，行人的精细化识别在公司为智能交通、银行、平安城市和公共安全等行业提供的解决方案中有着重要的应用。

有鉴于此，急需解决对行人进行监控识别的准确率较低的问题。

发明内容

本发明所要解决的技术问题是解决对行人进行监控识别的准确率较低的问题。

为了解决上述技术问题，本发明所采用的技术方案是提供一种基于深度学习的行人精细化识别方法，包括以下步骤：

采集历史的行人图像数据构建行人图像数据库，并利用行人图像数据库制作包含行人特征的训练数据集，将训练数据集输入到SSD网络进行训练；

根据SSD网络的训练结果构建行人精细化图像数据库，并利用行人精细化图像数据库制作包含行人各个部位特征的训练数据集，将训练数据集输入到卷积神经网络进行训练；

利用训练好的SSD网络提取来自流媒体服务器的实时视频流中的行人特征，根据SSD网络提取到的行人特征，利用训练好的卷积神经网络提取行人各个部位的特征；

利用SVM分类器将提取到的行人各个部位的特征与行人精细化图像数据库的每个行人相应部位的特征进行匹配，并将匹配结果进行组合，得到行人精细化识别结果。

在上述技术方案中，提取行人特征、行人各个部位的特征以及进行特征匹配，具体包括以下步骤：

采集来自流媒体服务器的实时视频流，将实时视频流解析为帧图像，并通过分布式实时处理框架Storm的数据采集接口，将帧图像输入到分布式实时处理框架Storm的消息源；

在分布式实时处理框架Storm上，利用设有SSD网络的消息处理组件提取数据源中的行人特征，根据提取到的行人特征，再利用设有卷积神经网络的消息处理组件提取行人各个部位的特征；

最后通过设有SVM分类器的消息处理组件将提取到的行人各个部位的特征与行人精细化图像数据库的每个行人相应部位的特征进行匹配。