[发明专利]一种基于迁移学习和图像增强的人体特征提取方法

说明书

本发明属于图像处理与计算机视觉技术领域，涉及一种基于迁移学习和图像增强的人体特征提取方法，包括提取视频帧对其归一化处理，并分为训练集和测试集；在3D卷积神经网络的卷积层后增加两层全连接层和Softmax层，形成标签神经网络，将训练集数据送入该标签神经网络中，从而训练出标签分类器；提取视频帧图像色彩特征，训练SVM模型，使用该模型获取测试集的特征提取结果；根据训练集和SVM模型中的特征提取结果分别训练权重网络，得到各自最优权重；将测试集在卷积神经网络和SVM中的特征提取结果进行加权融合得到最终检测结果；本发明结合迁移学习和色彩特征，全面利用了视频的空间信息和时间信息，能高效准确的提取人体特征。

技术领域

本发明属于图像处理与计算机视觉技术领域，涉及一种基于迁移学习和图像增强的人体特征提取方法。

背景技术

图像监控通过图像来监控目标，在视频安防监控、电力、交通、金融、电信等行业实施大范围的集中监控服务方面已经得到了广泛的应用。由于该技术给特定区域的安全保障带来很大的便利性，已经受到人们的欢迎。与此同时，用户对图像监控的准确性也提出了更高的要求。当前的人体特征技术主要基于原始未处理的图像信息，因此，该技术准确性较低。

另一方面，直接对未处理的图像信息进行识别，文件较大，消耗的计算资源较多。因此实时性不强，在突发事件发生时不能够及时发出警报。如果不需要原始图像信息，只需要含有监控实例或实体图像信息那么可以节省大量计算资源，实时性也能有显著提高。

为解决以上问题，本发明提出了一种基于迁移学习和图像增强的人体特征提取方法，经过图像增强和使用迁移学习处理之后的图像信号，是标注出监控图像中人体特征的图像而不是原始图像，可以使用这些图像来完成监控任务。

发明内容

有鉴于此，本发明的目的在于提供一种于迁移学习和图像增强的人体特征提取方法，迁移学习能够快速建立模型并降低计算资源和时间的花费，图像增强模型可以很好地描述图像的空间特征；结合迁移学习方法和图像增强来提升人体特征提取的准确率。

为达到上述目的，本发明提供如下技术方案：

基于图像扩散速度模型和色彩特征的人脸活体检测方法，包括以下步骤：

S1：提取视频的所有帧并保存，对所保存的视频帧进行归一化处理，并将其分为训练集和测试集；

S2：在3D卷积神经网络的卷积层后增加两层全连接层和Softmax层，形成标签神经网络，将训练集数据送入该标签神经网络中，从而训练出标签分类器；并提取出训练集的特征提取结果；

S3：提取视频帧图像色彩特征，训练SVM模型，并使用该模型获取测试集的特征提取结果；

S4：根据训练集在3D卷积神经网络模型和SVM模型中的特征提取结果，分别训练权重网络，得到各自最优权重；

S5：将测试集在卷积神经网络和SVM中的特征提取结果进行加权融合，得到最终检测结果。

进一步的，步骤S1所述提取视频的所有帧并保存，具体包括：

从视频序列中抽取每一帧图像或者从一系列图像中抽取每一张图像作为原始图像；使用人体检测算法检测出人体的位置，并将位置结果用矩形框在图中标出。

进一步的，步骤S2中的3D卷积神经网络具体包括：

所使用3D卷积神经网络，第i层的卷积核为W_i×H_i×T_i，T_i是单次输入帧的数量，W_i×H_i是卷积核的空间大小；3D卷积操作的计算公式为：