[发明专利]一种基于深度学习级联神经网络的行人检测识别方法

说明书

本发明涉及一种基于深度学习级联神经网络的行人检测识别方法，包括：(1)将经过预处理的视频图像序列送入第一级神经网络，获取行人在图像中的原始信息；(2)分割图像中行人的局部图像并归一化处理，构建行人识别数据集；(3)将行人识别数据集送入第二级神经网络，提取行人的特征信息，实现对行人的身份识别。本发明解决了图像中目标定位不准确、行人分辨率较低、行人身份识别准确率不高等问题，可以得到目标行人相对较好的图像信息，本发明提高了行人检测识别的准确率。本发明方法实践效果较好，运行速度较快，可以实时、快速、准确的实现对目标行人的检测与身份识别，适用于视频监控、智能小区、特定场所监管等众多领域。

技术领域

本发明涉及一种基于深度学习级联神经网络的行人检测识别方法，属于目标检测、身份识别等领域。

背景技术

随着目标检测技术的发展，把目标检测应用于视频监控系统来简化人的操作，为人类提供便利已成为目前的研究热点。虽然目标检测在物体的类别检测上已经取得了一定的进展，但是对于相同类别物体之间的差异并不敏感，例如：当应用到行人身份识别时，如果直接将原始的视频图像序列送入神经网络，对目标行人的身份进行识别，神经网络对图像的预处理(如尺度缩放)会降低行人的分辨率，损失行人的部分特征信息，导致行人检测识别的效果较差。

中国专利文献CN 108629360A公开了一种基于深度学习的针织物基本组织结构自动识别方法，该方法包括：采集织物样本图像；基于深度卷积神经网络算法，结合学习迁移策略，针对织物样本集训练出可识别针织物基本组织的网络模型；输入待测织物组织图片并进行预处理，加载训练好的网络模型对待测织物组织图片进行识别，最终输出识别结果。第一，织物样本图像是直接使用电子显微镜获取的，可以根据实验需求得到想要的织物样本数据集，而行人图像则需要从不同分辨率的摄像头中采集原始数据，并通过定位行人在图像中的位置，裁剪行人所在区域的图像构建行人数据集，两者有本质不同；第二，该专利使用的AlexNet属于深度学习早期使用的网络，结构比较简单，在提取图像中的复杂特征时效果并不好。

发明内容

针对现有技术的不足，本发明提供了一种基于深度学习级联神经网络的行人检测识别方法；

本发明提出的基于深度学习级联神经网络的行人检测识别方法，对视频监控系统中的行人检测识别进行了优化。首先，将经过预处理的视频图像序列送入第一级神经网络，进行目标行人的检测，获取行人在图像中的位置信息；然后，根据行人的位置信息分割图像中行人的局部图像并归一化处理，构建行人识别数据集；最后，将行人识别数据集送入第二级神经网络，提取行人的特征信息，实现对行人的身份识别。

术语解释：

ster R-CNN，一种基于深度学习卷积神经网络的目标检测方法，发展于R-CNN、Fast R-CNN系列的目标检测方法，Faster R-CNN相比Fast R-CNN，增加了一个用于感兴趣区域提取的RPN网络，不仅提高了感兴趣区域的质量，而且极大提升了网络的速度。图1为基于ResNet-50的Faster R-CNN的网络结构图；左下角head是ResNet-50的网络结构，作用等同于Alex，但是对于目标检测、身份识别等复杂的分类任务，ResNet-50能提取到图像更深层次的特征，分类效果更好。左上角即为Faster R-CNN相比Fast R-CNN增加的RPN网络，将head网络提取到的特征经过两个分支(分类、目标定位)，提高了感兴趣区域的精度。右下角是网络最终的分类层，实现图像中目标的分类。

本发明的技术方案为：

一种基于深度学习级联神经网络的行人检测识别方法，包括步骤如下：

(1)下载有关行人的图像数据集，并将此数据集送入第一级神经网络进行训练，得到一个用于行人检测的模型；

(2)采集摄像头拍摄的视频图像序列，并进行预处理，之后送入通过步骤(1)中训练得到的用于行人检测的模型，对图像中的行人进行检测，获取图像中行人的位置信息；