[发明专利]一种基于深度学习模型Fast-Rcnn改进的警情自动化判定方法

权利要求书

1.一种基于深度学习模型Fast-Rcnn改进的警情自动化判定方法，其特征在于：该警情自动化判定方法具体步骤如下：

S1：图像采集，采用图像采集卡或视霸卡将CCD或是CMOS摄像机的模拟视频信号经A/D后存储，然后送计算机进行处理；

S2：候选框确定，图像归一化为224×224直接送入网络，前五阶段是基础的conv+relu+pooling形式，在第五阶段结尾，输入P个候选区域，roi_pool层将每个候选区域均匀分成M×N块，对每块进行max pooling，将特征图上大小不一的候选区域转变为大小统一的数据，送入下一层；

S3：深度网络提取特征，CNN网络在卷积层之后会接上若干个全连接层,将卷积层产生的特征图映射成一个固定长度的特征向量，使用该像素周围的一个图像块作为CNN的输入用于训练和预测，程序中第6和32对应的是原网络中pool1和pool5层；整个网络输出的结果，可以在最后通过输出结果对应到原网络大小，从而保存其他层的图片特征结果；

S4：图像分类，对于对象的实际类特定于目标设备，由适配器负责创建并返回适当的编写器，CIFAR102和CIFAR100数据库是Tiny的两个子集，分别包含了10类和100类物Images体类别；

S5：图像尺寸调整，oI池化层将不同大小的输入张量池化为固定大小，RoI池化层指定池化窗口的数量为W\times HW×H，每个池化窗口的大小是根据池化区域变化的；

S6：结果预测，最后两个loss层要改成一个softmax层，输入是分类的score，输出概率，对每个类别采用NMS，使用softmax得到分类，使用回归得到边框回归。

2.根据权利要求1所述的一种基于深度学习模型Fast-Rcnn改进的警情自动化判定方法，其特征在于：所述步骤S1中的CMOS为互补金属氧化物半导体，它本是计算机系统内一种重要的芯片，保存了系统引导最基本的资料，CMOS经过加工成为数码摄影中的图像传感器。

3.根据权利要求1或2所述的一种基于深度学习模型Fast-Rcnn改进的警情自动化判定方法，其特征在于：所述步骤S2中将普通max pooling层设为输入层的节点和为输出层的节点然后判决函数表示i节点是否被j节点选为最大值输出。

4.根据权利要求1-3任一项所述的一种基于深度学习模型Fast-Rcnn改进的警情自动化判定方法，其特征在于：所述步骤S4中的两个数据库的图像尺寸都是32×32，而且是彩色图像。

5.根据权利要求1所述的一种基于深度学习模型Fast-Rcnn改进的警情自动化判定方法，其特征在于：所述步骤S5中的池化层包含超级参数，池化的超级参数包括过滤器大小f和步幅s，常用的参数值为f＝2，s＝2。

6.根据权利要求1所述的一种基于深度学习模型Fast-Rcnn改进的警情自动化判定方法，其特征在于：所述步骤S6中Softmax函数，Softmax函数实际上是有限项离散概率分布的梯度对数归一化。