[发明专利]一种基于CNN的市场摊区违规摊位检测方法

权利要求书

1.一种基于CNN的市场摊区违规摊位检测方法，其特征在于，包括以下步骤：

步骤1：构建训练集；采集监控视频，从中挑选市场摊区图像，统一尺寸后对图像进行标注；选用实际市场摊区监控视频构建数据集，当图像属于合法摊区时标为legal，当图像属于非法摊区时标为illegal；

步骤2：数据集扩充；利用OpenCV对原始数据集中的图像进行多种变换，包括镜像变换、随机裁剪、图像旋转、局部变形和色彩抖动；

步骤3：以GoogLeNet模型作为CNN预训练模型，提取市场摊区数据集的特征图谱；

GoogLeNet是在ImageNet数据集基础上进行训练的图像分类模型，其中的inception结构不仅提高了网络深度同时扩大了网络宽度，准确率较高同时中间参数较少；对GoogLeNet中的瓶颈层进行冻结，保留除全连接层和分类器之外的结构和参数权重，从而获得网络在全连接前一层激活的特征图谱，即模型bottleneck特征；

步骤4：利用迁移学习训练市场摊区目标分类模型，并对多个超参数进行微调优化，获取最佳分类模型；

采用bottleneck特征作为输入连接新构建的全连接层和二分类Softmax，并利用EarlyStopping法来确定模型训练的收敛最优值；采用Adam梯度优化算法寻找代价函数极值点，不仅结合了梯度的均值估计，同时考虑了梯度未中心化方差，具有较快的收敛速度；采用指数减缓的方式进行学习率调整，以下为学习率调整公式：

其中，第一个公式表明了学习率对梯度下降的影响，θ为梯度，α为学习率；第二个公式是学习率依照指数衰减调整的过程，dlr为每一轮优化时使用的学习率，lr为事先设定的初始学习率，decay_rate为衰减系数，gs为衰减计算的全局步数，ds为衰减速度；

步骤5：构建模型输入模块：对市场摊区视频进行图像预处理，减少图像噪点，同时进行ROI区域划分，提高违规摊位检测精度；

步骤6：构建报警控制模块：将市场摊区目标分类模型移植到应用后台中，并通过丢帧算法、容错算法、时间控制三个模块对CNN模型预测结果进行后续处理，实现自动化的市场摊区违规摊位检测；使用TensorFlow API的LabelImage接口进行模型移植和图像预测，通过丢帧算法、容错算法、时间控制对市场摊区视频进行连续预测标签处理，并判断是否报警。