[发明专利]一种针对复杂场景的自学习大规模警员图像分类模型

说明书

本发明提供了一种针对复杂场景的自学习大规模警员图像分类模型，通过优化警员图像数据集构建和模型训练过程，对大规模警员图像数据集进行筛选，结合图像主体区域检测模型减少数据中的噪声，增强了对复杂场景的识别，同时利用迁移学习方法降低了模型训练的难度，迭代训练了一个警员图像分类模型，进一步将模型运用在原始大规模警员图片数据集中，实现了警员图像分类模型自学习过程。相对于传统的直接在原始数据集上进行训练的图像分类模型，本方法解决了训练大规模警员图像分类模型缺少标注数据的问题，并针对警员图像数据场景复杂的特征进行了数据筛选与语义增强，从而能够更准确的实现对警员图像的分类与识别。

技术领域

本发明涉及一种针对复杂场景的自学习大规模警员图像分类模型，属于计算机视觉技术领域。

背景技术

警员分类技术广泛应用于各类监狱视频监控场景中，合理的对警员进行分类处理不仅能快速识别视频目标，也能节省人力物力，产生巨大的经济效益，但各式各样的场景与需求使得人们合理的进行分类变得十分困难。因此，如何通过自动化的方法快速的对警员进行分析，识别其所属类别，成为了一个迫切的需求，警员图像分类技术是其中一个可行有效的解决方案。

传统的警员图像分类技术通过建立图像分类模型，在大量的标注数据上进行训练，得到警员图像分类模型，然而算法需要大量的人工标注数据，在人力、财力和时间方面消耗较大，并且主观的标注和警员图像中的噪声也会对模型的分类效果产生巨大影响。同时传统方法也不具备自动学习更新能力，一旦变更分类标准或者产生新的种类警员，模型都需要重新进行训练。本发明提出了一种针对复杂场景的自学习大规模警员图像分类模型，通过构建迭代训练机制以及采用主体区域检测消除警员图像数据噪声的方法，有效的解决了警员图像数据标注、噪声影响以及模型更新的问题。

发明内容

为解决上述技术问题，本发明提供了一种针对复杂场景的自学习大规模警员图像分类模型，该针对复杂场景的自学习大规模警员图像分类模型通过优化警员图像数据集构建和模型训练过程，对大规模警员图像数据集进行筛选，结合图像主体区域检测模型减少数据中的噪声，增强了对复杂场景的识别，同时利用迁移学习方法降低了模型训练的难度，迭代训练了一个警员图像分类模型，进一步将模型运用在原始大规模警员图片数据集中，实现了警员图像分类模型自学习过程。

本发明通过以下技术方案得以实现。

本发明提供的一种针对复杂场景的自学习大规模警员图像分类模型，其特征在于：首先利用权威分类指标体系对原始警员图片数据集的数据进行人工筛选，获取标注数据集；其次，通过主体区域检测注意力模型去除图片中的噪声数据，生成精确数据集；然后利用迁移学习图像分类模型，结合基于DenseNet的图像分类算法，在精确数据集上进行训练，获取警员图像分类算法模型；最后将警员图像分类算法模型运用到原始警员图片数据集中进行自动分类，并不断迭代上述流程，获取自学习警员图像分类算法模型。

本发明包括以下步骤：

①人工筛选数据集：从原始警员图片数据集中，利用权威分类指标体系，人工筛选数据，获取标注数据集；

②主体区域检测：对标注数据集采用主体区域检测注意力模型进行主体区域检测，获取警员图片中的主体内容，再去除图片中的噪声，获取图像分类数据集；

③基于DenseNet的警员图像分类算法：利用迁移学习图像分类模型，在原始警员图片数据集上进行预训练得到图像分类模型；结合DenseNet图像分类算法和图像分类模型，在图像分类数据集上进行再训练，获取警员图像分类算法模型；

④自学习警员图像分类算法模型：利用步骤③中的警员图像分类算法模型，对原始警员图片数据集中的数据进行自动分类，获取预警员图像分类算法模型，再运用步骤②中获取的图像分类数据集，进一步训练预警员图像分类算法模型，然后不断进行迭代训练，直至原始警员图片数据集中的所有数据训练完成，得到自学习警员图像分类算法模型。