[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

摘要

本发明公开了一种基于深度学习模型Fast‑Rcnn改进的警情自动化判定方法，包括以下步骤：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；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；S4：图像分类，对于对象的实际类可以特定于目标设备，由适配器负责创建并返回适当的编写器；S5：图像尺寸调整；S6：结果预测，最后两个loss层要改成一个softmax层，利用这种算法只检测人体的移动的时候，可以对真实警情程度能有很好的预测。

主权项

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。