[發(fā)明專利]基于輕量型卷積神經(jīng)網(wǎng)絡(luò)的非機(jī)動車再識別目標(biāo)檢索方法

在審

• 申請?zhí)枺?/td>: 201911041133.2
• 申請日: 2019-10-30
• 公開（公告）號: CN110826449A
• 公開（公告）日: 2020-02-21
• 發(fā)明（設(shè)計）人: 周戎龍;邱彥林;李華松;金國慶;張慧娟
• 申請（專利權(quán)）人: 杭州敘簡科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06F16/783;G06N3/04;G06N3/08
• 代理公司: 北京科億知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11350
• 代理人: 湯東鳳

本發(fā)明提供基于輕量型卷積神經(jīng)網(wǎng)絡(luò)的非機(jī)動車再識別目標(biāo)檢索方法，包括以下步驟：(1)：從同一監(jiān)控場景下采集多個攝像頭的視頻數(shù)據(jù)，并根據(jù)攝像頭的具體分布位置截取有可能出現(xiàn)同一個目標(biāo)的相應(yīng)視頻段；(2)：對不同視頻段中出現(xiàn)相同目標(biāo)進(jìn)行抽幀，并保存為圖片，再對圖片中的目標(biāo)進(jìn)行標(biāo)框，最后對目標(biāo)圖片進(jìn)行編號整理成數(shù)據(jù)集；等其他步驟；本發(fā)明根據(jù)現(xiàn)有監(jiān)控場景下的非機(jī)動車的視頻數(shù)據(jù)，設(shè)計出一個資源占用少，識別率高的非機(jī)動車目標(biāo)檢索模型，工作人員只需提供待檢索目標(biāo)的圖片，通過網(wǎng)絡(luò)就能夠在數(shù)據(jù)庫自動識別、排序出所有的相似目標(biāo)，由工作人員判斷檢索相似目標(biāo)是否為真實目標(biāo)，以此大幅提升工作效率同時極大減少了成本花銷。

技術(shù)領(lǐng)域

本發(fā)明屬于計算機(jī)視覺分析技術(shù)領(lǐng)域，具體涉及基于輕量型卷積神經(jīng)網(wǎng)絡(luò)的非機(jī)動車再識別目標(biāo)檢索方法。

背景技術(shù)

再識別技術(shù)其主要任務(wù)是為了在視角不交疊的攝像頭中，將檢測到相同的目標(biāo)圖片進(jìn)行識別匹配出來。現(xiàn)如今隨著視頻監(jiān)控技術(shù)的日益普及，每天都有海量的視頻數(shù)據(jù)生成。面對如此龐大的數(shù)據(jù)量，如果只通過人工的方法進(jìn)行識別，不僅將花費(fèi)大量的人力和時間，并且識別的效果也不是很理想。如何通過高效、快速和低成本的方法來獲取有價值的人員信息顯的尤為重要。

在當(dāng)前眾多交通監(jiān)控視頻中，有許多非機(jī)動車輛，如自行車，電動車，電動三輪車等。由于非機(jī)動車的靈活性大，價格低等特點(diǎn)成為了很多不法分子的逃逸工具。由于人和人騎車在其特征表征上存在較大的差異，如果僅采用現(xiàn)有的行人再識別技術(shù)直接進(jìn)行識別顯然會造成識別率不高的問題。

此外，現(xiàn)有的基于常規(guī)卷積神經(jīng)網(wǎng)絡(luò)方法如專利[CN109740480A]進(jìn)行非機(jī)動車檢索方法為了提升識別率，采用了很深，參數(shù)量很大的網(wǎng)絡(luò)，雖然識別的效果還不錯，但其比較難在資源受限的硬件平臺上如嵌入式設(shè)備、移動終端等進(jìn)行部署。

針對上述所存在的問題，需要設(shè)計出基于輕量型卷積神經(jīng)網(wǎng)絡(luò)的非機(jī)動車再識別目標(biāo)檢索方法，通過該方法來滿足當(dāng)前監(jiān)控場景的實際應(yīng)用需求。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明提出一種基于輕量型卷積神經(jīng)網(wǎng)絡(luò)的非機(jī)動車再識別目標(biāo)檢索方法，根據(jù)現(xiàn)有監(jiān)控場景下的非機(jī)動車的視頻數(shù)據(jù)，設(shè)計出一個資源占用少，識別率高的非機(jī)動車目標(biāo)檢索模型，工作人員只需提供待檢索目標(biāo)的圖片，通過網(wǎng)絡(luò)就能夠在數(shù)據(jù)庫自動識別、排序出所有的相似目標(biāo)，由工作人員判斷檢索相似目標(biāo)是否為真實目標(biāo)，以此大幅提升工作效率同時極大減少了成本花銷。

為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

本發(fā)明基于輕量型卷積神經(jīng)網(wǎng)絡(luò)的非機(jī)動車再識別目標(biāo)檢索方法，其包括數(shù)據(jù)集制作模塊，網(wǎng)絡(luò)訓(xùn)練模塊以及模型測試模塊。其中數(shù)據(jù)集制作模塊主要用于將采集的監(jiān)控視頻數(shù)據(jù)制作成為訓(xùn)練數(shù)據(jù)集，當(dāng)然也包括數(shù)據(jù)增廣技術(shù)，其目的是為了增加訓(xùn)練數(shù)據(jù)的多樣性，提升網(wǎng)絡(luò)的識別率和增強(qiáng)網(wǎng)絡(luò)的泛化性能；網(wǎng)絡(luò)訓(xùn)練模塊主要包含網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計，其目的用于網(wǎng)絡(luò)的訓(xùn)練以及目標(biāo)圖片特征的提取；模型測試模塊主要用于測試訓(xùn)練模型性能指標(biāo)，以及其資源的利用率。

基于輕量型卷積神經(jīng)網(wǎng)絡(luò)的非機(jī)動車再識別目標(biāo)檢索方法，大致包括以下步驟：

步驟(1)：從同一監(jiān)控場景下采集多個攝像頭的視頻數(shù)據(jù)，并根據(jù)攝像頭的具體分布位置截取有可能出現(xiàn)同一個目標(biāo)的相應(yīng)視頻段；

步驟(2)：對不同視頻段中出現(xiàn)相同目標(biāo)進(jìn)行抽幀，并保存為圖片，再對圖片中的目標(biāo)進(jìn)行標(biāo)框，最后對目標(biāo)圖片進(jìn)行編號整理成數(shù)據(jù)集；

步驟(3)：輕量型網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計，網(wǎng)絡(luò)分別結(jié)合了MoblieNet和Inception網(wǎng)絡(luò)的特點(diǎn)，構(gòu)造了14層輕量型的卷積網(wǎng)絡(luò)結(jié)構(gòu)，并通過Am-Softmax作為損失函數(shù)；

步驟(4)：根據(jù)步驟(2)中的目標(biāo)集合數(shù)，將四分之三的目標(biāo)作為訓(xùn)練集，剩余的四分之一的目標(biāo)作為測試集，并通過仿射變換、隨機(jī)旋轉(zhuǎn)、添加隨機(jī)噪聲、隨機(jī)裁剪和顏色增強(qiáng)等數(shù)據(jù)增廣方式對數(shù)據(jù)進(jìn)行訓(xùn)練；