[發明專利]一種移動物體的識別方法及裝置

在審

• 申請號: 201911301798.2
• 申請日: 2019-12-17
• 公開（公告）號: CN111160156A
• 公開（公告）日: 2020-05-15
• 發明（設計）人: 林曉明;江金陵;魯鄒堯
• 申請（專利權）人: 北京明略軟件系統有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北京安信方達知識產權代理有限公司 11262
• 代理人: 戴仕琴;栗若木

一種移動物體的識別方法包括采集視頻圖像；檢測所采集的視頻圖像中的移動物體；采用預先訓練好的卷積網絡圖像分類模型對所檢測到的移動物體進行分類，根據分類結果識別出所采集的視頻圖像中具有預定的移動物體的每一幀圖片及圖片中所述預定的移動物體所在的區域；本申請能夠較準確識別移動物體。

技術領域

本文涉及計算機領域，尤指一種移動物體的識別方法及裝置。

背景技術

隨著人們生活水平的提高，衛生安全變得越來越重要，衛生安全中，食品安全是很重要的一塊。廚房衛生安全是食品安全的重要組成部分，而在廚房衛生安全中，老鼠帶來的危險是非常高的。但是一方面，我們難以時刻監視廚房中是否出現老鼠，另一方面，捕鼠器、老鼠藥是有效的除鼠手段，但是在沒有看到老鼠的情況下，難以確定捕鼠器、老鼠藥的放置地點，除鼠的效率會低很多。所以，監視廚房是否出現老鼠，并在出現老鼠的時候地位老鼠的移動軌跡就變得非常重要。本發明針對的是夜間視頻，而且為了加大算法的可行性，每個視頻的長度一般為一分鐘到兩分鐘。過長的視頻需要被切分成短視頻。短視頻保證了視頻的整體背景變化很小。

有技術中，一般會采用基于深度學習的圖片分類模型；對于一張圖片，如果圖片中有老鼠，就判斷整張圖片的類別為老鼠。可以使用常用的圖像分類模型，如resnet、densenet等。但是，廚房視頻圖像中，老鼠只占圖片的一個很小的區域。一方面，如果模型要很好的識別圖片中的老鼠，使用的深度學習模型需要很大，計算量和存儲都會變大很多。另一方面，如果模型效果要好的話，需要海量的數據，同時因為不同廚房背景差異大，即使訓練得到效果好的分類模型，也難以保證模型的泛化能力。此外，對整張圖片做分類就沒法對老鼠定位了，也無法得到老鼠的移動軌跡圖。

現有技術中，也會采用基于深度學習的目標檢測模型，基于深度學習的目標檢測模型能夠有效的識別圖片中的目標，以及定位目標的位置。通過訓練一個關于老鼠的深度學習目標檢測模型，如Faster-RCNN，SSD,YOLO-v3等可疑有效的識別圖片中的老鼠，達到檢測視頻中的老鼠的目的。但是上述方法存在以下缺點：一方面，對于同一個店鋪的廚房，可以訓練一個有效的目標檢模型，但是這個模型在其它的店鋪很可能效果就很差了。一個目標檢測模型，不僅需要判斷圖片中哪些是老鼠，還需要判斷哪些不是老鼠，不同的店鋪中，店鋪的背景差異很大，所以使用深度學習目標檢測模型效果并不好。如果希望訓練一個泛化能力很好的目標檢測模型，那么就需要很多很多不同背景下的老鼠圖片，而這很難達到。另一方面，目標檢測模型計算量都比較大，這種模型如果同時部署到很多店鋪的話，需要的計算成本也很高。

現有技術中，還會采用混合高斯背景建模和基于深度學習的圖片分類模型，例如：

a)混合高斯背景建模：在運動目標檢測提取中，背景目標對于目標的識別和跟蹤至關重要。而混合高斯背景建模適合于在攝像機固定的情況下從圖像序列中分離出背景和前景。在攝像機固定的情況下，背景的變化是緩慢的，而且大都是光照，風等等的影響，通過對背景建模，對一幅給定圖像分離前景和背景，一般來說，前景就是運動物體，從而達到運動物品檢測的目的。

b)基于深度學習的圖片分類模型；常用的圖像分類網絡，如resnet、VGG16、densenet等，可以通過對一張圖片打上類別標記，然后訓練一個分類模型，以此識別給定圖片的類別。基于移動檢測得到的小區域圖片做分類，需要的模型就會比較小，模型泛化能力也會比直接使用分類模型好很多。

餐廳廚房場景下，攝像頭是固定攝像頭，背景變化也比較小，移動物體檢測算法效果會比較好。通過結合混合高斯背景建模的移動物體檢測模型以及圖像分類模型可以有效的檢測視頻中的老鼠，并定位老鼠的位置。先檢測視頻中移動的物品所在的位置，然后使用圖片分類模型對圖片做分類，判斷該移動物體是不是老鼠，以此判斷視頻中是否出現老鼠，以及老鼠的位置。