[發(fā)明專利]一種基于多特征信息的快遞人員身份識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010419503.8
• 申請(qǐng)日: 2020-05-18
• 公開(kāi)（公告）號(hào): CN111709294B
• 公開(kāi)（公告）日: 2023-07-14
• 發(fā)明（設(shè)計(jì)）人: 張旻;李鵬飛;姜明;湯景凡
• 申請(qǐng)（專利權(quán)）人: 杭州電子科技大學(xué)
• 主分類號(hào): G06V40/10
• 分類號(hào): G06V40/10;G06V20/52;G06V10/44;G06V10/764;G06N3/0464;G06N3/08
• 代理公司: 杭州君度專利代理事務(wù)所(特殊普通合伙) 33240
• 代理人: 朱月芬

1.一種基于多特征信息的快遞人員身份識(shí)別方法，其特征在于包括如下步驟：

步驟(1)構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)特征圖的多尺度金字塔模塊MSPM；

步驟(2)將3個(gè)含有相同大小卷積核卷積層和3個(gè)多尺度金字塔模塊MSPM使用跳躍連接的方式構(gòu)建目標(biāo)檢測(cè)網(wǎng)絡(luò)SFPNet；

步驟(3)將目標(biāo)檢測(cè)網(wǎng)絡(luò)SFPNet在PASCAL?VOC數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練，得到預(yù)訓(xùn)練SFPNet模型，實(shí)現(xiàn)基礎(chǔ)的目標(biāo)檢測(cè)；

步驟(4)收集快遞車輛、快遞logo和快遞衣服圖片，并快遞車輛、快遞logo和快遞衣服進(jìn)行相應(yīng)的識(shí)別標(biāo)記做成數(shù)據(jù)集；用數(shù)據(jù)集對(duì)預(yù)訓(xùn)練SFPNet模型進(jìn)行訓(xùn)練，得到最終的SFPNet識(shí)別模型；

步驟(5)將測(cè)試圖片輸入最終的SFPNet識(shí)別模型，進(jìn)行識(shí)別；通過(guò)測(cè)試圖片中快遞車輛、快遞logo以及快遞衣服所屬公司的識(shí)別，通過(guò)識(shí)別的多特征信息進(jìn)行綜合判斷，以達(dá)到對(duì)快遞人員身份的準(zhǔn)確識(shí)別；

步驟(3)具體實(shí)現(xiàn)過(guò)程如下：

3-1.針對(duì)不同大小圖片設(shè)置不同步長(zhǎng)的學(xué)習(xí)批次，對(duì)于輸入大小為320*320的圖像，處理批次設(shè)置為32；對(duì)于輸入圖像512*512，設(shè)置的批次為16；動(dòng)量和權(quán)值衰減分別設(shè)置為0.9和0.0005；

3-2.下載PASCAL?VOC數(shù)據(jù)集，使用PASCAL?VOC數(shù)據(jù)集對(duì)目標(biāo)檢測(cè)網(wǎng)絡(luò)SFPNet進(jìn)行訓(xùn)練，獲得預(yù)訓(xùn)練SFPNet模型，實(shí)現(xiàn)基礎(chǔ)的目標(biāo)檢測(cè)；

步驟(4)具體實(shí)現(xiàn)過(guò)程如下：

4-1.收集快遞車輛、快遞logo和快遞衣服圖片，并快遞車輛、快遞logo和快遞衣服進(jìn)行相應(yīng)的識(shí)別標(biāo)記做成數(shù)據(jù)集；其中快遞車輛、快遞logo和快遞衣服圖片各N張，并進(jìn)行識(shí)別標(biāo)識(shí)，標(biāo)識(shí)規(guī)則如下：快遞名稱：申通快遞、圓通快遞、韻達(dá)快遞、順豐快遞、中通快遞、百世匯通；對(duì)應(yīng)車輛標(biāo)識(shí)：1、2、3、4、5、6；對(duì)應(yīng)Logo標(biāo)識(shí)：7、8、9、10、11、12；對(duì)應(yīng)衣服標(biāo)識(shí)：13、14、15、16、17、18；

4-2.將有識(shí)別標(biāo)記的數(shù)據(jù)集對(duì)預(yù)訓(xùn)練SFPNet模型進(jìn)行訓(xùn)練，得到最終的SFPNet識(shí)別模型。

2.根據(jù)權(quán)利要求1所述的一種基于多特征信息的快遞人員身份識(shí)別方法，其特征在于步驟(1)具體實(shí)現(xiàn)過(guò)程如下：

1-1.利用1*1的卷積層，減少輸入的多尺度金字塔模塊MSPM的特征圖的通道數(shù)以降低計(jì)算量,并加入ReLU激活函數(shù)；

1-2.利用大小為3*3，空洞率分別為1、2、4和8，步長(zhǎng)分別對(duì)應(yīng)為1,2,4,8的空洞卷積來(lái)提取不同尺度的特征信息；

1-3.將步驟1-2中四種空洞卷積獲取的特征進(jìn)行通道連接，連接后的通道使用1*1的卷積層，將通道數(shù)變換為與輸入該多尺度金字塔模塊MSPM的特征圖相同的通道數(shù)，并與輸入該多尺度金字塔模塊MSPM的特征圖對(duì)應(yīng)像素點(diǎn)進(jìn)行疊加，既保留輸入該多尺度金字塔模塊MSPM的特征圖的特征，又加入了不同大小感受野的特征信息，有效改善提取較小尺寸的物體特征。

3.根據(jù)權(quán)利要求1或2所述的一種基于多特征信息的快遞人員身份識(shí)別方法，其特征在于步驟(2)構(gòu)建SFPNet網(wǎng)絡(luò)具體過(guò)程如下：

2-1.使用3個(gè)卷積核大小為3*3的基礎(chǔ)網(wǎng)絡(luò)層對(duì)圖像進(jìn)行特征提取，將提取特征輸入到多尺度金字塔模塊MSPM中；

2-2.使用3個(gè)多尺度金字塔模塊MSPM對(duì)步驟2-1中提取的特征圖，進(jìn)行進(jìn)一步的提取；

2-3.利用大小為3*3，通道數(shù)為256的卷積核對(duì)3個(gè)基礎(chǔ)網(wǎng)絡(luò)層和3個(gè)多尺度金字塔模塊MSPM輸出的特征圖，分別進(jìn)行卷積操作，以將不同特征層的特征圖的通道數(shù)變成相同的數(shù)量，以便進(jìn)行融合計(jì)算；在統(tǒng)一了每一層的通道數(shù)之后，利用反卷積操作把每一層特征層進(jìn)行上采樣，以進(jìn)行融合，反卷積特征圖的大小o計(jì)算公式如(1)所示：

其中，i為輸入特征圖的尺寸大小，f為卷積核的大小，p為填充的像素?cái)?shù)，s為反卷積的步長(zhǎng)；

2-4.對(duì)不同的特征層，采用每個(gè)像素對(duì)應(yīng)點(diǎn)的和，來(lái)作為融合后的特征圖；

2-5.將融合后的特征層送入到最后的檢測(cè)部分，進(jìn)行檢測(cè)識(shí)別。

4.根據(jù)權(quán)利要求3所述的一種基于多特征信息的快遞人員身份識(shí)別方法，其特征在于步驟(5)具體實(shí)現(xiàn)過(guò)程如下：

5-1.將測(cè)試圖像輸入到最終的SFPNet模型中，獲得多個(gè)目標(biāo)信息結(jié)果；

5-2.通過(guò)對(duì)多個(gè)目標(biāo)信息的綜合判斷，判斷快遞人員身份：

快遞車輛、快遞logo和快遞衣服對(duì)結(jié)果的影響權(quán)重是不同的；設(shè)置目標(biāo)信息分值為1，目標(biāo)信息權(quán)重有快遞車輛為0.3，快遞Logo為0.5，快遞衣服為0.2；輸出所屬公司分值最大的，則為該公司快遞員。