[發明專利]一種基于多特征信息的快遞人員身份識別方法

有效

• 申請號: 202010419503.8
• 申請日: 2020-05-18
• 公開（公告）號: CN111709294B
• 公開（公告）日: 2023-07-14
• 發明（設計）人: 張旻;李鵬飛;姜明;湯景凡
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06V40/10
• 分類號: 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所(特殊普通合伙) 33240
• 代理人: 朱月芬

本發明公開了一種基于多特征信息的快遞人員身份識別方法。本發明提出利用跳躍連接的方式連接3個含有相同大小卷積核的卷積層與3個多尺度金字塔模塊MSPM，來融合多層高層語義特征信息和低層特征圖的細節信息，從而構建目標檢測網絡SFPNet。其中，MSPM采用并行的空洞卷積來提取不同尺度物體對應的特征信息，這些空洞卷積中含有不同大小空洞率，在卷積過程中采用不同步長。本發明在得到快遞人員相關信息后，將多個目標信息進行綜合評定，判讀更加準確，魯棒性和自適應能力更好。

技術領域

本文發明涉及快遞人員身份識別的方法，具體來講是一種基于多特征信息的快遞人員身份識別方法，屬于目標識別技術領域。

背景技術

隨著深度學習的發展，目標檢測已經獲得了較高的精度和效率。建立在目標識別基礎上，對特定人員身份的識別仍有一定難度。其中，針對特定人員身份的logo信息，衣著等小目標信息的檢測準確率仍然受限。小目標檢測準確率較低的重要原因包括了：從資源上講，沒有針對性的數據集；從深度學習網絡的構造上講，沒有充分利用高層特征的語義信息和低層特征的細節信息之間的關系。另外，在得到快遞人員相關信息后，過去的做法通常是依據單個目標信息判斷，沒有將多個目標信息進行綜合評定，導致判斷不準確，魯棒性不高。

發明內容

本發明的目的是針對現有技術的不足，提供一種基于多特征信息的快遞人員身份識別方法，以解決現有的使用深度學習進行快遞人員身份識別問題。

針對上述問題，本文提出一種基于多特征信息的快遞人員身份識別方法。與其他的身份識別方法不同，本文提出利用跳躍連接的方式連接3個含有相同大小卷積核的卷積層與3個多尺度金字塔模塊MSPM(Multi-scale?pyramid?module)，來融合多層高層語義特征信息和低層特征圖的細節信息，從而構建目標檢測網絡SFPNet(Skip-connectionFeature?Pyramid?Network)。其中，MSPM采用并行的空洞卷積來提取不同尺度物體對應的特征信息，這些空洞卷積中含有不同大小空洞率，在卷積過程中采用不同步長。

首先，在PASCAL?VOC數據集上對SFPNet進行預訓練，得到預訓練模型，預訓練模型可以實現基礎的目標檢測；其次，收集快遞車輛、快遞logo和快遞衣服圖片，并進行相應的標記做成數據集；然后，用制作好的數據集對預訓練的SFPNet模型進行再次訓練，調整參數，得到最終的SFPNet識別模型；最后，將測試圖片輸入SFPNet識別模型進行識別。通過對測試圖片中快遞車輛、快遞logo以及快遞衣服所屬公司的識別，進行多特征信息判斷，以達到對快遞人員身份的準確識別。結果表明，這種方法具有更好的魯棒性和自適應能力。

本發明有益效果如下：

本發明在得到快遞人員相關信息后，將多個目標信息進行綜合評定，判讀更加準確，魯棒性和自適應能力更好。

附圖說明

圖1是本發明的整體實施方案流程圖

圖2是本發明的多尺度金字塔模塊架構圖

圖3是本發明的SFPNet網絡整體架構示意圖

具體實施方式

下面結合附圖對本發明作進一步描述。

參照圖1是本發明的整體實施方案流程圖，一種基于多特征信息的快遞人員身份識別方法，按照如下步驟進行：

步驟(1)構建深度卷積神經網絡特征圖的多尺度金字塔模塊MSPM；

步驟(2)將3個含有相同大小卷積核卷積層和3個多尺度金字塔模塊MSPM使用跳躍連接的方式構建目標檢測網絡SFPNet；

步驟(3)將目標檢測網絡SFPNe在PASCAL?VOC數據集上進行預訓練，得到預訓練SFPNet模型，實現基礎的目標檢測；