[發(fā)明專利]基于熱成像的活體流向甄別方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202010550150.5
• 申請(qǐng)日: 2020-06-16
• 公開（公告）號(hào): CN111881729A
• 公開（公告）日: 2020-11-03
• 發(fā)明（設(shè)計(jì)）人: 袁方
• 申請(qǐng)（專利權(quán)）人: 深圳數(shù)聯(lián)天下智能科技有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 深圳中細(xì)軟知識(shí)產(chǎn)權(quán)代理有限公司 44528
• 代理人: 仉玉新

1.一種基于熱成像的活體流向甄別方法，所述方法包括：

獲取多張目標(biāo)圖像，所述多張目標(biāo)圖像為熱成像設(shè)備在連續(xù)的多個(gè)時(shí)刻檢測(cè)到的目標(biāo)位置的活體檢測(cè)圖像，所述活體檢測(cè)圖像的各個(gè)像素點(diǎn)的像素值為所述熱成像設(shè)備檢測(cè)到的溫度值；

根據(jù)所述多張目標(biāo)圖像，確定目標(biāo)特征向量；

將所述目標(biāo)特征向量作為活體流向甄別模型的輸入，所述活體流向甄別模型用于對(duì)活體流向進(jìn)行甄別；

獲取所述活體流向甄別模型輸出的方向甄別結(jié)果值，并基于所述方向甄別結(jié)果值確定所述目標(biāo)位置在所述連續(xù)的多個(gè)時(shí)刻的活體流向。

2.根據(jù)權(quán)利要求1所述的基于熱成像的活體流向甄別方法，其特征在于，所述方法還包括：

獲取多個(gè)圖像特征向量樣本，一個(gè)圖像特征向量樣本對(duì)應(yīng)同一位置連續(xù)的多個(gè)時(shí)刻的多張圖像樣本，所述圖像特征向量樣本為多通道二維矩陣，所述圖像特征向量樣本的通道數(shù)量等于所述多張圖像樣本的數(shù)量；

將所述多個(gè)圖像特征向量樣本輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取及處理，得到與每個(gè)所述圖像特征向量樣本對(duì)應(yīng)的預(yù)測(cè)特征向量，所述預(yù)測(cè)特征向量用于指示所述圖像特征向量樣本對(duì)應(yīng)的預(yù)測(cè)活體流向，所述預(yù)測(cè)特征向量的向量元素個(gè)數(shù)為2；

根據(jù)所述與每個(gè)所述圖像特征向量樣本對(duì)應(yīng)的預(yù)測(cè)特征向量、每個(gè)所述圖像特征向量樣本對(duì)應(yīng)的活體流向標(biāo)定值，對(duì)所述卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到所述活體流向甄別模型，所述圖像特征向量樣本對(duì)應(yīng)的活體流向標(biāo)定值用于指示所述圖像特征向量樣本對(duì)應(yīng)的真實(shí)活體流向。

3.根據(jù)權(quán)利要求2所述的基于熱成像的活體流向甄別方法，其特征在于，所述卷積神經(jīng)網(wǎng)絡(luò)包括依次連接的卷積層、池化層及抽象壓縮模塊；

所述將所述多個(gè)圖像特征向量樣本輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取及處理，得到與每個(gè)所述圖像特征向量樣本對(duì)應(yīng)的預(yù)測(cè)特征向量，包括：

將所述多個(gè)圖像特征向量樣本輸入所述卷積神經(jīng)網(wǎng)絡(luò)的卷積層進(jìn)行通道擴(kuò)充及抽象特征提取，得到與每個(gè)所述圖像特征向量樣本對(duì)應(yīng)的第一特征向量；

將所述與每個(gè)所述圖像特征向量樣本對(duì)應(yīng)的第一特征向量輸入所述卷積神經(jīng)網(wǎng)絡(luò)的池化層進(jìn)行最大池化，得到與每個(gè)所述圖像特征向量樣本對(duì)應(yīng)的第二特征向量；

將所述與每個(gè)所述圖像特征向量樣本對(duì)應(yīng)的第二特征向量輸入所述卷積神經(jīng)網(wǎng)絡(luò)的抽象壓縮模塊進(jìn)行抽象壓縮處理，得到與每個(gè)所述圖像特征向量樣本對(duì)應(yīng)的預(yù)測(cè)特征向量。

4.根據(jù)權(quán)利要求3所述的基于熱成像的活體流向甄別方法，其特征在于，所述抽象壓縮模塊包括依次連接的第一丟棄層、壓縮層、第一全連接層、第二丟棄層及第二全連接層；

所述將所述與每個(gè)所述圖像特征向量樣本對(duì)應(yīng)的第二特征向量輸入所述卷積神經(jīng)網(wǎng)絡(luò)的抽象壓縮模塊進(jìn)行抽象壓縮處理，得到與每個(gè)所述圖像特征向量樣本對(duì)應(yīng)的預(yù)測(cè)特征向量，包括：

將所述與每個(gè)所述圖像特征向量樣本對(duì)應(yīng)的第二特征向量輸入所述卷積神經(jīng)網(wǎng)絡(luò)的第一丟棄層進(jìn)行隨機(jī)丟棄，得到與每個(gè)所述圖像特征向量樣本對(duì)應(yīng)的第三特征向量；

將所述與每個(gè)所述圖像特征向量樣本對(duì)應(yīng)的第三特征向量輸入所述卷積神經(jīng)網(wǎng)絡(luò)的壓縮層進(jìn)行一維向量轉(zhuǎn)換，得到與每個(gè)所述圖像特征向量樣本對(duì)應(yīng)的第四特征向量；

將所述與每個(gè)所述圖像特征向量樣本對(duì)應(yīng)的第四特征向量輸入所述卷積神經(jīng)網(wǎng)絡(luò)的第一全連接層進(jìn)行抽象壓縮，得到與每個(gè)所述圖像特征向量樣本對(duì)應(yīng)的第五特征向量；

將所述與每個(gè)所述圖像特征向量樣本對(duì)應(yīng)的第五特征向量輸入所述卷積神經(jīng)網(wǎng)絡(luò)的第二丟棄層進(jìn)行隨機(jī)丟棄，得到與每個(gè)所述圖像特征向量樣本對(duì)應(yīng)的第六特征向量；

將所述與每個(gè)所述圖像特征向量樣本對(duì)應(yīng)的第六特征向量輸入所述卷積神經(jīng)網(wǎng)絡(luò)的第二全連接層進(jìn)行抽象壓縮，得到與每個(gè)所述圖像特征向量樣本對(duì)應(yīng)的預(yù)測(cè)特征向量。

5.根據(jù)權(quán)利要求3所述的基于熱成像的活體流向甄別方法，其特征在于，所述將所述多個(gè)圖像特征向量樣本輸入所述卷積神經(jīng)網(wǎng)絡(luò)的卷積層進(jìn)行通道擴(kuò)充及抽象特征提取，得到與每個(gè)所述圖像特征向量樣本對(duì)應(yīng)的第一特征向量，包括：

將所述多個(gè)圖像特征向量樣本分別輸入至所述卷積神經(jīng)網(wǎng)絡(luò)的卷積層中的多個(gè)卷積通道，將所述多個(gè)卷積通道各自對(duì)應(yīng)的卷積核與所述多個(gè)圖像特征向量樣本進(jìn)行卷積運(yùn)算，得到與每個(gè)所述圖像特征向量樣本對(duì)應(yīng)的第一特征向量，所述卷積通道的數(shù)量大于所述圖像特征向量樣本的通道數(shù)量。