[發明專利]一種基于深度學習網絡的槍支圖像識別方法和系統

在審

• 申請號: 202010908251.5
• 申請日: 2020-09-02
• 公開（公告）號: CN112036494A
• 公開（公告）日: 2020-12-04
• 發明（設計）人: 周志飛;王曉琳;張剛;崔斌;李軼昳;沈玉杰;馬新和
• 申請（專利權）人: 公安部物證鑒定中心
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京紀凱知識產權代理有限公司 11245
• 代理人: 趙悅

本發明屬于圖像識別技術領域，涉及一種基于深度學習網絡的槍支圖像識別方法和系統，包括以下步驟：S1構建槍支圖像數據集，并對槍支圖像數據集中圖槍支圖像進行預處理；S2基于Resnet18網絡建立槍支識別網絡模型，槍支識別網絡模型由若干段組成；S3輸入槍支類型已知的槍支圖像，對槍支識別網絡模型進行訓練，得到各槍支類別對應的權重；S4將待測槍支圖像輸入經過訓練的槍支識別網絡模型，獲得最終槍支類別。其采用以圖搜圖的方法對槍支進行分類，解決了槍支種類繁多，外形差異較小，影響識別的精度的問題，并使用深度神經網絡從雜亂的數據中自動學習，從而使槍支識別模型更加魯棒。

技術領域

本發明涉及一種基于深度學習網絡的槍支圖像識別方法和系統，屬于圖像識別技術領域。

背景技術

深度學習在計算機視覺領域取得了巨大成功，利用深度神經網絡進行人臉識別，行人重識別的各種新型算法，有力的解決了大量監控數據下，人工查閱耗時久，工作量大等問題。

目前大部分識別剛性物體的項目，均基于傳統機器學習方法，如支持向量機(SVM)法以及基于最近鄰原則圖像識別的PCA算法等，這些算法需要人工設計特征，一般做法是將手工設計的視覺特征進行嵌入和聚合，得到圖像的全局特征。但是，當特征設計人員經驗不足，選擇的特征缺乏具有辨別能力的信息時，采用該方法得到的模型將不夠準確。其次，手工設計特征多針對于特定問題，且耗時久，人力成本更高。因此，傳統的手工設計特征提取器進行目標識別的方法，已無法滿足科研人員及工業界對算法精度和速度的要求。此外，針對槍支而言，還存在雖然槍支型號不同，但其外觀從圖像上看形狀非常類似的問題，導致通過普通機器學習方法無法區分。

發明內容

針對上述問題，本發明旨在提供一種基于深度學習網絡的槍支圖像識別方法和系統，其采用以圖搜圖的方法對槍支圖像進行分類，解決了傳統槍支識別方法中存在的研究槍種單一，特征提取單一，識別精度低和速度慢的問題。

為實現上述目的，本發明采取以下技術方案：一種基于深度學習網絡的槍支圖像識別方法，包括以下步驟：S1構建槍支圖像數據集，并對槍支圖像數據集中槍支圖像進行預處理；S2基于Resnet18網絡建立槍支識別網絡模型，槍支識別網絡模型由若干段組成；S3輸入槍支類型已知的槍支圖像，對槍支識別網絡模型進行訓練，得到各槍支類別對應的權重；S4將待測槍支圖像輸入經過訓練的槍支識別網絡模型，獲得最終槍支類別。

進一步，步驟S1中預處理過程包括：將槍支圖像粗分為整槍、槍支部件和標記錯誤圖片，并剔除槍支部件和標記錯誤圖片。

進一步，步驟S2中建立槍支識別網絡模型中的段的步驟包括：將輸入的槍支圖像分為本體分支和殘差分支兩部分，對分入本體分支的槍支圖像分別進行3×3卷積，批標準化和第一ReLU非線性激活，將得到的特征圖像輸入下一層網絡，特征圖像再次經過3×3卷積和批標準化操作后獲得經過處理的本體分支特征圖；對分入本體分支的槍支圖像分別進行1×1卷積和批標準化，與經過處理的本體分支特征圖一起進行第二ReLU非線性激活，將第二ReLU非線性激活輸出的特征圖輸入本體分支和殘差分支兩部分，對分入本體分支的特征圖分別進行3×3卷積，批標準化及第三ReLU非線性激活，將其輸出結果送入下一層網絡，再次進行3×3卷積和批標準化處理，并將處理結果與分入本體分支的特征圖合并，進行第四ReLU非線性激活，從而生成支識別網絡模型中的段。

進一步，槍支識別網絡模型由依次相連的四個段組成。

進一步，步驟S3中，槍支類型已知的槍支圖像經過以下步驟后輸入槍支識別網絡模型：首先去除圖像上的干擾信息，優化圖像的分辨率；其次，對圖像進行剪裁及翻轉，并將圖像拆分成訓練集和測試集；最后，對圖像分別進行7×7卷積，批標準化，ReLU激活及3×3最大池化的操作。