[發(fā)明專利]一種煙框重復(fù)過磅行為識別方法及裝置

在審

• 申請?zhí)枺?/td>: 202110205231.6
• 申請日: 2021-02-24
• 公開（公告）號: CN112926649A
• 公開（公告）日: 2021-06-08
• 發(fā)明（設(shè)計）人: 李繼凱
• 申請（專利權(quán)）人: 北京優(yōu)創(chuàng)新港科技股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 成都余行專利代理事務(wù)所(普通合伙) 51283
• 代理人: 羅小雨

1.一種煙框重復(fù)過磅行為識別方法，其特征在于，所述方法包括以下步驟：

S1：卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練：得到訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型；

S2：數(shù)據(jù)采集：通過攝像頭獲取煙框過磅過程中的時序連續(xù)的實時圖像集；

S3：磅所在區(qū)域的位置確定：標(biāo)記所述實時圖像集中磅所在區(qū)域的位置；

S4：煙框位置檢測：通過訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型對所述實時圖像集中的每一幀實時圖像進行處理，獲取所述實時圖像集中的每個煙框的位置，根據(jù)所述每個煙框初次獲取到的先后順序?qū)λ雒總€煙框進行順序編號。

S5：煙框軌跡建立：采用最近鄰跟蹤算法對所述實時圖像集中的每個煙框的運動軌跡進行跟蹤，獲得每個所述煙框的運動軌跡；

S6：煙框重復(fù)過磅行為識別：根據(jù)每個所述煙框的運動軌跡以及所述磅所在區(qū)域的位置，判斷每個所述煙框進入所述磅所在區(qū)域的次數(shù)，若煙框的運動軌跡進入所述磅所在的區(qū)域的次數(shù)大于1，則判定所述煙框出現(xiàn)重復(fù)過磅行為。

2.根據(jù)權(quán)利要求1所述的一種煙框重復(fù)過磅行為識別方法，其特征在于，所述步驟S1具體步驟包括：

S11：通過攝像頭采集圖像樣本集；

S12：對所述圖像樣本集進行預(yù)處理；

S13：構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)；

S14：對所述預(yù)處理后的圖像樣本集進行訓(xùn)練，得到所述訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型。

3.根據(jù)權(quán)利要求2所述的一種煙框重復(fù)過磅行為識別方法，其特征在于，對所述圖像樣本集的預(yù)處理步驟包括：

第一步，標(biāo)記所述圖像樣本集中所有圖像中目標(biāo)的位置所在的區(qū)域，制作訓(xùn)練樣本的標(biāo)簽，所述目標(biāo)為煙框；

第二步，對經(jīng)過所述第一步處理后的所述圖像樣本進行灰度調(diào)整，不改變標(biāo)記的所述目標(biāo)的位置；

第三步，對經(jīng)過所述第二步處理后的所述圖像樣本集進行色度調(diào)整，不改變標(biāo)記的所述目標(biāo)的位置；

第四步，對經(jīng)過所述第三步處理后的所述圖像樣本集進行裁剪或縮小處理：所述裁剪過程中保證所述目標(biāo)在裁剪區(qū)域內(nèi)，所述目標(biāo)的位置修改為裁剪圖像中目標(biāo)的實際位置；所述縮小處理過程中，所述圖像樣本邊界以外用黑色像素填充。

4.根據(jù)權(quán)利要求2所述的一種煙框重復(fù)過磅行為識別方法，其特征在于，所述卷積神經(jīng)網(wǎng)絡(luò)包括第一卷積層、第一最大值池化層、第二卷積層、第二最大值池化層、第三卷積層、第三最大值池化層、第四卷積層、第五卷積層、第六卷積層、回歸層，其中所述第一最大值池化層與所述第一卷積層串聯(lián)，所述第二卷積層與所述第一最大值池化層串聯(lián)，所述第二最大值池化層與所述第二卷積層串聯(lián)，所述第三卷積層與所述第二最大值池化層串聯(lián)，所述第三最大值池化層與所述第三卷積層串聯(lián)，所述第四卷積層與所述第三最大值池化層串聯(lián)，所述第五卷積層與所述第四卷積層串聯(lián)，所述第六卷積層與所述第五卷積層串聯(lián)，所述回歸層與所述第六卷積層串聯(lián)。

5.根據(jù)權(quán)利要求4所述的一種煙框重復(fù)過磅行為識別方法，其特征在于，步驟S14對所述預(yù)處理后的圖像樣本集進行訓(xùn)練中，采用隨機梯度下降對所述卷積神經(jīng)網(wǎng)絡(luò)中的卷積核參數(shù)進行優(yōu)化，使得損失函數(shù)的值收斂至預(yù)設(shè)值以下，得到所述訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型。

6.根據(jù)權(quán)利要求5所述的一種煙框重復(fù)過磅行為識別方法，其特征在于，使得所述損失函數(shù)的值收斂至0.3以下。

7.根據(jù)權(quán)利要求1所述的所述一種煙框重復(fù)過磅行為識別方法，其特征在于，所述步驟S5中采用最近鄰跟蹤算法對每個所述煙框進行跟蹤，具體為：根據(jù)步驟S4獲得的所述實時圖像集中的每個煙框的位置，對初始幀中檢測到的每個煙框建立煙框的運動軌跡，所述初始幀就是煙框在畫面中出現(xiàn)的第一幀，根據(jù)所述第一幀中檢測到的每個所述煙框位置確定每個所述煙框的運動軌跡的起點，所述煙框的運動軌跡的預(yù)推位置表示下一幀中所述煙框的估計出現(xiàn)位置；在后續(xù)的每一幀圖像中，比較根據(jù)步驟S4獲得的所述實時圖像集中的每個煙框的位置與所述煙框的運動軌跡的預(yù)推位置之間的距離，將每個根據(jù)步驟S4獲得的所述實時圖像集中的每個煙框的位置添加到距其最近所述煙框的運動軌跡中，并更新下一幀圖像中的每個所述煙框的運動軌跡的預(yù)推位置。