[发明专利]行人标志物识别方法及装置

说明书

本申请提供一种行人标志物识别方法及装置，所述方法包括：将图像分割获得的ROI区域和图像特征依次经ROI池化层、两个第一全连接层、ROI卷积层、第二全连接层以及RNN隐藏层，并结合预设占比阈值，获得待检测标志物对应的区域标识；将当前RNN隐藏层输出的各ROI区域中待检测标志物的占比作为下一RNN隐藏层的一个输入，并对当前获得的区域标识分别进行粗粒度和细粒度合并，将各合并结果与图像特征结合作为新的输入，依次经ROI池化层、两个第一全连接层、ROI卷积层、第二全连接层以及所述下一RNN隐藏层；将每一RNN隐藏层输出的区域标识输入至第三全连接层，获得比例值，结合预设比例阈值，判断是否存在待检测标志物。

技术领域

本申请涉及图像处理领域，尤其涉及一种行人标志物识别方法及装置。

背景技术

行人识别是智能交通和智能监控系统的重要组成部分，行人标志物识别则不仅是行人识别的一个子分支，还是行人识别非常重要的补充。行人标志物识别可以为行人识别提供更加丰富的特征，提高识别的准确率。

行人标志物识别主要包括行人所携带的箱包、帽子、眼镜、雨伞等标志物的识别，尤以箱包识别区分度最大。其中，行人所带行李包一般可以分为单肩包、双肩包和手包，箱子则认为是拉杆箱。部分行人标识识别还包括了衣服的颜色，款式等特征。

现有技术提供了一种基于CNN(Convolutional Neural Networks，卷积神经网络)架构的箱帽包识别方法，其是以矩形框(框住整个物体)为单位进行目标识别。对于拉杆箱、单肩包和双肩包，在行人较多的情况下，或者特定的走路方向(例如行人背着双肩包正面走来)，可能只能看到拉杆、单肩带、双肩带或者其它箱体、包体被严重遮挡的状况，此时基于CNN架构的箱包识别方法就无法有效捕捉拉杆或者肩带等箱体、包体的部位，从而出现很大的漏检率或者误检率。而且，背带和拉杆都属于细长型的物体，直接作为目标检测难度很大。

发明内容

有鉴于此，本申请提供一种行人标志物识别方法及装置，以解决现有技术中存在的行人标志物识别不准确的问题。

具体地，本申请是通过如下技术方案实现的：

根据本申请的第一方面，提供一种行人标志物识别方法，所述方法包括：

对监控图像进行分割，获得若干ROI区域；

将监控图像输入Fast RCNN的ZF网络，获得所述监控图像的图像特征；

将所述ROI区域和图像特征作为输入，依次经ROI池化层、两个第一全连接层、ROI卷积层、第二全连接层以及RNN隐藏层，获得各ROI区域中待检测标志物的占比；

根据各ROI区域中所述待检测标志物的占比以及预设占比阈值，获得待检测标志物对应的区域标识；

将当前RNN隐藏层输出的各ROI区域中所述待检测标志物的占比作为下一RNN隐藏层的一个输入，并对当前获得的待检测标志物的区域标识分别进行粗粒度和细粒度合并，并将粗粒度合并后的区域标识与所述图像特征、细粒度合并后的区域标识与所述图像特征分别作为新的输入，依次经ROI池化层、两个第一全连接层、ROI卷积层、第二全连接层以及所述下一RNN隐藏层；

将每一RNN隐藏层输出的所述待检测标志物对应的区域标识输入至第三全连接层，学习获得所述待检测标志物对应的比例值，若所述比例值大于等于预设比例阈值，则判断存在该待检测标志物。

可选地，所述将监控图像输入Fast RCNN的ZF网络，获得所述监控图像的图像特征，具体包括：

将所述监控图像依次经所述ZF网络的前四个卷积层，获得所述监控图像的图像特征。

可选地，所述RNN隐藏层包括代价函数，所述代价函数由当前RNN隐藏层的输出和标志物的真值比例而生成，且所述代价函数的输出用于反向传递给所述当前RNN隐藏层。