[发明专利]基于轻量型卷积神经网络的非机动车再识别目标检索方法

说明书

本发明提供基于轻量型卷积神经网络的非机动车再识别目标检索方法，包括以下步骤：(1)：从同一监控场景下采集多个摄像头的视频数据，并根据摄像头的具体分布位置截取有可能出现同一个目标的相应视频段；(2)：对不同视频段中出现相同目标进行抽帧，并保存为图片，再对图片中的目标进行标框，最后对目标图片进行编号整理成数据集；等其他步骤；本发明根据现有监控场景下的非机动车的视频数据，设计出一个资源占用少，识别率高的非机动车目标检索模型，工作人员只需提供待检索目标的图片，通过网络就能够在数据库自动识别、排序出所有的相似目标，由工作人员判断检索相似目标是否为真实目标，以此大幅提升工作效率同时极大减少了成本花销。

技术领域

本发明属于计算机视觉分析技术领域，具体涉及基于轻量型卷积神经网络的非机动车再识别目标检索方法。

背景技术

再识别技术其主要任务是为了在视角不交叠的摄像头中，将检测到相同的目标图片进行识别匹配出来。现如今随着视频监控技术的日益普及，每天都有海量的视频数据生成。面对如此庞大的数据量，如果只通过人工的方法进行识别，不仅将花费大量的人力和时间，并且识别的效果也不是很理想。如何通过高效、快速和低成本的方法来获取有价值的人员信息显的尤为重要。

在当前众多交通监控视频中，有许多非机动车辆，如自行车，电动车，电动三轮车等。由于非机动车的灵活性大，价格低等特点成为了很多不法分子的逃逸工具。由于人和人骑车在其特征表征上存在较大的差异，如果仅采用现有的行人再识别技术直接进行识别显然会造成识别率不高的问题。

此外，现有的基于常规卷积神经网络方法如专利[CN109740480A]进行非机动车检索方法为了提升识别率，采用了很深，参数量很大的网络，虽然识别的效果还不错，但其比较难在资源受限的硬件平台上如嵌入式设备、移动终端等进行部署。

针对上述所存在的问题，需要设计出基于轻量型卷积神经网络的非机动车再识别目标检索方法，通过该方法来满足当前监控场景的实际应用需求。

发明内容

有鉴于此，本发明提出一种基于轻量型卷积神经网络的非机动车再识别目标检索方法，根据现有监控场景下的非机动车的视频数据，设计出一个资源占用少，识别率高的非机动车目标检索模型，工作人员只需提供待检索目标的图片，通过网络就能够在数据库自动识别、排序出所有的相似目标，由工作人员判断检索相似目标是否为真实目标，以此大幅提升工作效率同时极大减少了成本花销。

为实现上述目的，本发明提供如下技术方案：

本发明基于轻量型卷积神经网络的非机动车再识别目标检索方法，其包括数据集制作模块，网络训练模块以及模型测试模块。其中数据集制作模块主要用于将采集的监控视频数据制作成为训练数据集，当然也包括数据增广技术，其目的是为了增加训练数据的多样性，提升网络的识别率和增强网络的泛化性能；网络训练模块主要包含网络结构设计，其目的用于网络的训练以及目标图片特征的提取；模型测试模块主要用于测试训练模型性能指标，以及其资源的利用率。

基于轻量型卷积神经网络的非机动车再识别目标检索方法，大致包括以下步骤：

步骤(1)：从同一监控场景下采集多个摄像头的视频数据，并根据摄像头的具体分布位置截取有可能出现同一个目标的相应视频段；

步骤(2)：对不同视频段中出现相同目标进行抽帧，并保存为图片，再对图片中的目标进行标框，最后对目标图片进行编号整理成数据集；

步骤(3)：轻量型网络结构的设计，网络分别结合了MoblieNet和Inception网络的特点，构造了14层轻量型的卷积网络结构，并通过Am-Softmax作为损失函数；

步骤(4)：根据步骤(2)中的目标集合数，将四分之三的目标作为训练集，剩余的四分之一的目标作为测试集，并通过仿射变换、随机旋转、添加随机噪声、随机裁剪和颜色增强等数据增广方式对数据进行训练；