【技术实现步骤摘要】
基于卷积神经网络的监控视频中人车目标分类方法
本专利技术涉及一种基于卷积神经网络的监控视频中人车目标分类方法,属于模式识别
技术介绍
随着社会的不断发展,公共安全防范已经成为城市现代化的重要基础,视频监控系统作为安全防范系统的重要组成部分,发挥着重要的作用,在城市道路交通领域,广泛使用视频监控系统实时记录人、车的交通行为,利用卷积神经网络识别监控视频中的人、车等目标,能够极大的提高各类交通案件的处置效率。现有的监控视频中人车分类方法,分类精度不高,且实时性不够强。
技术实现思路
鉴于上述原因,本专利技术的目的在于提供一种基于卷积神经网络的监控视频中人车目标分类方法,利用多角度的样本图片对卷积神经网络进行有针对性的训练、调整,能够达到较高的人车分类准确率。为实现上述目的,本专利技术采用以下技术方案:一种基于卷积神经网络的监控视频中人车目标分类方法,包括:S1:获取多角度性的样本集,并将样本集划分为训练样本集、验证样本集和测试样本集;S2:建立卷积神经网络;S3:将训练样本集中的样本图片先减去每个像素点对应的均值,然后作为训练数据输入该卷积神经网络,进行有监督的学习,得到训练后的卷积神经网络的各层的参数;S4:利用训练后的卷积神经网络的各层的参数,初始化与步骤S2中所述卷积神经网络结构相同的卷积神经网络,得到具有监控视频中人车目标分类功能的图像识别网络。所述步骤S1中,所述多角度性的样本集的获取方法是:采集大量的监控视频中的人、车、非人非车的图片,将所有图片缩放到同等像素大小的图片,在所有图片中添加用于区别人、车、非人非车图片的标签,对所有图片进行镜像、 ...
【技术保护点】
基于卷积神经网络的监控视频中人车目标分类方法,其特征在于,包括:S1:获取多角度性的样本集,并将样本集划分为训练样本集、验证样本集和测试样本集;S2:建立卷积神经网络;S3:将训练样本集中的样本图片先减去每个像素点对应的均值,然后作为训练数据输入该卷积神经网络,进行有监督的学习,得到训练后的卷积神经网络的各层的参数;S4:利用训练后的卷积神经网络的各层的参数,初始化与步骤S2中所述卷积神经网络结构相同的卷积神经网络,得到具有监控视频中人车目标分类功能的图像识别网络。
【技术特征摘要】
1.基于卷积神经网络的监控视频中人车目标分类方法,其特征在于,包括:S1:获取多角度性的样本集,并将样本集划分为训练样本集、验证样本集和测试样本集;S2:建立卷积神经网络;S3:将训练样本集中的样本图片先减去每个像素点对应的均值,然后作为训练数据输入该卷积神经网络,进行有监督的学习,得到训练后的卷积神经网络的各层的参数;S4:利用训练后的卷积神经网络的各层的参数,初始化与步骤S2中所述卷积神经网络结构相同的卷积神经网络,得到具有监控视频中人车目标分类功能的图像识别网络。2.根据权利要求1所述的基于卷积神经网络的监控视频中人车目标分类方法,其特征在于,所述步骤S1中,所述多角度性的样本集的获取方法是:采集大量的监控视频中的人、车、非人非车的图片,将所有图片缩放到同等像素大小的图片...
【专利技术属性】
技术研发人员:付景林,孟汉峰,侯玉成,张新中,王芊,丁明锋,鞠秀芳,柳炯,李永丰,王允升,杨永强,姜晓伟,
申请(专利权)人:北京大唐高鸿软件技术有限公司,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。