一种基于多特征融合的刀具识别方法、装置以及设备制造方法及图纸

技术编号:18592734 阅读:26 留言:0更新日期:2018-08-04 20:06
本申请公开了一种基于多特征融合的刀具识别方法、装置以及设备,方案包括:识别带有刀具的图像,以得到待识别的刀具图像,对刀具图像进行粗分类以及提取结构特征,根据提取的刀具图像的结构特征,提取刀具图像的非结构特征,通过将非结构特征与预设刀具样例图像对应的非结构特征进行相似度对比,以得到相似度对比结果,利用相似度对比结果,确定刀具图像对应的刀具细分类别,根据刀具细分类别,识别刀具图像中刀具的性质。通过该方案能够更可靠地识别刀具。

Tool recognition method, device and equipment based on multi feature fusion

The present application discloses a tool recognition method, device and equipment based on multi feature fusion. The scheme includes: identifying the image with the tool to get the image of the tool to be identified, the rough classification of the tool image and the extraction of the structure features, and the extraction of the tool image according to the structural features of the extracted tool image. By comparing the non structural features with the non structural features corresponding to the presupposed tool sample image, the similarity contrast results are obtained, and the tool subdivision category corresponding to the tool image is determined by similarity contrast results, and the tool properties in the tool image are identified according to the tool subdivision category. The tool can be more reliably identified by this scheme.

【技术实现步骤摘要】
一种基于多特征融合的刀具识别方法、装置以及设备
本申请涉及图像识别领域,尤其涉及一种基于多特征融合的刀具识别方法、装置以及设备。
技术介绍
为了提高保证飞机、地铁等交通方式的安全性,通常要对乘客进行安检,刀具是安检过程中重点检测的一类物品。常规安检中对刀具的识别主要是靠安保人员进行人工识别,这一过程对安保人员对刀具种类的知识水平具有较高的要求,并且人工判断主观性强,容易造成错识误识。基于此,需要一种更为可靠的刀具识别方案。
技术实现思路
本申请的一些实施例提供一种基于多特征融合的刀具识别方法、装置以及设备,用以解决现有技术中的如下技术问题:需要一种更为可靠的刀具识别方案。本申请的一些实施例采用下述技术方案:一种基于多特征融合的刀具识别方法,包括:识别带有刀具的图像,以得到待识别的刀具图像;对所述刀具图像进行粗分类以及提取结构特征;根据提取的所述刀具图像的结构特征,提取所述刀具图像的非结构特征;通过将所述非结构特征与预设刀具样例图像对应的非结构特征进行相似度对比,以得到相似度对比结果;利用所述相似度对比结果,确定所述刀具图像对应的刀具细分类别;根据所述刀具细分类别,识别所述刀具图像中刀具的性质。可选地,所述对所述刀具图像进行粗分类以及提取结构特征,具体包括:利用基于第一标注样本训练过的机器学习模型,对所述刀具图像进行粗分类以及提取结构特征;其中,所述第一标注样本为刀具图像,标注的内容包括对应的:刀具粗分类别、刀具结构信息。可选地,所述刀具结构信息包括:刀具尺寸信息,和/或刀具组成部分的位置关系信息。可选地,基于第一标注样本训练机器学习模型,具体包括:基于第一标注样本,以多任务训练方式,对机器学习模型进行类别分类训练和结构特征回归训练。可选地,所述根据提取的所述刀具图像的结构特征,提取所述刀具图像的非结构特征,具体包括:利用基于第二标注样本训练过的机器学习模型,根据提取的所述刀具图像的结构特征,提取所述刀具图像的非结构特征;其中,所述第二标注样本为刀具图像,标注的内容包括对应的刀具细分类别。可选地,所述基于第二标注样本训练过的机器学习模型包括卷积神经网络。可选地,所述非结构特征包括全局非结构特征和局部非结构特征;所述根据提取的所述刀具图像的结构特征,提取所述刀具图像的非结构特征,具体包括:将所述刀具图像输入所述卷积神经网络进行处理,得到最后一个卷积层输出的分类特征,作为所述刀具图像的全局非结构特征;根据所述刀具图像的全局非结构特征和提取的所述刀具图像的结构特征,提取所述刀具图像的局部非结构特征。一种基于多特征融合的刀具识别装置,包括:获取模块,识别带有刀具的图像,以得到待识别的刀具图像;粗分类提取模块,对所述刀具图像进行粗分类以及提取结构特征;第二提取模块,根据提取的所述刀具图像的结构特征,提取所述刀具图像的非结构特征;对比模块,通过将所述非结构特征与预设刀具样例图像对应的非结构特征进行相似度对比,以得到相似度对比结果;细分类模块,利用所述相似度对比结果,确定所述刀具图像对应的刀具细分类别;识别模块,根据所述刀具细分类别,识别所述刀具图像中刀具的性质。可选地,所述粗分类提取模块对所述刀具图像进行粗分类以及提取结构特征,具体包括:所述粗分类提取模块利用基于第一标注样本训练过的机器学习模型,对所述刀具图像进行粗分类以及提取结构特征;其中,所述第一标注样本为刀具图像,标注的内容包括对应的:刀具粗分类别、刀具结构信息。一种基于多特征融合的刀具识别设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:识别带有刀具的图像,以得到待识别的刀具图像;对所述刀具图像进行粗分类以及提取结构特征;根据提取的所述刀具图像的结构特征,提取所述刀具图像的非结构特征;通过将所述非结构特征与预设刀具样例图像对应的非结构特征进行相似度对比,以得到相似度对比结果;利用所述相似度对比结果,确定所述刀具图像对应的刀具细分类别;根据所述刀具细分类别,识别所述刀具图像中刀具的性质。本申请的一些实施例采用的上述至少一个技术方案能够达到以下有益效果:通过刀具图像的结构特征和非结构特征相融合的识别方式,能够更为可靠地对刀具进行识别。附图说明此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:图1为本申请的一些实施例提供的基于多特征融合的刀具识别方法的流程示意图;图2为本申请的一些实施例提供的识别刀具的前置工作的一种详细流程示意图;图3为本申请的一些实施例提供的基于多特征融合的刀具识别设备的结构示意图;图4为本申请的一些实施例提供的基于多特征融合的刀具识别装置的结构示意图。具体实施方式为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。图1为本申请的一些实施例提供的基于多特征融合的刀具识别方法的流程示意图。在该流程中,从设备角度而言,执行主体可以为安检相关设备,当然,该方法若用于安检以外的其他场景,则执行主体可以是其他相应的服务器或者终端,本申请对此不做具体限定。另外,从程序角度而言,本申请实施例中的一些步骤的执行主体可以为上述设备中安装的程序。该程序的形式可以是客户端或者网页端等,本申请对此不作具体限定。图1中的流程可以包括以下步骤:S102:识别带有刀具的图像,以得到待识别的刀具图像。在本申请的一些实施例中,原始的图像可以包括通过诸如照相机、监控摄像头等普通的摄像设备采集的图像,也可以包括通过诸如安检仪等安检设备中特殊的扫描设备采集的图像。从这些原始的图像中可以识别出带有刀具的图像,并进一步对刀具图像中的刀具进行性质识别,以确定是否符合相关规定,是否需要进行管制等。S104:对所述刀具图像进行粗分类以及提取结构特征。在本申请的一些实施例中,步骤S104可以基于预先训练的至少一个机器学习模型实现。比如,由一个机器学习模型对刀具图像进行粗分类以及提取结构特征;或者,由一个机器学习模型对刀具图像进行粗分类,由另一个机器学习模型对刀具图像提取结构特征;等等。在本申请的一些实施例中,刀具粗分类别是预先根据刀具的属性划分的。比如,匕首类别、菜刀类别、西瓜刀类别等,当然,划分方式并非唯一。一般地,不同的刀具粗分类别对应的刀具结构有较为明显的差异,从外观上也比较容易区分。在本申请的一些实施例中,结构特征可能反映诸如刀具尺寸(比如,刀具长宽比、刀身长度、刀具宽度等)、刀具组成部分的位置关系(比如,刀柄与刀身的位置关系等)、刀尖角度等结构方面的信息。S106:根据提取的所述刀具图像的结构特征,提取所述刀具图像的非结构特征。在本申请的一些实施例中,步骤S106可以基于预先训练的至少一个机器学习模型实现。比如,由一个基于卷积神经网络的机器学习模型实现,非结构特征包括全局非结构特征和/或局部非结构特征本文档来自技高网...

【技术保护点】
1.一种基于多特征融合的刀具识别方法,其特征在于,包括:识别带有刀具的图像,以得到待识别的刀具图像;对所述刀具图像进行粗分类以及提取结构特征;根据提取的所述刀具图像的结构特征,提取所述刀具图像的非结构特征;通过将所述非结构特征与预设刀具样例图像对应的非结构特征进行相似度对比,以得到相似度对比结果;利用所述相似度对比结果,确定所述刀具图像对应的刀具细分类别;根据所述刀具细分类别,识别所述刀具图像中刀具的性质。

【技术特征摘要】
1.一种基于多特征融合的刀具识别方法,其特征在于,包括:识别带有刀具的图像,以得到待识别的刀具图像;对所述刀具图像进行粗分类以及提取结构特征;根据提取的所述刀具图像的结构特征,提取所述刀具图像的非结构特征;通过将所述非结构特征与预设刀具样例图像对应的非结构特征进行相似度对比,以得到相似度对比结果;利用所述相似度对比结果,确定所述刀具图像对应的刀具细分类别;根据所述刀具细分类别,识别所述刀具图像中刀具的性质。2.如权利要求1所述的方法,其特征在于,所述对所述刀具图像进行粗分类以及提取结构特征,具体包括:利用基于第一标注样本训练过的机器学习模型,对所述刀具图像进行粗分类以及提取结构特征;其中,所述第一标注样本为刀具图像,标注的内容包括对应的:刀具粗分类别、刀具结构信息。3.如权利要求2所述的方法,其特征在于,所述刀具结构信息包括:刀具尺寸信息,和/或刀具组成部分的位置关系信息。4.如权利要求2所述的方法,其特征在于,基于第一标注样本训练机器学习模型,具体包括:基于第一标注样本,以多任务训练方式,对机器学习模型进行类别分类训练和结构特征回归训练。5.如权利要求1所述的方法,其特征在于,所述根据提取的所述刀具图像的结构特征,提取所述刀具图像的非结构特征,具体包括:利用基于第二标注样本训练过的机器学习模型,根据提取的所述刀具图像的结构特征,提取所述刀具图像的非结构特征;其中,所述第二标注样本为刀具图像,标注的内容包括对应的刀具细分类别。6.如权利要求5所述的方法,其特征在于,所述基于第二标注样本训练过的机器学习模型包括卷积神经网络。7.如权利要求6所述的方法,其特征在于,所述非结构特征包括全局非结构特征和局部非结构特征;所述根据提取的所述刀具图像的结构特征,提取所述刀具图像的非结构特征,具体包括:将所述刀具图像输入所述卷积神经网络进行...

【专利技术属性】
技术研发人员:彭莉刘丹刘洋
申请(专利权)人:新智数字科技有限公司
类型:发明
国别省市:河北,13

网友询问留言 已有0条评论
  • 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。

1