The invention provides a target difference detection method and a target difference detection device based on depth learning. The method includes: first forward propagation of the first target image to calculate the first eigenvector and record the first state value of the network model through the trained network model, second forward propagation of the second target image to calculate the second eigenvector and record the second state value of the network model according to the first and first state values. Two eigenvectors are used to determine whether the first target image is similar to the second target image; when the first and second eigenvectors are similar, the difference vectors are calculated according to the first and second eigenvectors; and the difference vectors are used as gradients to propagate back through the network model with the first state value to obtain the first differential thermogram. The second differential thermal diagram is obtained through second reverse propagation through a network model with second state values. By adopting the invention, the difference between similar targets can be detected effectively.
【技术实现步骤摘要】
基于深度学习的目标差异性检测方法和目标差异性检测设备
本专利技术涉及深度学习以及视频监控领域,尤其涉及一种基于深度学习的目标差异性检测方法和目标差异性检测设备。
技术介绍
在视频监控领域,很多时候需要在不同摄像头中找到同一个人,比如罪犯的行踪,在商场找到走丢的儿童或老人等。人脸识别是较为准确的一种视频识别技术,但它依赖于视频拍摄角度,只有正面人脸才能达到较高的识别率。然而,很多时候,无法在监控视频中看到人脸,可能只能看到人的背影或人的侧面,或人脸被帽子口罩遮档。不依赖于人脸识别技术,通过对人的整体特征来进行识别的技术被称为行人重识别技术(personreID)。但是因为行人重识别是对人的整体特征进行识别,不同摄像头采集到的行人的角度不同,识别难度大,因此识别准确率没有人脸识别高,该技术可以找到很多相似的人,可以用于跨摄像头视频检索的初选筛查。深度学习利用大量样本来训练深度神经网络,进而进行特征提取,被广泛应用于计算机视觉领域,用于进行目标检测,人脸识别等。下面给出的专利文献1和非专利文献2公开了利用深度学习来进行行人重识别的技术。专利文献1(公开号CN105354548A,公开日2016年2月24日)公开了一种基于ImageNet检索的监控视频行人重识别方法。该方法利用imageNet深度学习网络来更好地适应光照、视角、姿态和尺度的变化,有效提升了跨摄像头环境下行人重识别结果的精度和鲁棒性。非专利文献2(W.Li、R.Zhao、T.Xiao和X.Wang,IEEEInternationalConferenceonComputerVisionandPatte ...
【技术保护点】
1.一种基于深度学习的目标差异性检测方法,其特征在于,所述检测方法包括以下步骤:通过训练好的网络模型,对第一目标图像进行第一前向传播,以计算所述第一目标图像的第一特征向量,并且记录所述训练好的网络模型的每个网络节点在所述第一前向传播中获得的第一状态值;通过所述训练好的网络模型,对第二目标图像进行第二前向传播,以计算所述第二目标图像的第二特征向量,并且记录所述训练好的网络模型的每个网络节点在所述第二前向传播中获得的第二状态值;根据计算出的所述第一特征向量和所述第二特征向量,判断所述第一目标图像与所述第二目标图像是否相似;当判断所述第一目标图像与所述第二目标图像相似时,根据计算出的所述第一特征向量和所述第二特征向量,来计算差异向量;将计算出的所述差异向量作为梯度,通过所述每个网络节点具有所述第一状态值的所述训练好的网络模型,进行第一反向传播,以获得所述第一目标图像的第一差异热力图;以及将计算出的所述差异向量作为梯度,通过所述每个网络节点具有所述第二状态值的所述训练好的网络模型,进行第二反向传播,以获得所述第二目标图像的第二差异热力图。
【技术特征摘要】
1.一种基于深度学习的目标差异性检测方法,其特征在于,所述检测方法包括以下步骤:通过训练好的网络模型,对第一目标图像进行第一前向传播,以计算所述第一目标图像的第一特征向量,并且记录所述训练好的网络模型的每个网络节点在所述第一前向传播中获得的第一状态值;通过所述训练好的网络模型,对第二目标图像进行第二前向传播,以计算所述第二目标图像的第二特征向量,并且记录所述训练好的网络模型的每个网络节点在所述第二前向传播中获得的第二状态值;根据计算出的所述第一特征向量和所述第二特征向量,判断所述第一目标图像与所述第二目标图像是否相似;当判断所述第一目标图像与所述第二目标图像相似时,根据计算出的所述第一特征向量和所述第二特征向量,来计算差异向量;将计算出的所述差异向量作为梯度,通过所述每个网络节点具有所述第一状态值的所述训练好的网络模型,进行第一反向传播,以获得所述第一目标图像的第一差异热力图;以及将计算出的所述差异向量作为梯度,通过所述每个网络节点具有所述第二状态值的所述训练好的网络模型,进行第二反向传播,以获得所述第二目标图像的第二差异热力图。2.如权利要求1所述的目标差异性检测方法,其特征在于,根据计算出的所述第一特征向量和所述第二特征向量,判断所述第一目标图像与所述第二目标图像是否相似的步骤进一步包括以下步骤:计算所述第一特征向量与所述第二特征向量之间的欧式距离;将计算出的所述欧式距离与预定阈值进行比较;当所述欧式距离小于所述预定阈值时,判断所述第一目标图像与所述第二目标图像相似;以及当所述欧式距离大于等于所述预定阈值时,判断所述第一目标图像与所述第二目标图像不相似。3.如权利要求1所述的目标差异性检测方法,其特征在于,根据计算出的所述第一特征向量和所述第二特征向量,来计算所述差异向量的步骤进一步包括以下步骤:计算所述第一特征向量与所述第二特征向量之间的向量差;对所述向量差进行归一化计算,以获得归一化向量差,并且对所述归一化向量差中的各个元素取绝对值,将所述归一化向量差中的绝对值小于1/n的元素的值设置为0,以及将所述归一化向量差中的绝对值大于等于1/n的元素的值设置为1,以获得处理后的归一化向量差,其中n为所述归一化向量差中包含的元素的总维数;以及用所述处理后的归一化向量差对所述向量差进行加权计算,以获得所述差异向量。4.如权利要求1-3中任一项所述的目标差异性检测方法,其特征在于,采用包含拍摄所述第一目标图像的摄像头所拍摄的大量图像以及拍摄所述第二目标图像的摄像头所拍摄的大量图像的一组图像作为训练样本,来对预定网络模型进行训练,以获得所述训练好的网络模型。5.如权利要求4所述的目标差异性检测方法,其特征在于,所述预定网络模型为卷积神经网络。6.一种基于深度学习的目标差异性检测设备,其特征在于,所述检测设备包括相似性检测模块和差异性检测模块,其中:所述相似性检测模块进一步包括:第一前向传播装置,所述第一前向传播装置通过训练好的网络模型,对第一目标图像进行第一前向传播,以计算...
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。