一种基于RCNN的图像检测以及流量统计方法技术

本发明专利技术涉及一种基于RCNN的图像检测以及流量统计方法，采用了先提取region proposal，然后利用ROI正规化到指定大小，利用卷积网络进行特征提取，最后利用SVM为每个类别做一个分类器进行分类以确定是否采用某个proposal；并对视频中通过的特定物体的数量进行流量统计。与现有技术相比，本发明专利技术测试结果与人眼结果比较达到了95％的准确率，较原算法有了极大的改进。

【技术实现步骤摘要】

本专利技术涉及图像检测方法及流量统计方法，尤其是涉及一种基于RCNN的图像检测以及流量统计方法。
技术介绍
所谓图像检测，就是通过图像对感兴趣的特征区域(检测目标)进行提取的过程，其中图像是承载检测目标的载体，检测目标需要事先进行特征提取、归纳，最终通过相应算法分离出来。图像检测方法主要是利用图像的灰度信息对目标进行分割，主要包括基于灰度闽值的日标检测方法和基于边缘信息的目标检测方法。在RCNN之前，大部分的图像检测算法在很多年间都达到了瓶颈，难以突破，最好的算法也是将多种底层特征和高层语义结合进行图像检测。对于特征的提取，一直以来都是SIFT(D.Lowe.Distinctiveimagefeaturesfromscale-invariantkeypoints.IJCV,2004.1)以及HOG(N.DalalandB.Triggs.Histogramsoforientedgradientsforhumandetection.InCVPR,2005.)的变形，难以有重大突破。SIFT和HOG都是像素块上的模型进行特征表示，我们可以粗略的把其和大脑皮层中V1层联系到一起，而我们也知道识别发生在高层皮层区，所以对于高层特征的提取和检测就即为重要。CNN(K.Fukushima.Neocognitron:Aself-organizingneuralnetworkmodelforamechanismofpatternrecognitionunaffectedbyshiftinposition.Biologicalcybernetics,36(4):193–202,1980)由Fukushima受生物学发现的影响提出，虽然中间因SVM崛起且当时计算能力不足而受到压制，但是2012年LeCun(A.Krizhevsky,I.Sutskever,andG.Hinton.ImageNetclassificationwithdeepconvolutionalneuralnetworks.InNIPS,2012.)在CNN中使用了max(x；0)rectifyingnon-linearitiesand“dropout”regularization等技巧而使得CNN在ImageNet比赛中表现突出，体现了其极强的特征提取能力，并且具有较好的高层特征提取能力。因此考虑将CNN应用到图像检测领域，经验证，取得了显著成果。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于RCNN的图像检测以及流量统计方法。本专利技术的目的可以通过以下技术方案来实现：一种基于RCNN的图像检测以及流量统计方法，采用了先提取regionproposal，然后利用ROI正规化到指定大小，利用卷积网络进行特征提取，最后利用SVM为每个类别做一个分类器进行分类以确定是否采用某个proposal；并对视频中通过的特定物体的数量进行流量统计。该方法具体包括以下步骤：第一步：利用与检测物体无关的普适提取regionproposal的方法提取regionproprosal；第二步：因为提取得到的regionproposal看做是任意大小的矩形，而CNN的输入应为227x227pixelsize的图片，所以对提出的regionproposal做正规化处理，使得处理后的图像为227x227pixelsize；第三步：特征提取，利用5层卷积2层全连接的CNN网络对图片进行特征提取，其中227x227pixelsize的图片得到4096维特征；第四步：利用特征进行分类，根据分类结果选取proposal；第五步：利用统计结果对出现物体进行判别统计，得出流量统计的结果。优选地，所述的第五步包括：通过结合前后几张picture的信息，将个别性的误判消除。优选地，所述的第五步包括：如果一个object从未被遮挡状态转入被遮挡状态，之后再次出现不会被判定为两次出现；如果一个物体从被遮挡状态直接出现，而不是从视频到边缘处出现，可以进行识别并计数。优选地，所述的第五步包括：RCNN将一些物体认为成我们所需要的object，并且持续的标记通过对圈的形状的设定，进行了规避。优选地，所述的第五步包括：利用相邻两帧之间的物体距离进行物体判定与跟踪，包括四种状态以及四种状态之间的转换，具体为：待定出现到确认出现：利用待定出现的累计次数作为变量进行判断，当其达到特定数量时进行转换；确认出现到待定消失：若物体消失，则判断是否出现遮挡，如果不存在遮挡则由确认出现转换到待定消失；待定消失到确认消失：利用待定消失的累计次数作为变量进行判断，当其达到特定数量时进行转换。与现有技术相比，本专利技术基于RCNN的处理结果，充分利用视频中时间轴的信息得到了一个适用于普通视频，可以任意位置方向进出的流量统计算法，并可以处理物体重叠现象，测试结果与人眼结果比较达到了95％的准确率，较原算法有了极大的改进。附图说明图1为本专利技术的流程图。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。RCNN为了克服之前提到的缺点，并充分利用CNN强大的提取特征以及分类的能力，采用了先提取regionproposal，然后利用ROI正规化到指定大小，利用卷积网络进行特征提取，最后利用SVM为每个类别做一个分类器进行分类以确定是否采用某个proposal.流量统计是对视频中通过的特定物体的数量进行统计，由于视角、检测质量等因素的影响，精确测量流量对于计算机来说是个较困难的任务。通过对情况进行限定，然后再逐步处理特定的特殊情况，可以对流量进行较准确的测量。经测试，这里给出的流量统计算法可以达到超过80％的准确率。本次因为问题的特殊性，我们对每个特定的物体(如人、车等)进行分类训练，进行微调。以下是RCNN以及利用结果进行流量统计的具体实现步骤：第一步：利用与检测物体无关的普适提取regionproposal的方法提取regionproprosal.如objectness(B.Alexe,T.Deselaers,andV.Ferrari.Measuringtheobjectnessofimagewindows.TPAMI,2012)，selectivesearch(J.Uijlings,K.vandeSande,T.Gevers,andA.Smeulders.Selectivesearchforobjectrecognition.IJCV,2013.)，category-independentobjectproposals(I.EndresandD.Hoiem.Categoryindependentobjectproposals.InECCV,2010)等等。第二步：因为提取得到的regionproposal可以看做是任意大小的矩形，而CNN的输入应为227x227pixelsize的图片，所以对提出的regionproposal做正规化处理，使得处理后的图像为227x227pixelsize.正规化的方法有很多种，如tightestsquarewithcontext，tightestsq本文档来自技高网...

【技术保护点】
一种基于RCNN的图像检测以及流量统计方法，其特征在于，采用了先提取region proposal，然后利用ROI正规化到指定大小，利用卷积网络进行特征提取，最后利用SVM为每个类别做一个分类器进行分类以确定是否采用某个proposal；并对视频中通过的特定物体的数量进行流量统计。

【技术特征摘要】
1.一种基于RCNN的图像检测以及流量统计方法，其特征在于，采用了先提取regionproposal，然后利用ROI正规化到指定大小，利用卷积网络进行特征提取，最后利用SVM为每个类别做一个分类器进行分类以确定是否采用某个proposal；并对视频中通过的特定物体的数量进行流量统计。2.根据权利要求1所述的一种基于RCNN的图像检测以及流量统计方法，其特征在于，该方法具体包括以下步骤：第一步：利用与检测物体无关的普适提取regionproposal的方法提取regionproprosal；第二步：因为提取得到的regionproposal看做是任意大小的矩形，而CNN的输入应为227x227pixelsize的图片，所以对提出的regionproposal做正规化处理，使得处理后的图像为227x227pixelsize；第三步：特征提取，利用5层卷积2层全连接的CNN网络对图片进行特征提取，其中227x227pixelsize的图片得到4096维特征；第四步：利用特征进行分类，根据分类结果选取proposal；第五步：利用统计结果对出现物体进行判别统计，得出流量统计的结果。3.根据权利要求2所述的一种基于RCNN的...

【专利技术属性】
技术研发人员：盛斌，申炳宇，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31