一种基于深度学习的典型人物的身份识别方法技术

本发明专利技术涉及一种基于深度学习的典型人物的身份识别方法，涉及深度学习方法，从图像视频中自动判断典型人物的身份；包括构建具有标注信息的数据集；向加速区域生成神经网络输入具有标注信息的数据集得到模型框架，并进行模型训练得到典型人物身份识别的神经网络模型；利用训练后的典型人物身份识别的神经网络模型进行人物身份的识别和检测；即可较为成功的识别比较典型的人物身份，提高人物身份识别速度和准确性，在监狱管理和交通管理的工作中能起到很大的推进作用。

A method of identification of typical characters based on depth learning

The invention relates to a method for identification of typical characters based on deep learning, involving deep learning method, automatically determine the identity of characters from the typical image in the video; including building a data set with annotation information; marking information data set model framework to accelerate the regional generating neural network input, the model is trained by neural the network model of typical character identification; identification and detection of identity by using the neural network model of typical character identification after the training; the more successful you can identify the typical characters, improving the character recognition speed and accuracy, can play a significant role in promoting the prison management and traffic management work.

【技术实现步骤摘要】
一种基于深度学习的典型人物的身份识别方法
本专利技术涉及人物识别领域，特别涉及一种基于深度学习的典型人物的身份识别方法。
技术介绍
以下对本专利技术的相关技术背景进行说明，但这些说明并不一定构成本专利技术的现有技术。传统的机器学习一般都是经过原始数据到特征提取器到分类器或者检测器，最后在得到结果；而深度学习则不需要人工设计特征提取器，机器本身就可自动学习获得的，非常适合变化多样，类别繁多的自然数据，具有非常好的泛化能力和鲁棒性。目前可以实现典型人物身份识别的算法有很多种，比较传统的算法就是先用选择搜索进行候选区域的选择，然后再对其进行特征的提取，最后使用支持向量机等的分类器进行分类，最后得到一些可能的目标；但是这种传统的算法有很大的弊端，一是因为选择搜索非常的慢，这会消耗很长的时间，提高时间成本；二是因为像支持向量机之类的分类器分类结果并不理想，多样性差而且鲁棒性也不高。现今出现的神经网络由于具有很强的特征提取的特点，所以已经将目标检测人物识别放到了神经网络上来做，出现了后来的快速区域卷积神经网络对典型人物的身份进行识别；但是其识别的速度，准确性仍旧不高。因此，现有技术中需要一种能提本文档来自技高网...

【技术保护点】
一种基于深度学习的典型人物的身份识别方法，其特征在于包括：通过整合标注信息及图像建立具有标注信息的数据集；构建加速区域生成神经网络，并向其输入具有标注信息的数据集得到模型框架；所述加速区域生成神经网络包括用于提取候选框的区域建议生成网络和用于检测并识别目标的快速区域卷积神经网络；对模型框架进行模型训练得到典型人物身份识别的神经网络模型；利用训练后的典型人物身份识别的神经网络模型进行人物身份的识别和检测。

【技术特征摘要】
1.一种基于深度学习的典型人物的身份识别方法，其特征在于包括：通过整合标注信息及图像建立具有标注信息的数据集；构建加速区域生成神经网络，并向其输入具有标注信息的数据集得到模型框架；所述加速区域生成神经网络包括用于提取候选框的区域建议生成网络和用于检测并识别目标的快速区域卷积神经网络；对模型框架进行模型训练得到典型人物身份识别的神经网络模型；利用训练后的典型人物身份识别的神经网络模型进行人物身份的识别和检测。2.根据权利要求1所述的身份识别方法，在建立具有标注信息的数据集之前，所述身份识别方法还包括：采用图像标注对收集的典型人物图像进行特征标注，同时生成标注信息。3.根据权利要求2所述的身份识别方法，其特征在于：所述标注信息包括图像的名字，位置的坐标以及标签，所述标签为典型人物的身份；所述特征标注采用框图的形式。4.根据权利要求3所述的身份识别方法，其特征在于：所述区域建议生成网络包括共享卷积层、滑动窗口、第一全连接层；所述快速区域卷积神经网络包括第一卷积层、池化层、第二全连接层；向加速区域生成神经网络输入具有标注信息的数据集后进行典型人物身份识别的神经网络模型的框架构建，步骤如下：首先具有标注信息的数据集传播入区域建议生成网络的共享卷积层用于进行原始特征的提取得到区域特征图，并且具有标注信息的数据集继续前向传播入快速区域卷积神经网络的第一卷积层用于进行特征的提取得到高维特征图；经过共享卷积层得到的区域特征图通过第一全连接层分类后得到区域建议信息和区域得分信息；将区域建议信息以及通过第一卷积层得到的高维特征图一起输入至快速区域卷积神经网络的池化层从而提取出区域建议信息的特征；将得到的区域建议信息的特征通过第二全连接层分类得到分类得分信息和回归后的边界框，即分类层和回归层；通过分类层确定类别，通过回归层确定位置，即可得到典型人物身份识别的神经网络模型的模型框架。5.根据权利要求4所述的身份识别方法，其特征在于：所述共享卷积层为包括五个卷积层的网络模型，通过共享卷积层产生原始图像的区域特征图；所述第一全连接层为两个全连接层。6.根据权利要求5所述的身份识别方法，其特征在于：所述区域特征图进入第一全连接层前需要经过滑动窗口，滑动窗口在特征图上进行滑动扫描，每个滑动窗口通过卷积层映射为256维的特征向量送入第一全连接层。7.根据权利要求6所述的身份识别方法，在对模型框架进行模型训练前，所述身份识别方法还包括：预先设置网络参数，对数据集的设置类别分类，对分类层和回归层的输出设...

【专利技术属性】
技术研发人员：贾伟光，杨阳，牟骏，邢辰，刘晓骐，袁鑫，刘云霞，周林林，李夏，曾天亮，
申请(专利权)人：山东中磁视讯股份有限公司，
类型：发明
国别省市：山东,37