一种基于Faster R-CNN的武器识别方法技术

本发明专利技术涉及一种基于Faster R‑CNN的武器识别方法包括以下步骤：步骤S1:采集包含武器的图像,并构成图像数据集；步骤S2:对图像数据集进行预处理，并分成训练集和测试集；步骤S3:将训练集输入预训练模型中进行训练，得到识别模型；步骤S4:将测试集输入识别模型，输出测试图像中武器的类别，以及对预测结果的准确率。本发明专利技术能够对图像中的武器进行识别，且可同时识别多个武器，精度较高。

【技术实现步骤摘要】
一种基于FasterR-CNN的武器识别方法
本专利技术涉及图像识别领域，具体涉及一种基于FasterR-CNN的武器识别方法。
技术介绍
随着当今社会的发展，人民的生活水平不断提高，但是各种安全问题依旧存在，其中持械伤人事件占一大部分的比例。如果能在持械嫌疑人犯罪之前就检测出其携带着武器，那么就可以对其进行有效的监控，必要时在持械嫌疑人犯罪之前采取进一步的措施，以防止危险事件发生，从而提高社会安全程度。目前常见的安全监控手段主要是利用摄像头获取相关信息，但是其存在一些问题，绝大部分的摄像头传回后台的监控视频没有进行24小时监管，甚至无人看管，导致极有可能错过对危险武器的识别，使得监控只能作为后期证据的调用，然而这时候危险事件已经发生，造成的后果已无法挽回。因此，如果能够及时识别出危险武器，那么就可以在危险事件发生前对持械嫌疑人进行有效控制，从而降低危险事件发生的概率，可见武器识别对维护社会安全稳定有着重要作用。随着深度学习的飞速发展，其应用场景也越来越广泛，自动并且实时处理监控视频已经成为可能。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于FasterR-CNN的武器识别方法。为实现上述目的，本专利技术采用如下技术方案：一种基于FasterR-CNN的武器识别方法，包括以下步骤：步骤S1:采集包含武器的图像,并构成图像数据集；步骤S2:对图像数据集进行预处理，并利用labelImg工具对图像进行标注后分成训练集和测试集；步骤S3:将训练集输入预训练模型中进行训练，得到识别模型；步骤S4:将测试集输入识别模型，输出测试图像中武器的类别，以及对预测结果的准确率。进一步的，所述图像采集是利用requests方式向网页发送一个请求，然后通过get的回应以及BeautifulSoup的信息筛选，得到所需要的武器图像；所述图像数据集包括刀、手枪和步枪的武器图像。进一步的，所述预处理具体为剔除不清晰、玩具武器和动画武器的图像。进一步的，所述预训练模型采用faster_rcnn_inception_v2_coco模型，在训练过程中训练过程中，初始学习率设置为0.0002，最大迭代次数设置为200,000。进一步的，所述预测结果的准确率是指对识别出的武器进行定位，然后用矩形框框出其位置，并标出识别的置信度。本专利技术与现有技术相比具有以下有益效果：本专利技术能够对图像中的武器进行快速识别，且可同时识别多个武器，精度高。附图说明图1是本专利技术原理流程框图；图2是本专利技术一实施例数据集中的数据示意图；图3是本专利技术一实施例中FasterR-CNN的流程图；图4是本专利技术一实施例中训练过程的损失值函数图；图5本专利技术一实施例中位测试结果图。具体实施方式下面结合附图及实施例对本专利技术做进一步说明。请参照图1，本专利技术提供一种基于FasterR-CNN的武器识别方法，包括以下步骤：步骤S1:采集包含武器的图像,并构成图像数据集；述图像采集是利用requests方式向网页发送一个请求，然后通过get的回应以及BeautifulSoup的信息筛选，得到所需要的武器图像；所述图像数据集包括刀、手枪和步枪的武器图像；步骤S2:对图像数据集进行预处理，并利用labelImg工具对图像进行标注，然后按照8:2的比例随机分成训练集和测试集步骤S3:将训练集输入预训练模型中进行训练，得到识别模型；步骤S4:将测试集输入识别模型，输出测试图像中武器的类别，以及对预测结果的准确率。在本实施例中，所述预训练模型采用faster_rcnn_inception_v2_coco模型，在训练过程中训练过程中，初始学习率设置为0.0002，最大迭代次数设置为200,000。本实施例采用的，FasterR-CNN运行，包括以下步骤：1、将整张图像输入到卷积神经网络，得到特征图。2、将卷积特征输入到RPN当中，以此得到候选区域的特征信息。3、使用分类器判断对候选区域中提取出来的特征是否属于某一个类别。4、使用回归器对属于某一类别的候选区域的位置进行调整。在本实施例中，所述预测结果的准确率是指对识别出的武器进行定位，然后用矩形框框出其位置，并标出识别的置信度。以上所述仅为本专利技术的较佳实施例，凡依本专利技术申请专利范围所做的均等变化与修饰，皆应属本专利技术的涵盖范围。本文档来自技高网...

【技术保护点】
1.一种基于Faster R‑CNN的武器识别方法，其特征在于，包括以下步骤：步骤S1:采集包含武器的图像,并构成图像数据集；步骤S2:对图像数据集进行预处理，并利用labelImg工具对图像进行标注后分成训练集和测试集；步骤S3:将训练集输入预训练模型中进行训练，得到识别模型；步骤S4:将测试集输入识别模型，输出测试图像中武器的类别，以及对预测结果的准确率。

【技术特征摘要】
1.一种基于FasterR-CNN的武器识别方法，其特征在于，包括以下步骤：步骤S1:采集包含武器的图像,并构成图像数据集；步骤S2:对图像数据集进行预处理，并利用labelImg工具对图像进行标注后分成训练集和测试集；步骤S3:将训练集输入预训练模型中进行训练，得到识别模型；步骤S4:将测试集输入识别模型，输出测试图像中武器的类别，以及对预测结果的准确率。2.根据权利要求1所述的一种基于FasterR-CNN的武器识别方法，其特征在于：所述图像采集是利用requests方式向网页发送一个请求，然后通过get的回应以及BeautifulSoup的信息筛选，得到所需要的武器图像；所述图像数...

【专利技术属性】
技术研发人员：吴丽君，李斌斌，陈志聪，宋春歌，程树英，林培杰，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35