【技术实现步骤摘要】
本专利技术涉及大数据，尤其涉及一种基于深度学习技术的可疑人员排查方法及机器人。
技术介绍
1、近年来，全国小区管理信息化工作实现了跨越式发展，取得了显著成绩，信息技术在小区安保各项工作中得到了广泛应用。目前，全国小区信息管理系统基本形成了以围栏、ab门为主体，红外对射、门禁、报警综合配套的立体式安防系统，视频监控点总量达到了45万个，20个省（区、市）已经形成了联网警报，联网指挥，联网管理体系，管理软件建设应用工作稳步推进，小区物业正逐步实现基层办公工作的数字化、无纸化、平台化、软件建设逐步从单一应用向平台化应用发展，迈入集约化、智能化发展阶段。逐步实现“四个网上”，即网上录入、网上管理、网上监督、网上考核。
2、现有技术所采用的技术方案存在以下缺陷：
3、信息资源综合利用水平不高，对于大数据、深度学习和机器人的重要价值认识程度不高，各项业务数据的部门化、条块化、碎片化问题严重，没有形成以安防研判为主线的信息共享、集成、分析挖掘体系，信息资源对安防工作的决策支持作用没有充分显现。不能做到防隐患于未然，对可疑人员未做重点关注，遭遇突发事件，对视频调取，视频分析太依赖人力来整合，例如对比时间，辨认地点，分辨人员，辨别数量等等，消耗更多时间去完成数据筛选而且也不够及时准确。
技术实现思路
1、本专利技术的主要目的在于提供一种基于深度学习技术的可疑人员排查方法及机器人，旨在提升可疑人员排查的准确性、实时性和排查效率。
2、为实现上述目的，本专利技术提出一
3、步骤s10，获取机器人在移动过程中通过摄像头感知到的人像视觉数据；
4、步骤s20，对所述人像视觉数据进行预处理，为人脸识别提供相应数据基础，并建立相应的物理环境体系，根据所述物理环境体系建立相应的环境约束；
5、步骤s30，通过多层残差神经网络进行图片特征提取，完成图像特征的多层分布式重现；
6、步骤s40，采用线性分类器进行图片预测输出，采用非极大抑制删除冗余的并且置信度小的人脸窗口；
7、步骤s50，根据深度数据产生相应的环境约束条件；
8、步骤s60，对经过多层残差神经网络检测识别后并通过语义环境约束条件优化后的结果进行处理。
9、本专利技术的进一步技术方案是，所述步骤s20中，对所述人像视觉数据进行预处理，为人脸识别提供相应数据基础的步骤包括：
10、采用色彩图片预处理方法对输入的色彩图片进行分割处理，将整幅图片分割为一块块的网格，如果其中的网格块出现人脸的中心，则将其网格标识为此人脸的一部分，而且对应于此网格，采用神经网络预测多个人脸包围框，并且对于此网格归属的人脸类别进行一定的置信度生成，为人脸识别提供相应数据基础。
11、本专利技术的进一步技术方案是，所述步骤s20中，对所述人像视觉数据进行预处理，建立相应的物理环境体系，根据所述物理环境体系建立相应的环境约束的步骤包括：
12、采用深度图片预处理方法产生室内环境下的约束条件，通过对距离数据的处理和对重力向量进行估计，从而建立相应的物理体系，根据此环境体系建立相应的环境约束。
13、本专利技术的进一步技术方案是，所述步骤s30，通过多层残差神经网络进行图片特征提取，完成图像特征的多层分布式重现的步骤包括：
14、卷积核特征提取和残差神经单元构造，将卷积核特征提取部分和残差部分作为神经网络的组成部分进行顺序叠加，从而形成深度特征提取神经网络，完成图像特征的多层分布式重现。
15、本专利技术的进一步技术方案是，所述卷积核特征提取和残差神经单元构造，将卷积核特征提取部分和残差部分作为神经网络的组成部分进行顺序叠加，从而形成深度特征提取神经网络，完成图像特征的多层分布式重现的步骤包括：
16、卷积核特征提取：给定一副图像，通过重复使用多种卷积核函数、块归一化单元和非线性矫正单元的方式提取适合人脸检测识别的图像特征，其中，卷积核函数是一个小的数据窗口，卷积操作即为数据窗口在全局图片区域上滑动，并且按数据窗口中的每一位与响应图片位求乘积并按数据窗口区域对结果进行求和，相应的卷积核函数和网络参数将通过训练来获得，非线性单元通过增加非线性来增强特征的表达能力，图片局部特征将作为神经网络的输入数据来完成预测包围框和人脸类别的生成处理；
17、残差神经单元构造：残差神经单元将前一特征单元的输出和输入相加作为下一层特征提取单元的输出。
18、本专利技术的进一步技术方案是，所述方法还包括：
19、根据所述机器人在移动过程中通过摄像头感知到的人像视觉数据确定目标可疑人员的类别，对所述目标可疑人员进行目标检测与定位。
20、本专利技术的进一步技术方案是，根据所述机器人在移动过程中通过摄像头感知到的人像视觉数据确定目标可疑人员的类别，对所述目标可疑人员进行目标检测与定位的步骤包括：
21、搭建服务机器人目标检测与识别系统；
22、采集服务机器人待检测人脸的图像并制作包含训练集和验证集的图像数据集；
23、设计深度卷积神经网络，包括特征提取网络、区域提取网络以及分类与位置回归网络；
24、在深度学习框架下进行训练得到模型，将模型移植到开发板上，并编写脚本程序调用模型以及摄像头进行测试，设计服务机器人目标检测与定位系统；
25、服务机器人根据摄像头捕捉到的图像确定目标可疑人员的类别，同时给出目标可疑人员在图像中的位置。
26、为实现上述目的，本专利技术还提出一种机器人，所述机器人包括存储器、处理器，以及存储在所述存储器上的基于深度学习技术的可疑人员排查程序，所述基于深度学习技术的可疑人员排查程序被所述处理器运行时执行如上所述的方法的步骤。
27、本专利技术基于深度学习技术的可疑人员排查方法及机器人的有益效果是：
28、本专利技术通过上述技术方案，包括：获取机器人在移动过程中通过摄像头感知到的人像视觉数据；对所述人像视觉数据进行预处理，为人脸识别提供相应数据基础，并建立相应的物理环境体系，根据所述物理环境体系建立相应的环境约束；通过多层残差神经网络进行图片特征提取，完成图像特征的多层分布式重现；采用线性分类器进行图片预测输出，采用非极大抑制删除冗余的并且置信度小的人脸窗口；根据深度数据产生相应的环境约束条件；对经过多层残差神经网络检测识别后并通过语义环境约束条件优化后的结果进行处理，提升了可疑人员排查的准确性、实时性和排查效率，可广泛应用于家庭、办公室等多种复杂环境下的目标识别中。
本文档来自技高网...【技术保护点】
1.一种基于深度学习技术的可疑人员排查方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习技术的可疑人员排查方法，其特征在于，所述步骤S20中，对所述人像视觉数据进行预处理，为人脸识别提供相应数据基础的步骤包括：采用色彩图片预处理方法对输入的色彩图片进行分割处理，将整幅图片分割为一块块的网格，如果其中的网格块出现人脸的中心，则将其网格标识为此人脸的一部分，而且对应于此网格，采用神经网络预测多个人脸包围框，并且对于此网格归属的人脸类别进行一定的置信度生成，为人脸识别提供相应数据基础。
3.根据权利要求2所述的基于深度学习技术的可疑人员排查方法，其特征在于，所述步骤S20中，对所述人像视觉数据进行预处理，建立相应的物理环境体系，根据所述物理环境体系建立相应的环境约束的步骤包括：采用深度图片预处理方法产生室内环境下的约束条件，通过对距离数据的处理和对重力向量进行估计，从而建立相应的物理体系，根据此环境体系建立相应的环境约束。
4.根据权利要求3所述的基于深度学习技术的可疑人员排查方法，其特征在于，所述步骤S30，通过多层残差神经网络
5.根据权利要求4所述的基于深度学习技术的可疑人员排查方法，其特征在于，所述卷积核特征提取和残差神经单元构造，将卷积核特征提取部分和残差部分作为神经网络的组成部分进行顺序叠加，从而形成深度特征提取神经网络，完成图像特征的多层分布式重现的步骤包括：卷积核特征提取：给定一副图像，通过重复使用多种卷积核函数、块归一化单元和非线性矫正单元的方式提取适合人脸检测识别的图像特征，其中，卷积核函数是一个小的数据窗口，卷积操作即为数据窗口在全局图片区域上滑动，并且按数据窗口中的每一位与响应图片位求乘积并按数据窗口区域对结果进行求和，相应的卷积核函数和网络参数将通过训练来获得，非线性单元通过增加非线性来增强特征的表达能力，图片局部特征将作为神经网络的输入数据来完成预测包围框和人脸类别的生成处理；残差神经单元构造：残差神经单元将前一特征单元的输出和输入相加作为下一层特征提取单元的输出。
6.根据权利要求1至5任意一项所述的基于深度学习技术的可疑人员排查方法，其特征在于，所述方法还包括：根据所述机器人在移动过程中通过摄像头感知到的人像视觉数据确定目标可疑人员的类别，对所述目标可疑人员进行目标检测与定位。
7.根据权利要求6所述的的基于深度学习技术的可疑人员排查方法，其特征在于，根据所述机器人在移动过程中通过摄像头感知到的人像视觉数据确定目标可疑人员的类别，对所述目标可疑人员进行目标检测与定位的步骤包括：搭建服务机器人目标检测与识别系统；采集服务机器人待检测人脸的图像并制作包含训练集和验证集的图像数据集；设计深度卷积神经网络，包括特征提取网络、区域提取网络以及分类与位置回归网络；在深度学习框架下进行训练得到模型，将模型移植到开发板上，并编写脚本程序调用模型以及摄像头进行测试，设计服务机器人目标检测与定位系统；服务机器人根据摄像头捕捉到的图像确定目标可疑人员的类别，同时给出目标可疑人员在图像中的位置。
8.一种机器人，其特征在于，所述机器人包括存储器、处理器，以及存储在所述存储器上的基于深度学习技术的可疑人员排查程序，所述基于深度学习技术的可疑人员排查程序被所述处理器运行时执行如权利要求1至7任意一项所述的方法的步骤。
...【技术特征摘要】
1.一种基于深度学习技术的可疑人员排查方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习技术的可疑人员排查方法，其特征在于，所述步骤s20中，对所述人像视觉数据进行预处理，为人脸识别提供相应数据基础的步骤包括：采用色彩图片预处理方法对输入的色彩图片进行分割处理，将整幅图片分割为一块块的网格，如果其中的网格块出现人脸的中心，则将其网格标识为此人脸的一部分，而且对应于此网格，采用神经网络预测多个人脸包围框，并且对于此网格归属的人脸类别进行一定的置信度生成，为人脸识别提供相应数据基础。
3.根据权利要求2所述的基于深度学习技术的可疑人员排查方法，其特征在于，所述步骤s20中，对所述人像视觉数据进行预处理，建立相应的物理环境体系，根据所述物理环境体系建立相应的环境约束的步骤包括：采用深度图片预处理方法产生室内环境下的约束条件，通过对距离数据的处理和对重力向量进行估计，从而建立相应的物理体系，根据此环境体系建立相应的环境约束。
4.根据权利要求3所述的基于深度学习技术的可疑人员排查方法，其特征在于，所述步骤s30，通过多层残差神经网络进行图片特征提取，完成图像特征的多层分布式重现的步骤包括：卷积核特征提取和残差神经单元构造，将卷积核特征提取部分和残差部分作为神经网络的组成部分进行顺序叠加，从而形成深度特征提取神经网络，完成图像特征的多层分布式重现。
5.根据权利要求4所述的基于深度学习技术的可疑人员排查方法，其特征在于，所述卷积核特征提取和残差神经单元构造，将卷积核特征提取部分和残差部分作为神经网络的组成部分进行顺序叠加，从而形成深度特征提取神经网络，完成图像特征的多层分布式重现的步骤包括：卷积核特征提取：给定一副图像，通过重复使用多种卷积核函数、块归一化单元和...
【专利技术属性】
技术研发人员：马楠，陈平，张亿红，
申请(专利权)人：广东中安金狮科创有限公司，
类型：发明
国别省市：
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。