[发明专利]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

说明书

本发明提供了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。该方法包括：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第一特征向量并记录网络模型的第一状态值，对第二目标图像进行第二前向传播以计算第二特征向量并记录网络模型的第二状态值；根据第一和第二特征向量，判断第一目标图像与第二目标图像是否相似；当判断两者相似时，根据第一和第二特征向量，计算差异向量；以及将差异向量作为梯度，通过具有第一状态值的网络模型进行第一反向传播以获得第一差异热力图，通过具有第二状态值的网络模型进行第二反向传播以获得第二差异热力图。通过采用本发明，能够有效地检测出相似目标之间的差异性。

技术领域

本发明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。

背景技术

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(person reID)。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，IEEE International Conferenceon Computer Vision and Pattern Recognition(CVPR)，2014，“DeepReID Deep FilterPairing Neural Network for Person Re-Identification”)公开了通过设计DeepReID网络来提升跨摄像头环境下行人重识别结果的精度的技术方案。上述非专利文献2可以从以下网站获得：http://ieeexplore.ieee.org/document/6909421/？arnumber＝6909421。

上述专利文献1和非专利文献2都是研究如何提升跨摄像头环境下行人重识别结果的精度。

但是受限于跨摄像头环境，不同摄像头拍摄角度不同，清晰度不同，光线的不同，即使人眼观察，很多穿着相似的人也很难被区分开。从技术上，很难单纯利用行人重识别技术来实现高准确率的行人目标识别。

此外，有时同一个人在不同摄像头下拍摄到的状态可能不同。比如，脱掉了外套，或者购物后手里多了手提袋。如果单纯利用行人重识别技术来实现高准确率，很有可能会因为目标状态改变而发生漏检。

因此，本发明的目的并不是去提高行人重识别技术的准确率。本发明的目的是先通过行人重识别来找到相似行人，然后检测相似行人之间的差异性并显示出来。

发明内容

鉴于上述问题，本发明提出了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。本发明的目标差异性检测方法和目标差异性检测设备，能够有效地检测出相似目标之间的差异性。

根据本发明的一个方面，提供了一种基于深度学习的目标差异性检测方法，所述检测方法包括以下步骤：