[发明专利]一种基于深度学习的典型人物的身份识别方法

权利要求书

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：

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；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；

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；

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。

2.根据权利要求1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。

3.根据权利要求2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。

4.根据权利要求3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置。