[发明专利]行人背包戴帽识别的方法及装置

说明书

技术领域：

本发明涉及一种行人背包戴帽识别的方法及装置。

背景技术：

在现有的技术中，实现行人背包戴帽同时识别，大致分为三种方法：

第一，利用机器学习中的方法，通过手动的提取物体的特征，比如，提取物体的LBP特征，Hog特征或者Harr-like特征,然后通过利用分类器进行分类。

第二，利用深度学习的方法，通过卷积神经网络提取物体的特征，然后再利用现有分类器去分类，以达到需要识别的效果。

第三，利用深度学习的方法，通过卷积神经网络中自带的分类器，用多标签的网络去进行背包戴帽的同时识别。

现有技术的缺陷：

第一种方法，对于提取传统机器学习方法，提取物体的特征，比如，LBP特征，Hog特征，或者Harr-like特征均需要有较充足的技术背景和专业知识，需要对该领域比较熟悉，且上述这些特征需要手动调参，如果物体没有上述特征，需要我们手动设计提取物体的特征，比如，物体的边缘特征，纹理特征，颜色特征等等，就会给我们的解决方案造成较大的困扰；而且，上述特征泛化能力较弱，容易造成过拟合现象，即只对训练的图片有较好的识别效果，但是对于未训练的图片，没有较好的识别结果。对于分类器选择，首先需要了解哪种分类器适合该问题，比如：SVM分类器，Boosting方法或者随机森林等等。然后需要对分类器进行训练，手动调参，选取最适合的分类器。对于该方法，特征的选取和分类器的选择，对识别效果均会影响识别效果。

第二种方法：通过利用深度学习方法。在深度学习方法中，卷积神经网络算法目前较为成熟。可以通过卷积神经网络来提取物体的特征，这种特征是由神经网络自动学习得到，与卷积核的个数和大小来决定，避免了第一种方法中手动调参的过程。但是，需要技术人员来决定分类器的选择。且这种方法不是一个端到端的方法，由两部分构成，首先通过卷积神经网络提取特征，然后用分类器去分类。如果采用现有比较经典的AlexNet网络，训练较耗时，且模型较大，不能满足实时性的需求。

第三种方法，用深度学习中多标签的方法去识别背包戴帽同时识别。该种方法有效的避免了上述两种方法出现的问题，是一个端到端的方法。在深度学习中，对于数据是有一定的要求，要求数据量较大，如果数据量较小，会出现过拟合现象，同样，泛化能力较差。比如，在多标签网络中，对于数据要求较高。至少需要四个类型的数据，行人中有背包，有戴帽，没有背包戴帽的行人，既背包又戴帽的行人，但是，对于前三种数据，比较容易获取，对于既背包又戴帽的行人，不易获取，所以对于这种方法，在数据准备不充分的情况下，不易采用此方案。

发明内容：

本发明的目的是提供一种能够更好地解决行人中既背包有戴帽的属性的行人背包戴帽识别的方法及装置。

上述的目的通过以下的技术方案实现：

一种行人背包戴帽识别的方法，本方法包括两步，第一步数据的收集，对于第一步需要的数据，通过从视频中裁剪行人，获取需要的数据；第二步对于识别行人中背包和戴帽的属性，分别通过两个卷积神经网络识别行人中是否背包，戴帽。

所述的行人背包戴帽识别的方法，在第一步和第二步两个卷积神经网络中，进行背包识别的卷积神经网络的类别为两类，分别为具有背包属性的行人，没有背包的行人；进行戴帽识别的卷积神经网络的类别为两类具有戴帽属性的行人，没有戴帽的行人；通过上述两个卷积神经网络，识别中行人是否有背包戴帽的情况。但是面对行人中既背包戴帽的情况，这种方案并无法解决。

所述的行人背包戴帽识别的方法，通过设置阈值的方法来解决行人中既背包又戴帽的情况；因为识别背包的卷积神经网络输出一个行人是否背包的概率值；输出的两个概率值相加和为1，一个概率值是行人中背包的概率，另一个则是行人中没有背包的概率；对于行人中戴帽的这种情况亦是如此；本方法通过获取背包和戴帽两种卷积神经网络中分别对应背包和戴帽子的概率值，和阈值相比较，去识别行人中既具有背包又具有戴帽属性的情况；如果两个卷积神经网络中背包戴帽子的概率值分别大于设置的阈值，则认为待识别的行人同时具有背包戴帽的属性。

一种行人背包戴帽识别的装置，其组成包括:背包、帽子，所述的背包具有背包带，所述的背包带连接开口圈，所述的开口圈的一侧连接固定圈，所述的开口圈的另一侧连接一组卡档，所述的卡档卡住所述的固定圈，所述的开口圈连接弹性拉绳的一端，所述的弹性拉绳的另一端连接卡件，所述的卡件连接所述的帽子。