[发明专利]一种基于卷积神经网络的人和车辆红外热图像识别方法

说明书

本发明公开了一种基于卷积神经网络的人和车辆红外热图像识别方法，对训练集进行增广后去训练建立的红外热图像人和车辆识别网络模型W‑DenseNet，并用测试集去验证，得到识别度高的红外热图像人和车辆识别网络模型W‑DenseNet，红外热图像人和车辆识别网络模型W‑DenseNet逐层提取数据不同水平的特征，使机器获得更高水平的特征表达和理解能力，进而有效分辨目标类别，达到识别人与车的目的；并增加权重参数学习模块，使在网络结构训练中学习到的权重参数加权在相应的卷积层输入特征图上，增强重要特征并抑制无效特征，使其提取到更为有效的特征，以提高网络模型对红外热图像中男女性别识别的准确率。

技术领域

本发明属于图像识别技术领域，具体涉及一种基于卷积神经网络的人和车辆红外热图像识别方法。

背景技术

基于热红外线的摄像机，其成像不受光源的影响，特别是在夜间和雾霾天等光线不足的情况下依然可以有效成像。红外热像仪已广泛应用于智能监控、灾难搜救及汽车智能辅助驾驶等任务中，在这些任务中最常见的目标是人和车辆，对人和车辆红外热图像的机器识别技术在其中发挥着重要的作用，其高准确度和全天候的特点可以快速准确辨别并记录车辆及人的性别，辅助用户采取相应行动或措施，为用户提供了极大的便利。

红外热图像具有以下特点：

(1)非活体目标成像较差，红外热成像与物体表面温度有关，通常情况下，人体温度比周围环境温度高，成像较清晰，检测较容易；车辆则相反。

(2)背景复杂，背景存在很多轮廓和目标很像的物体。

(3)类间特征模糊，在红外热图像中，男女性别特征模糊，识别难度大。

传统对红外热图像的识别方法是通过人工设计特定的特征提取算法来提取特定的特征，然后采用分类算法进行分类识别。这类方法对特征的提取和分类需要多步进行，并且人工设计的特征提取器提取的特征数量非常有限，很难对红外热图像中的男女性别进行有效识别。现存基于CNN的图像识别方法可以一步同时进行特征提取和分类且识别率较高，但多为针对可见光图像而设计，往往不能直接迁移到红外热图像的识别任务中，对含有车辆等非活体目标且背景复杂的红外热图像识别效果较差。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于卷积神经网络的人和车辆红外热图像识别方法解决了现有基于卷积神经网络的图像识别方法对含有非活体目标且背景复杂的红外热图像识别效果较差的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于卷积神经网络的人和车辆红外热图像识别方法，包括以下步骤：

S1、建立图像数据集，并将其划分为训练集和测试集；

S2、对训练集进行预处理，得到增广训练集；

S3、基于深度卷积神经网络DenseNet-201，建立红外热图像人和车辆识别网络模型W-DenseNet；

S4、根据增广训练集和测试集，对红外热图像人和车辆识别网络模型W-DenseNet进行训练，得到识别度最高的红外热图像人和车辆识别网络模型W-DenseNet；

S5、采用识别度最高的红外热图像人和车辆识别网络模型W-DenseNet对目标图像进行处理，得到目标的类别。

进一步地：步骤S2中训练集进行预处理的过程包括：左右翻转操作、对比度增强操作和亮度增强操作。

进一步地：步骤S3具体为：在深度卷积神经网络DenseNet-201结构中的每个瓶颈层前增加权重参数学习模块，建立红外热图像人和车辆识别网络模型W-DenseNet。

进一步地：权重参数学习模块的输出数据与输入数据的关系表达式为：