[发明专利]非法遛狗识别方法

说明书

非法遛狗识别方法，包括如下步骤：1)采集大量街道中高空摄像头的图像以及其他狗样本数据集，依据现场的管理需求进行数据集的标定，确定使用的一阶段目标检测算法模型。2)构建参数自适应的损失函数和3)构建一阶段目标检测算法模型的损失函数LOSS。4)采用梯度下降法对一阶段目标检测算法模型的权值进行更新，直到模型收敛为止；将训练好的模型在实际系统中完成对狗样本的检测，并发出告警，完成对街道内非法遛狗的检测。本发明的优点在于能够提高目标检测模型的参数自适应性，大幅提高了目标检测的准确率。

技术领域

本发明属于图像识别与计算机视觉技术领域，涉及的是一种非法遛狗识别方法。

背景技术

目前，针对街道内个别居民不遵循物业规定非法遛狗，对出门锻炼和散步的其他业主造成了不安全的问题。传统方法主要是通过物业管理员在街道不间断的巡查，发现非法遛狗业主后，对其劝阻。但这种方式需要动用大量的人力、物力去执行，无法做到实时的对整个街道全方位的监管。而利用现有街道内的高空安防摄像头对非法遛狗的行为进行检测，不仅可以做到实时性的监控，还能节约人力、物力成本，而且设备维护与维修也很容易，因此这种基于视频的非法遛狗检测系统具有很好的推广价值。

利用安防摄像头的视频流对非法遛狗进行识别，对识别算法的精准度以及实时性要求较高。因此，采用基于深度学习的目标检测算法较合理。基于深度学习的目标检测算法分为二阶段模型与一阶段模型。虽然二阶段目标检测模型具有更好的检测精度，但其前向推理速度较慢，无法满足业务场景的实时性要求。在传统的一阶段目标检测算法模型中，算法的实时性较好，但无法达到二阶段目标检测算法模型的检测精度。在图像检测目标时含有大量的街道背景对象，街道背景对象的损失值虽然很小，但是数量远远超过属于狗样本的目标，目前传统的目标检测方法在这种复杂场景下很难获得较高的识别准确度，因此迫切需要一种具有高度自适应性的目标检测方法。

发明内容

本发明要克服现有技术的上述缺点，提供一种高度自适应性、识别准确的非法遛狗识别方法

本发明对一阶段目标检测算法模型中的损失函数进行改进。损失函数作为卷积神经网络中梯度下降过程的目标函数，直接影响着卷积神经网络的训练结果。而卷积神经网络训练的结果好坏直接关系着目标检测的识别精度，因此对损失函数的设计显现的尤为重要。在一阶段目标检测算法模型训练过程中，网络在图像检测目标时含有大量的街道背景对象，街道背景对象的损失值虽然很小，但是数量远远超过属于狗样本的目标，因此在计算损失值时，概率值小的街道背景损失值压倒了狗样本的目标损失值，导致模型精度下降很多，因此在检测模型中嵌入焦点损失函数来提高训练精度。而在焦点损失函数中有超参数需要依据经验值去设置，无法依据预测出的类别概率值，自动调节自身的超参大小。

本发明针对焦点损失函数在训练过程中需要手动调节超参数，训练过程中的参数不具备自适应性的问题，提出了一种基于半监督学习的深度学习损失函数，该损失函数使用加权法对超参进行改进，使得网络在梯度下降过程中，能够自适应的调节网络超参数，进而提高网络的学习效率。

非法遛狗识别方法，包括如下步骤：

Step 1：构建狗样本数据集M，训练数据集T，验证数据集V，标注狗样本类别数C，训练数据批次大小batch，训练批次数batches，学习率l_rate，训练数据集T与验证数据集V之间的比例系数ζ。

ζ＝Card(V)/Card(T)

其中：V∪T＝M，C∈N⁺，ζ∈(0,1)，batches∈N⁺,l_rate∈N⁺，batch∈N⁺，表示图像的高和宽，r表示图像的通道数。