[发明专利]一种基于融合信息的外卖人员身份识别方法

说明书

本发明公开了一种基于融合信息的外卖人员身份识别方法。本发明提出了一种基于多级特征和空间注意力机制的多目标检测网络MFCNet。该网络结构包括四部分，即特征提取主干网络模块、特征融合模块、多尺度信息提取模块以及空间注意力机制模块。针对MFCNet网络的训练，首先先使用PASCAL VOC数据集进行预训练，得到含有基础目标识别能力的预训练模型。然后通过收集外卖人员的多个属性特征，进行标记，做成数据集。最后在预训练模型的基础上，进行进一步的训练得到最终MFCNet识别模型，从而进行测试检测。本发明方法不但具有更好的鲁棒性和自适应能力。本发明不但采集了目标整体特征，而且通过多个附加目标信息的识别，能够较为准确的给出目标身份，适用性较强。

技术领域

本文发明涉及外卖人员身份识别的方法，具体来讲是一种基于融合信息的外卖人员身份识别方法，属于目标识别技术领域。

背景技术

使用深度学习进行目标识别，已经得到了广泛的应用。建立在目标识别技术基础上的人员身份的识别，通常通过提取目标整体特征进行判断。这种做法仍存在数据集缺失，判断准确度不高，鲁棒性差等问题。使用多个目标信息综合判断人员身份的方法，具有一定合理性，它不但采集了目标整体特征，而且通过多个附加目标信息的识别，能够较为准确的给出目标身份，适用性较强。外卖人员身份识别过程中，存在外卖车辆，外卖箱，外卖公司logo等属性信息。可以通过对这些信息的提取判断，综合给出外卖人员身份。这些属性信息没有特定的数据集需要进一步收集。另外，多个目标信息存在尺度变化较大的问题，需要进一步设计相关机制进行提取。

发明内容

本发明的目的是针对现有技术的不足，提供一种基于融合信息的外卖人员身份识别方法，进行多家外卖人员身份识别任务。

针对外卖人员目标尺度变化较大、姿态多样、logo等易与周围物体混淆等问题，提出了一种基于多级特征和空间注意力机制的多目标检测网络MFCNet。该网络结构包括四部分，即特征提取主干网络模块、特征融合模块、多尺度信息提取模块以及空间注意力机制模块。首先，通过将网络浅层特征和中间层特征信息融合，形成包含上下文信息的融合特征，用于解决浅层特征图中小目标语义信息不丰富、分类能力弱的问题；然后，利用空洞卷积增大感受野、不增加参数的特性，对融合特征进行多尺度分解，满足网络对多尺度目标的定位和检测；最后，空间注意力模块通过融合全局像素关联空间注意力，增强对关键信息贡献大的特征，来增强网络对目标和背景的区分能力。针对MFCNet网络的训练，首先先使用PASCALVOC数据集进行预训练，得到含有基础目标识别能力的预训练模型。然后通过收集外卖人员的多个属性特征，进行标记，做成数据集。最后在预训练模型的基础上，进行进一步的训练得到最终MFCNet识别模型，从而进行测试检测。

本发明有益效果如下：

结果表明，本发明方法不但具有更好的鲁棒性和自适应能力；而且本发明使用多个目标信息综合判断人员身份的方法，更加合理；

本发明不但采集了目标整体特征，而且通过多个附加目标信息的识别，能够较为准确的给出目标身份，适用性较强。

附图说明

图1是本发明的整体实施方案流程图；

图2是本发明的特征融合模块示意图；

图3是本发明的进一步融合操作示意图；

图4是本发明的多尺度信息提取模块示意图；

图5是本发明的空间注意力机制示意图；

图6是本发明的MFCNet网络结构示意图；

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1是本发明的整体实施方案流程图，一种基于融合信息的外卖人员身份识别方法，按照如下步骤进行：