[发明专利]一种基于多特征信息的快递人员身份识别方法

权利要求书

1.一种基于多特征信息的快递人员身份识别方法，其特征在于包括如下步骤：

步骤(1)构建深度卷积神经网络特征图的多尺度金字塔模块MSPM；

步骤(2)将3个含有相同大小卷积核卷积层和3个多尺度金字塔模块MSPM使用跳跃连接的方式构建目标检测网络SFPNet；

步骤(3)将目标检测网络SFPNet在PASCAL VOC数据集上进行预训练，得到预训练SFPNet模型，实现基础的目标检测；

步骤(4)收集快递车辆、快递logo和快递衣服图片，并快递车辆、快递logo和快递衣服进行相应的识别标记做成数据集；用数据集对预训练SFPNet模型进行训练，得到最终的SFPNet识别模型；

步骤(5)将测试图片输入最终的SFPNet识别模型，进行识别；通过测试图片中快递车辆、快递logo以及快递衣服所属公司的识别，通过识别的多特征信息进行综合判断，以达到对快递人员身份的准确识别；

步骤(3)具体实现过程如下：

3-1.针对不同大小图片设置不同步长的学习批次，对于输入大小为320*320的图像，处理批次设置为32；对于输入图像512*512，设置的批次为16；动量和权值衰减分别设置为0.9和0.0005；

3-2.下载PASCAL VOC数据集，使用PASCAL VOC数据集对目标检测网络SFPNet进行训练，获得预训练SFPNet模型，实现基础的目标检测；

步骤(4)具体实现过程如下：

4-1.收集快递车辆、快递logo和快递衣服图片，并快递车辆、快递logo和快递衣服进行相应的识别标记做成数据集；其中快递车辆、快递logo和快递衣服图片各N张，并进行识别标识，标识规则如下：快递名称：申通快递、圆通快递、韵达快递、顺丰快递、中通快递、百世汇通；对应车辆标识：1、2、3、4、5、6；对应Logo标识：7、8、9、10、11、12；对应衣服标识：13、14、15、16、17、18；

4-2.将有识别标记的数据集对预训练SFPNet模型进行训练，得到最终的SFPNet识别模型。

2.根据权利要求1所述的一种基于多特征信息的快递人员身份识别方法，其特征在于步骤(1)具体实现过程如下：

1-1.利用1*1的卷积层，减少输入的多尺度金字塔模块MSPM的特征图的通道数以降低计算量,并加入ReLU激活函数；

1-2.利用大小为3*3，空洞率分别为1、2、4和8，步长分别对应为1,2,4,8的空洞卷积来提取不同尺度的特征信息；

1-3.将步骤1-2中四种空洞卷积获取的特征进行通道连接，连接后的通道使用1*1的卷积层，将通道数变换为与输入该多尺度金字塔模块MSPM的特征图相同的通道数，并与输入该多尺度金字塔模块MSPM的特征图对应像素点进行叠加，既保留输入该多尺度金字塔模块MSPM的特征图的特征，又加入了不同大小感受野的特征信息，有效改善提取较小尺寸的物体特征。

3.根据权利要求1或2所述的一种基于多特征信息的快递人员身份识别方法，其特征在于步骤(2)构建SFPNet网络具体过程如下：

2-1.使用3个卷积核大小为3*3的基础网络层对图像进行特征提取，将提取特征输入到多尺度金字塔模块MSPM中；

2-2.使用3个多尺度金字塔模块MSPM对步骤2-1中提取的特征图，进行进一步的提取；

2-3.利用大小为3*3，通道数为256的卷积核对3个基础网络层和3个多尺度金字塔模块MSPM输出的特征图，分别进行卷积操作，以将不同特征层的特征图的通道数变成相同的数量，以便进行融合计算；在统一了每一层的通道数之后，利用反卷积操作把每一层特征层进行上采样，以进行融合，反卷积特征图的大小o计算公式如(1)所示：

其中，i为输入特征图的尺寸大小，f为卷积核的大小，p为填充的像素数，s为反卷积的步长；

2-4.对不同的特征层，采用每个像素对应点的和，来作为融合后的特征图；

2-5.将融合后的特征层送入到最后的检测部分，进行检测识别。

4.根据权利要求3所述的一种基于多特征信息的快递人员身份识别方法，其特征在于步骤(5)具体实现过程如下：

5-1.将测试图像输入到最终的SFPNet模型中，获得多个目标信息结果；

5-2.通过对多个目标信息的综合判断，判断快递人员身份：

快递车辆、快递logo和快递衣服对结果的影响权重是不同的；设置目标信息分值为1，目标信息权重有快递车辆为0.3，快递Logo为0.5，快递衣服为0.2；输出所属公司分值最大的，则为该公司快递员。