[发明专利]一种基于多特征信息的快递人员身份识别方法

说明书

本发明公开了一种基于多特征信息的快递人员身份识别方法。本发明提出利用跳跃连接的方式连接3个含有相同大小卷积核的卷积层与3个多尺度金字塔模块MSPM，来融合多层高层语义特征信息和低层特征图的细节信息，从而构建目标检测网络SFPNet。其中，MSPM采用并行的空洞卷积来提取不同尺度物体对应的特征信息，这些空洞卷积中含有不同大小空洞率，在卷积过程中采用不同步长。本发明在得到快递人员相关信息后，将多个目标信息进行综合评定，判读更加准确，鲁棒性和自适应能力更好。

技术领域

本文发明涉及快递人员身份识别的方法，具体来讲是一种基于多特征信息的快递人员身份识别方法，属于目标识别技术领域。

背景技术

随着深度学习的发展，目标检测已经获得了较高的精度和效率。建立在目标识别基础上，对特定人员身份的识别仍有一定难度。其中，针对特定人员身份的logo信息，衣着等小目标信息的检测准确率仍然受限。小目标检测准确率较低的重要原因包括了：从资源上讲，没有针对性的数据集；从深度学习网络的构造上讲，没有充分利用高层特征的语义信息和低层特征的细节信息之间的关系。另外，在得到快递人员相关信息后，过去的做法通常是依据单个目标信息判断，没有将多个目标信息进行综合评定，导致判断不准确，鲁棒性不高。

发明内容

本发明的目的是针对现有技术的不足，提供一种基于多特征信息的快递人员身份识别方法，以解决现有的使用深度学习进行快递人员身份识别问题。

针对上述问题，本文提出一种基于多特征信息的快递人员身份识别方法。与其他的身份识别方法不同，本文提出利用跳跃连接的方式连接3个含有相同大小卷积核的卷积层与3个多尺度金字塔模块MSPM(Multi-scale pyramid module)，来融合多层高层语义特征信息和低层特征图的细节信息，从而构建目标检测网络SFPNet(Skip-connectionFeature Pyramid Network)。其中，MSPM采用并行的空洞卷积来提取不同尺度物体对应的特征信息，这些空洞卷积中含有不同大小空洞率，在卷积过程中采用不同步长。

首先，在PASCAL VOC数据集上对SFPNet进行预训练，得到预训练模型，预训练模型可以实现基础的目标检测；其次，收集快递车辆、快递logo和快递衣服图片，并进行相应的标记做成数据集；然后，用制作好的数据集对预训练的SFPNet模型进行再次训练，调整参数，得到最终的SFPNet识别模型；最后，将测试图片输入SFPNet识别模型进行识别。通过对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，进行多特征信息判断，以达到对快递人员身份的准确识别。结果表明，这种方法具有更好的鲁棒性和自适应能力。

本发明有益效果如下：

本发明在得到快递人员相关信息后，将多个目标信息进行综合评定，判读更加准确，鲁棒性和自适应能力更好。

附图说明

图1是本发明的整体实施方案流程图

图2是本发明的多尺度金字塔模块架构图

图3是本发明的SFPNet网络整体架构示意图

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，一种基于多特征信息的快递人员身份识别方法，按照如下步骤进行：

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SFPNe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；