[发明专利]基于热成像的活体流向甄别方法、装置、设备及存储介质

权利要求书

1.一种基于热成像的活体流向甄别方法，所述方法包括：

获取多张目标图像，所述多张目标图像为热成像设备在连续的多个时刻检测到的目标位置的活体检测图像，所述活体检测图像的各个像素点的像素值为所述热成像设备检测到的温度值；

根据所述多张目标图像，确定目标特征向量；

将所述目标特征向量作为活体流向甄别模型的输入，所述活体流向甄别模型用于对活体流向进行甄别；

获取所述活体流向甄别模型输出的方向甄别结果值，并基于所述方向甄别结果值确定所述目标位置在所述连续的多个时刻的活体流向。

2.根据权利要求1所述的基于热成像的活体流向甄别方法，其特征在于，所述方法还包括：

获取多个图像特征向量样本，一个图像特征向量样本对应同一位置连续的多个时刻的多张图像样本，所述图像特征向量样本为多通道二维矩阵，所述图像特征向量样本的通道数量等于所述多张图像样本的数量；

将所述多个图像特征向量样本输入卷积神经网络进行特征提取及处理，得到与每个所述图像特征向量样本对应的预测特征向量，所述预测特征向量用于指示所述图像特征向量样本对应的预测活体流向，所述预测特征向量的向量元素个数为2；

根据所述与每个所述图像特征向量样本对应的预测特征向量、每个所述图像特征向量样本对应的活体流向标定值，对所述卷积神经网络进行训练，得到所述活体流向甄别模型，所述图像特征向量样本对应的活体流向标定值用于指示所述图像特征向量样本对应的真实活体流向。

3.根据权利要求2所述的基于热成像的活体流向甄别方法，其特征在于，所述卷积神经网络包括依次连接的卷积层、池化层及抽象压缩模块；

所述将所述多个图像特征向量样本输入卷积神经网络进行特征提取及处理，得到与每个所述图像特征向量样本对应的预测特征向量，包括：

将所述多个图像特征向量样本输入所述卷积神经网络的卷积层进行通道扩充及抽象特征提取，得到与每个所述图像特征向量样本对应的第一特征向量；

将所述与每个所述图像特征向量样本对应的第一特征向量输入所述卷积神经网络的池化层进行最大池化，得到与每个所述图像特征向量样本对应的第二特征向量；

将所述与每个所述图像特征向量样本对应的第二特征向量输入所述卷积神经网络的抽象压缩模块进行抽象压缩处理，得到与每个所述图像特征向量样本对应的预测特征向量。

4.根据权利要求3所述的基于热成像的活体流向甄别方法，其特征在于，所述抽象压缩模块包括依次连接的第一丢弃层、压缩层、第一全连接层、第二丢弃层及第二全连接层；

所述将所述与每个所述图像特征向量样本对应的第二特征向量输入所述卷积神经网络的抽象压缩模块进行抽象压缩处理，得到与每个所述图像特征向量样本对应的预测特征向量，包括：

将所述与每个所述图像特征向量样本对应的第二特征向量输入所述卷积神经网络的第一丢弃层进行随机丢弃，得到与每个所述图像特征向量样本对应的第三特征向量；

将所述与每个所述图像特征向量样本对应的第三特征向量输入所述卷积神经网络的压缩层进行一维向量转换，得到与每个所述图像特征向量样本对应的第四特征向量；

将所述与每个所述图像特征向量样本对应的第四特征向量输入所述卷积神经网络的第一全连接层进行抽象压缩，得到与每个所述图像特征向量样本对应的第五特征向量；

将所述与每个所述图像特征向量样本对应的第五特征向量输入所述卷积神经网络的第二丢弃层进行随机丢弃，得到与每个所述图像特征向量样本对应的第六特征向量；

将所述与每个所述图像特征向量样本对应的第六特征向量输入所述卷积神经网络的第二全连接层进行抽象压缩，得到与每个所述图像特征向量样本对应的预测特征向量。

5.根据权利要求3所述的基于热成像的活体流向甄别方法，其特征在于，所述将所述多个图像特征向量样本输入所述卷积神经网络的卷积层进行通道扩充及抽象特征提取，得到与每个所述图像特征向量样本对应的第一特征向量，包括：

将所述多个图像特征向量样本分别输入至所述卷积神经网络的卷积层中的多个卷积通道，将所述多个卷积通道各自对应的卷积核与所述多个图像特征向量样本进行卷积运算，得到与每个所述图像特征向量样本对应的第一特征向量，所述卷积通道的数量大于所述图像特征向量样本的通道数量。