[发明专利]一种基于YOLO及卷积-循环网络的机房人物重识别方法

权利要求书

1.一种基于YOLO及卷积-循环网络的机房人物重识别方法，其特征在于：包括如下步骤：

步骤S1：使用YOLOv3目标检测模型实现人物检测过程,得到人物样本；所述步骤S1中，Yolov3使用残差神经网络DarkNet53作为特征提取网络，在卷积层后加入了批标准化与Leaky ReLU激活函数，使用DarkNet53中的第2、3、5个残差块的输出特征进行多尺度检测，避免出现错检或者漏检现象；

步骤S2：将人物样本输入到卷积-循环网络中进行特征提取，获得与后续重识别结果高度相关的深层次特征；卷积-循环网络选用ResNet50-vd和LSTM，在卷积过程结束后，将所用特征拉伸成向量输入至LSTM网络中，所述LSTM由遗忘门、输入门、细胞状态更新以及输出门构成；所述遗忘门决定是否应去除某些状态信息，具体做法为以一定的概率舍弃上一层的隐藏细胞状态，其表达式为：

f_t＝σ(W_fx_t+U_fh_t-1+b_f) (1)

所述输入门决定了将哪些信息输入至细胞状态中，并创建候选值向量为后续的状态更新过程做准备，其表达式为：

i_t＝σ(W_ix_t+U_ih_t-1+b_i) (2)

此后根据遗忘门、输入门的结果更新细胞状态：

最后基于细胞状态得到输出门o_t及整个单元的输出值h_t：

o_t＝σ(W_ox_t+U_oh_t-1+b_o) (5)

h_t＝o_t*Tanh(C_t) (6)

式1-6中：x_t为t时刻网络的输入；W、U均为权重，b为偏置向量；

使用三元损失作为模型的损失函数，其表达式如下：

式中：a、p、n分别代表Anchor，即随机样本；Positive，与Anchor为同类样本；Negative，与Anchor非同类样本；||**||₂表示计算欧氏距离，以此衡量嵌入空间距离，故为Anchor与Positive间的距离度量值，则为Anchor与Negative间的距离度量值；α为最小间隔值；“+”代表括号内的值在小于0时取值为0，否则不变；

步骤S3：将得到的深层次特征输入至目标检测模型的全连接层后，经三元损失函数得到与目标人物相关的概率，当该概率大于设定阈值时即判定检测到目标，模型将标记出目标人物并保存当前帧。

2.根据权利要求1所述的一种基于YOLO及卷积-循环网络的机房人物重识别方法，其特征在于：所述ResNet50-vd将下采样环节放置到后续的3*3卷积层中，使卷积核在以步长为2的滑动过程中依旧能获取每个像素点的信息。

3.根据权利要求1或2所述的一种基于YOLO及卷积-循环网络的机房人物重识别方法，其特征在于：所述ResNet50-vd在残差支路中设计了一个平均池化层，最大限度上保留了原始输入的信息。

4.根据权利要求3所述的一种基于YOLO及卷积-循环网络的机房人物重识别方法，其特征在于：在ResNet50-vd中融入可变形卷积网络，通过设置偏移变量，令卷积核在当前位置附近随意采样和学习特征。

5.根据权利要求1所述的一种基于YOLO及卷积-循环网络的机房人物重识别方法，其特征在于：在步骤S1中，将CoordConv结构应用于ResNet50-vd每个残差块第一个卷积结构，帮助卷积获取过滤器的位置。