[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

说明书

本发明公开了一种基于YOLO及卷积‑循环网络的机房人物重识别方法，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；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；步骤S3：最后输入至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。本发明能够在各个监控的视频帧中准确捕捉到目标人物的行动轨迹，作为日后责任断定的根本依据。

技术领域

本发明涉及图像捕捉及数据处理技术领域，特别涉及一种基于YOLO及卷积-循环网络的机房人物重识别方法。

背景技术

机房管理是企业稳定运行的重要内容之一。机房内的服务器受到破坏、盗窃、信息泄露等问题时将对企业造成不可逆转的损失。因此，机房内的安全管理和安全监控愈加受到重视和关注。其中，视频安全监控能够实现实时监控和集中管理，是企业维稳的重要方式。由于具备覆盖率高、全方位、无死角的特点，监控技术己经得到长足的发展，并且广泛使用于各个生产生活领域。但是目前还没有专门用于机房重要人物轨迹监控的系统，常规的监控技术在后续处理一些目标人物的行动轨迹的时候，存在图像不连续、视景模糊和不够准确的问题。

发明内容

有鉴于此，本发明的目的是提供一种基于YOLO及卷积-循环网络的机房人物重识别方法。能够在各个监控的视频帧中准确捕捉到目标人物的行动轨迹，作为日后责任断定的根本依据。

本发明的目的是通过以下技术方案实现的：。

该种基于YOLO及卷积-循环网络的机房人物重识别方法，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；

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；

步骤S3：最后输入至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。

特别地，所述步骤S1中，Yolov3使用残差神经网络DarkNet53作为特征提取网络，在保证检测速度的前提下得到了更高的识别正确率，在卷积层后加入了批标准化(BatchNormalization，BN)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。

特别地，卷积-循环网络选用ResNet50-vd和LSTM。

特别地，所述ResNet-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。

特别地，所述ResNet-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。

特别地，在ResNet50-vd中融入可变形卷积网络，通过设置“偏移变量”，令卷积核可以在当前位置附近随意采样和学习特征。

特别地，在步骤S2中，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。

特别地，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：