[发明专利]一种基于深度学习的典型人物的身份识别方法

摘要

本发明涉及一种基于深度学习的典型人物的身份识别方法，涉及深度学习方法，从图像视频中自动判断典型人物的身份；包括构建具有标注信息的数据集；向加速区域生成神经网络输入具有标注信息的数据集得到模型框架，并进行模型训练得到典型人物身份识别的神经网络模型；利用训练后的典型人物身份识别的神经网络模型进行人物身份的识别和检测；即可较为成功的识别比较典型的人物身份，提高人物身份识别速度和准确性，在监狱管理和交通管理的工作中能起到很大的推进作用。

主权项

1.一种基于深度学习的典型人物的身份识别方法，其特征在于包括：采用图像标注对收集的典型人物图像进行特征标注，同时生成标注信息；所述标注信息包括图像的名字，位置的坐标以及标签，所述标签为典型人物的身份；所述特征标注采用框图的形式；通过整合标注信息及图像建立具有标注信息的数据集；构建加速区域生成神经网络，并向其输入具有标注信息的数据集得到模型框架；所述加速区域生成神经网络包括用于提取候选框的区域建议生成网络和用于检测并识别目标的快速区域卷积神经网络；对模型框架进行模型训练得到典型人物身份识别的神经网络模型；利用训练后的典型人物身份识别的神经网络模型进行人物身份的识别和检测；所述区域建议生成网络包括共享卷积层、滑动窗口、第一全连接层；所述快速区域卷积神经网络包括第一卷积层、池化层、第二全连接层；向加速区域生成神经网络输入具有标注信息的数据集后进行典型人物身份识别的神经网络模型的框架构建，步骤如下：首先具有标注信息的数据集传播入区域建议生成网络的共享卷积层用于进行原始特征的提取得到区域特征图，并且具有标注信息的数据集继续前向传播入快速区域卷积神经网络的第一卷积层用于进行特征的提取得到高维特征图；经过共享卷积层得到的区域特征图通过第一全连接层分类后得到区域建议信息和区域得分信息；将区域建议信息以及通过第一卷积层得到的高维特征图一起输入至快速区域卷积神经网络的池化层从而提取出区域建议信息的特征；将得到的区域建议信息的特征通过第二全连接层分类得到分类得分信息和回归后的边界框，即分类层和回归层；通过分类层确定类别，通过回归层确定位置，即可得到典型人物身份识别的神经网络模型的模型框架。