1.一种基于多特征信息的快递人员身份识别方法,其特征在于包括如下步骤: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SFPNet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;
步骤(4)收集快递车辆、快递logo和快递衣服图片,并快递车辆、快递logo和快递衣服进行相应的识别标记做成数据集;用数据集对预训练SFPNet模型进行训练,得到最终的SFPNet识别模型;
步骤(5)将测试图片输入最终的SFPNet识别模型,进行识别;通过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,通过识别的多特征信息进行综合判断,以达到对快递人员身份的准确识别。
2.根据权利要求1所述的一种基于多特征信息的快递人员身份识别方法,其特征在于步骤(1)具体实现过程如下:
1-1.利用1*1的卷积层,减少输入的多尺度金字塔模块MSPM的特征图的通道数以降低计算量,并加入ReLU激活函数;
1-2.利用大小为3*3,空洞率分别为1、2、4和8,步长分别对应为1,2,4,8的空洞卷积来提取不同尺度的特征信息;
1-3.将步骤1-2中四种空洞卷积获取的特征进行通道连接,连接后的通道使用1*1的卷积层,将通道数变换为与输入该多尺度金字塔模块MSPM的特征图相同的通道数,并与输入该多尺度金字塔模块MSPM的特征图对应像素点进行叠加,既保留输入该多尺度金字塔模块MSPM的特征图的特征,又加入了不同大小感受野的特征信息,有效改善提取较小尺寸的物体特征。
3.根据权利要求1或2所述的一种基于多特征信息的快递人员身份识别方法,其特征在于步骤(2)构建SFPNet网络具体过程如下:
2-1.使用3个卷积核大小为3*3的基础网络层对图像进行特征提取,将提取特征输入到多尺度金字塔模块MSPM中;
2-2.使用3个多尺度金字塔模块MSPM对步骤2-1中提取的特征图,进行进一步的提取;
2-3.利用大小为3*3,通道数为256的卷积核对3个基础网络层和3个多尺度金字塔模块MSPM输出的特征图,分别进行卷积操作,以将不同特征层的特征图的通道数变成相同的数量,以便进行融合计算;在统一了每一层的通道数之后,利用反卷积操作把每一层特征层进行上采样,以进行融合,反卷积特征图的大小计算公式如(1)所示:其中,i为输入特征图的尺寸大小,f为卷积核的大小,p为填充的像素数,s为反卷积的步长;
2-4.对不同的特征层,采用每个像素对应点的和,来作为融合后的特征图;
2-5.将融合后的特征层送入到最后的检测部分,进行检测识别。
4.根据权利要求3所述的一种基于多特征信息的快递人员身份识别方法,其特征在于步骤(3)具体实现过程如下:
3-1.针对不同大小图片设置不同步长的学习批次,对于输入大小为320*320的图像,处理批次设置为32;对于输入图像512*512,设置的批次为16;动量和权值衰减分别设置为0.9和0.0005;
3-2.下载PASCAL VOC数据集,使用PASCAL VOC数据集对目标检测网络SFPNet进行训练,获得预训练SFPNet模型,实现基础的目标检测。
5.根据权利要求1或2或4所述的一种基于多特征信息的快递人员身份识别方法,其特征在于步骤(4)具体实现过程如下:
4-1.收集快递车辆、快递logo和快递衣服图片,并快递车辆、快递logo和快递衣服进行相应的识别标记做成数据集;其中快递车辆、快递logo和快递衣服图片各N张,并进行识别标识,标识规则如表1所示:表1:识别规则
快递名称 车辆 Logo 衣服
申通快递 1 7 13
圆通快递 2 8 14
韵达快递 3 9 15
顺丰快递 4 10 16
中通快递 5 11 17
百世汇通 6 12 18
4-2.将有识别标记的数据集对预训练SFPNet模型进行训练,得到最终的SFPNet识别模型。
6.根据权利要求5所述的一种基于多特征信息的快递人员身份识别方法,其特征在于步骤(5)具体实现过程如下:
5-1.将测试图像输入到最终的SFPNet模型中,获得多个目标信息结果;
5-2.通过对多个目标信息的综合判断,判断快递人员身份:快递车辆、快递logo和快递衣服对结果的影响权重是不同的;设置目标信息分值为1,目标信息权重有快递车辆为0.3,快递Logo为0.5,快递衣服为0.2;输出所属公司分值最大的,则为该公司快递员。