CN110378422A - 一种基于Faster R-CNN的武器识别方法 - Google Patents
一种基于Faster R-CNN的武器识别方法 Download PDFInfo
- Publication number
- CN110378422A CN110378422A CN201910658987.9A CN201910658987A CN110378422A CN 110378422 A CN110378422 A CN 110378422A CN 201910658987 A CN201910658987 A CN 201910658987A CN 110378422 A CN110378422 A CN 110378422A
- Authority
- CN
- China
- Prior art keywords
- weapon
- image
- faster
- methods based
- recognition methods
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于Faster R‑CNN的武器识别方法包括以下步骤:步骤S1:采集包含武器的图像,并构成图像数据集;步骤S2:对图像数据集进行预处理,并分成训练集和测试集;步骤S3:将训练集输入预训练模型中进行训练,得到识别模型;步骤S4:将测试集输入识别模型,输出测试图像中武器的类别,以及对预测结果的准确率。本发明能够对图像中的武器进行识别,且可同时识别多个武器,精度较高。
Description
技术领域
本发明涉及图像识别领域,具体涉及一种基于Faster R-CNN的武器识别方法。
背景技术
随着当今社会的发展,人民的生活水平不断提高,但是各种安全问题依旧存在,其中持械伤人事件占一大部分的比例。如果能在持械嫌疑人犯罪之前就检测出其携带着武器,那么就可以对其进行有效的监控,必要时在持械嫌疑人犯罪之前采取进一步的措施,以防止危险事件发生,从而提高社会安全程度。
目前常见的安全监控手段主要是利用摄像头获取相关信息,但是其存在一些问题,绝大部分的摄像头传回后台的监控视频没有进行24小时监管,甚至无人看管,导致极有可能错过对危险武器的识别,使得监控只能作为后期证据的调用,然而这时候危险事件已经发生,造成的后果已无法挽回。因此,如果能够及时识别出危险武器,那么就可以在危险事件发生前对持械嫌疑人进行有效控制,从而降低危险事件发生的概率,可见武器识别对维护社会安全稳定有着重要作用。
随着深度学习的飞速发展,其应用场景也越来越广泛,自动并且实时处理监控视频已经成为可能。
发明内容
有鉴于此,本发明的目的在于提供一种基于Faster R-CNN的武器识别方法。
为实现上述目的,本发明采用如下技术方案:
一种基于Faster R-CNN的武器识别方法,包括以下步骤:
步骤S1:采集包含武器的图像,并构成图像数据集;
步骤S2:对图像数据集进行预处理,并利用labelImg工具对图像进行标注后分成训练集和测试集;
步骤S3:将训练集输入预训练模型中进行训练,得到识别模型;
步骤S4:将测试集输入识别模型,输出测试图像中武器的类别,以及对预测结果的准确率。
进一步的,所述图像采集是利用requests方式向网页发送一个请求,然后通过get的回应以及BeautifulSoup的信息筛选,得到所需要的武器图像;所述图像数据集包括刀、***和步枪的武器图像。
进一步的,所述预处理具体为剔除不清晰、玩具武器和动画武器的图像。
进一步的,所述预训练模型采用faster_rcnn_inception_v2_coco模型,在训练过程中训练过程中,初始学习率设置为0.0002,最大迭代次数设置为200,000。
进一步的,所述预测结果的准确率是指对识别出的武器进行定位,然后用矩形框框出其位置,并标出识别的置信度。
本发明与现有技术相比具有以下有益效果:
本发明能够对图像中的武器进行快速识别,且可同时识别多个武器,精度高。
附图说明
图1是本发明原理流程框图;
图2是本发明一实施例数据集中的数据示意图;
图3是本发明一实施例中Faster R-CNN的流程图;
图4是本发明一实施例中训练过程的损失值函数图;
图5本发明一实施例中位测试结果图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1,本发明提供一种基于Faster R-CNN的武器识别方法,包括以下步骤:
步骤S1:采集包含武器的图像,并构成图像数据集;述图像采集是利用requests方式向网页发送一个请求,然后通过get的回应以及BeautifulSoup的信息筛选,得到所需要的武器图像;所述图像数据集包括刀、***和步枪的武器图像;
步骤S2:对图像数据集进行预处理,并利用labelImg工具对图像进行标注,然后按照8:2的比例随机分成训练集和测试集
步骤S3:将训练集输入预训练模型中进行训练,得到识别模型;
步骤S4:将测试集输入识别模型,输出测试图像中武器的类别,以及对预测结果的准确率。
在本实施例中,所述预训练模型采用faster_rcnn_inception_v2_coco模型,在训练过程中训练过程中,初始学习率设置为0.0002,最大迭代次数设置为200,000。
本实施例采用的,Faster R-CNN运行,包括以下步骤:
1、将整张图像输入到卷积神经网络,得到特征图。
2、将卷积特征输入到RPN当中,以此得到候选区域的特征信息。
3、使用分类器判断对候选区域中提取出来的特征是否属于某一个类别。
4、使用回归器对属于某一类别的候选区域的位置进行调整。
在本实施例中,所述预测结果的准确率是指对识别出的武器进行定位,然后用矩形框框出其位置,并标出识别的置信度。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (5)
1.一种基于Faster R-CNN的武器识别方法,其特征在于,包括以下步骤:
步骤S1:采集包含武器的图像,并构成图像数据集;
步骤S2:对图像数据集进行预处理,并利用labelImg工具对图像进行标注后分成训练集和测试集;
步骤S3:将训练集输入预训练模型中进行训练,得到识别模型;
步骤S4:将测试集输入识别模型,输出测试图像中武器的类别,以及对预测结果的准确率。
2.根据权利要求1所述的一种基于Faster R-CNN的武器识别方法,其特征在于:所述图像采集是利用requests方式向网页发送一个请求,然后通过get的回应以及BeautifulSoup的信息筛选,得到所需要的武器图像;所述图像数据集包括刀、***和步枪的武器图像。
3.根据权利要求1所述的一种基于Faster R-CNN的武器识别方法,其特征在于:所述预处理具体为剔除不清晰、玩具武器和动画武器的图像。
4.根据权利要求1所述的一种基于Faster R-CNN的武器识别方法,其特征在于:
所述预训练模型采用faster_rcnn_inception_v2_coco模型,在训练过程中训练过程中,初始学习率设置为0.0002,最大迭代次数设置为200,000。
5.根据权利要求1所述的一种基于Faster R-CNN的武器识别方法,其特征在于:
所述预测结果的准确率是指对识别出的武器进行定位,然后用矩形框框出其位置,并标出识别的置信度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910658987.9A CN110378422A (zh) | 2019-07-22 | 2019-07-22 | 一种基于Faster R-CNN的武器识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910658987.9A CN110378422A (zh) | 2019-07-22 | 2019-07-22 | 一种基于Faster R-CNN的武器识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110378422A true CN110378422A (zh) | 2019-10-25 |
Family
ID=68254499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910658987.9A Pending CN110378422A (zh) | 2019-07-22 | 2019-07-22 | 一种基于Faster R-CNN的武器识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378422A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114159281A (zh) * | 2022-01-06 | 2022-03-11 | 延安大学 | 一种能够实现楼梯检测的装置及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451602A (zh) * | 2017-07-06 | 2017-12-08 | 浙江工业大学 | 一种基于深度学习的果蔬检测方法 |
CN108830188A (zh) * | 2018-05-30 | 2018-11-16 | 西安理工大学 | 基于深度学习的车辆检测方法 |
CN109711474A (zh) * | 2018-12-24 | 2019-05-03 | 中山大学 | 一种基于深度学习的铝材表面缺陷检测算法 |
CN109829429A (zh) * | 2019-01-31 | 2019-05-31 | 福州大学 | 基于YOLOv3的监控场景下的安防敏感物品检测方法 |
CN110083719A (zh) * | 2019-03-29 | 2019-08-02 | 杭州电子科技大学 | 一种基于深度学习的工业制品病疵检测方法 |
-
2019
- 2019-07-22 CN CN201910658987.9A patent/CN110378422A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451602A (zh) * | 2017-07-06 | 2017-12-08 | 浙江工业大学 | 一种基于深度学习的果蔬检测方法 |
CN108830188A (zh) * | 2018-05-30 | 2018-11-16 | 西安理工大学 | 基于深度学习的车辆检测方法 |
CN109711474A (zh) * | 2018-12-24 | 2019-05-03 | 中山大学 | 一种基于深度学习的铝材表面缺陷检测算法 |
CN109829429A (zh) * | 2019-01-31 | 2019-05-31 | 福州大学 | 基于YOLOv3的监控场景下的安防敏感物品检测方法 |
CN110083719A (zh) * | 2019-03-29 | 2019-08-02 | 杭州电子科技大学 | 一种基于深度学习的工业制品病疵检测方法 |
Non-Patent Citations (2)
Title |
---|
刘庆,姚丽娜,余美华主编: "《Python编程案例教程》", 30 September 2018 * |
谢奇芳等: ""基于Faster R-CNN的高分辨率图像目标检测技术"", 《国土资源遥感》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114159281A (zh) * | 2022-01-06 | 2022-03-11 | 延安大学 | 一种能够实现楼梯检测的装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110674772B (zh) | 电力作业现场智能安全管控辅助***及方法 | |
CN104063722B (zh) | 一种融合hog人体目标检测和svm分类器的安全帽识别方法 | |
CN109409342A (zh) | 一种基于轻量卷积神经网络的虹膜活体检测方法 | |
CN110728225B (zh) | 一种用于考勤的高速人脸搜索方法 | |
CN106169071B (zh) | 一种基于动态人脸与胸卡识别的考勤方法及*** | |
CN105117692A (zh) | 一种基于深度学习的实时人脸识别方法及*** | |
CN106355154B (zh) | 一种监控视频中检测频繁过人的方法 | |
CN110674790B (zh) | 一种视频监控中异常场景处理方法及*** | |
CN113191699A (zh) | 一种配电施工现场***方法 | |
CN111127830A (zh) | 基于监控设备的报警方法、报警***和可读存储介质 | |
CN109615733A (zh) | 一种基于人脸识别的农牧场防盗方法、装置及存储介质 | |
CN110728166A (zh) | 一种利用人脸识别确认行踪智能监控集成*** | |
CN111062303A (zh) | 图像处理方法、***及计算机存储介质 | |
CN107832721B (zh) | 用于输出信息的方法和装置 | |
CN103593648B (zh) | 一个面向开放环境的人脸识别方法 | |
CN110163100A (zh) | 一种防拍照显示器 | |
CN109389040B (zh) | 一种作业现场人员安全着装的检查方法及装置 | |
CN110378422A (zh) | 一种基于Faster R-CNN的武器识别方法 | |
CN115273150A (zh) | 基于人体姿态估计的安全帽佩戴的新型识别方法及*** | |
Yi et al. | Research on Helmet wearing detection in multiple scenarios based on YOLOv5 | |
Biswas et al. | Boosting child abuse victim identification in Forensic Tools with hashing techniques | |
Ives et al. | Iris recognition using the ridge energy direction (RED) algorithm | |
CN110738129B (zh) | 一种基于r-c3d网络的端到端视频时序行为检测方法 | |
CN110516538A (zh) | 基于深度学习目标检测的监狱双人离岗违规评估方法 | |
CN116935473A (zh) | 基于改进YOLO v7的复杂背景下安全帽佩戴实时检测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191025 |