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 PDF

Info

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
Application number
CN201910658987.9A
Other languages
English (en)
Inventor
吴丽君
李斌斌
陈志聪
宋春歌
程树英
林培杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN201910658987.9A priority Critical patent/CN110378422A/zh
Publication of CN110378422A publication Critical patent/CN110378422A/zh
Pending legal-status Critical Current

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

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

一种基于Faster R-CNN的武器识别方法
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、手枪和步枪的武器图像。
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、手枪和步枪的武器图像；
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、手枪和步枪的武器图像。
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。
CN201910658987.9A 2019-07-22 2019-07-22 一种基于Faster R-CNN的武器识别方法 Pending CN110378422A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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系统及方法
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
CN101216884B (zh) 一种人脸认证的方法及系统
CN105117692A (zh) 一种基于深度学习的实时人脸识别方法及系统
CN106169071B (zh) 一种基于动态人脸与胸卡识别的考勤方法及系统
CN106355154B (zh) 一种监控视频中检测频繁过人的方法
CN109325462B (zh) 基于虹膜的人脸识别活体检测方法及装置
CN110728225A (zh) 一种用于考勤的高速人脸搜索方法
CN113191699A (zh) 一种配电施工现场安全监管方法
CN110728166A (zh) 一种利用人脸识别确认行踪智能监控集成系统
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
CN111062303A (zh) 图像处理方法、系统及计算机存储介质
CN107832721B (zh) 用于输出信息的方法和装置
CN111127830A (zh) 基于监控设备的报警方法、报警系统和可读存储介质
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
CN111325133A (zh) 一种基于人工智能识别的影像处理系统
CN111968152A (zh) 一种动态身份识别方法及装置
CN112200108A (zh) 一种口罩人脸识别方法
CN110378422A (zh) 一种基于Faster R-CNN的武器识别方法
CN115410119A (zh) 一种基于训练样本自适应生成的剧烈运动检测方法及系统
Yi et al. Research on Helmet Wearing Detection in Multiple Scenarios Based on YOLOv5
Ives et al. Iris recognition using the ridge energy direction (RED) algorithm
Biswas et al. Boosting child abuse victim identification in Forensic Tools with hashing techniques

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