图像处理方法、系统及计算机存储介质技术方案

本申请实施例公开了一种图像处理方法、系统及计算机存储介质，用于检测施工现场的人员是否佩戴安全帽。本申请实施例方法包括：获取待检测图像，获取预先训练好的卷积神经网络模型，向卷积神经网络模型输入所述待检测图像，得到卷积神经网络模型输出的待识别特征；对待识别特征进行评分，得到待识别特征的评价分数；判断待识别特征的评价分数是否在预设的分数范围内，若是，则确定施工现场的人员有佩戴安全帽，若否，则确定施工现场中有人员没有佩戴安全帽。本申请实施例运用卷积神经网络模型对人员是否佩戴安全帽进行检测，取代了传统的人为检查监控视频的方法，无需人为监控施工现场。

Image processing method, system and computer storage medium

【技术实现步骤摘要】
图像处理方法、系统及计算机存储介质
本申请实施例涉及图像处理领域，具体涉及一种图像处理方法、系统及计算机存储介质。
技术介绍
随着安防监控摄像头的普及，各种不同场景下的识别需求也应运而生，尤其是针对人员安全方面的识别需求。对于建筑工程的施工场地以及其他特定场合而言，施工现场要求相关工作人员及外来访客必须佩戴安全帽，监管人员通过监控视频对施工现场进行24小时的实时监控，如果有人员进入施工现场且没有佩戴安全帽，则及时提醒或者发出报警信号。但是，监管人员通过监控视频对施工现场内的人员是否佩戴安全帽进行检查，难免会由于人为的疏忽而出现漏检的情况，同时，施工场地环境复杂，监管人员难以同时兼顾多处施工场地，导致漏检情况的发生。
技术实现思路
本申请实施例提供了一种图像处理方法、系统及计算机存储介质，用于检测施工现场的人员是否佩戴安全帽。本申请实施例第一方面提供了一种图像处理方法，包括：获取待检测图像，所述待检测图像为施工现场的图像；获取预先训练好的卷积神经网络模型；向所述卷积神经网络模型输入所述待检测图像，以得到所述卷积神经网络模型对所述待检测图像进行特征提取之后输出的待识别特征；对所述待识别特征进行评分，得到所述待识别特征的评价分数；判断所述待识别特征的评价分数是否在预设的分数范围内，所述分数范围为人员佩戴安全帽图案特征对应的评价分数的范围；若是，则确定所述施工现场的人员有佩戴安全帽；若否，则确定所述施工现场中有人员没有佩戴安全帽。r>优选的，所述卷积神经网络模型的训练过程，包括：获取训练样本图像，所述训练样本图像包括具有人员佩戴安全帽图案的图像；获取待训练的卷积神经网络模型；向所述卷积神经网络模型输入所述训练样本图像，以使所述卷积神经网络模型中的卷积层输出特征，并由分类卷积层对所述特征进行分类处理，得到包含所述人员佩戴安全帽图案的目标特征以及多个不含所述人员佩戴安全帽图案的背景特征；使用损失函数对所述目标特征以及多个所述背景特征进行计算，以训练卷积神经网络模型。优选的，所述得到包含所述人员佩戴安全帽图案的目标特征以及多个不含所述人员佩戴安全帽图案的背景特征之后，还使所述卷积神经网络模型执行下述步骤：将所述目标特征中由深层卷积层输出的目标特征与由浅层卷积层输出的目标特征进行特征融合，得到融合目标特征；将所述背景特征中由深层卷积层输出的背景特征与由浅层卷积层输出的背景特征进行特征融合，得到融合背景特征；所述使用损失函数对所述目标特征以及多个所述背景特征进行计算，包括：使用损失函数对所述融合目标特征、所述融合背景特征以及其他卷积层输出的目标特征和多个背景特征进行计算，其中所述其他卷积层为所述卷积层中除了所述深层卷积层和所述浅层卷积层之外的卷积层。优选的，所述卷积神经网络模型的每一个卷积层之后还具有批归一化层；所述卷积神经网络模型中的卷积层输出特征之后，还使所述卷积神经网络模型执行下述步骤：使用所述批归一化层对所述特征进行批归一化处理。优选的，所述训练样本图像为经过预处理后的样本图像，其中所述预处理包括数据增强和/或数据清洗；所述向所述卷积神经网络模型输入所述训练样本图像，包括：向所述卷积神经网络模型输入所述经过预处理后的样本图像。优选的，所述获取待训练的卷积神经网络模型，包括：建立视觉几何组VGG网络；在所述VGG网络的基础上，增加一个或多个卷积层，得到所述卷积神经网络模型。本申请实施例第二方面提供了一种图像处理系统，包括：第一获取单元，用于获取待检测图像，所述待检测图像为施工现场的图像；第二获取单元，用于获取预先训练好的卷积神经网络模型；传输单元，用于向所述卷积神经网络模型输入所述待检测图像，以得到所述卷积神经网络模型对所述待检测图像进行特征提取之后输出的待识别特征；评分单元，用于对所述待识别特征进行评分，得到所述待识别特征的评价分数；判断单元，用于判断所述待识别特征的评价分数是否在预设的分数范围内，所述分数范围为人员佩戴安全帽图案特征对应的评价分数的范围；第一确定单元，用于当所述待识别特征的评价分数在所述分数范围内时，确定所述施工现场的人员有佩戴安全帽；第二确定单元，用于当所述待识别特征的评价分数不在所述分数范围内时，确定所述施工现场中有人员没有佩戴安全帽。优选的，所述第一获取单元还用于获取训练样本图像，所述训练样本图像包括具有人员佩戴安全帽图案的图像；所述第二获取单元还用于获取待训练的卷积神经网络模型；所述传输单元还用于向所述卷积神经网络模型输入所述训练样本图像，以使所述卷积神经网络模型中的卷积层输出特征，并由分类卷积层对所述特征进行分类处理，得到包含所述人员佩戴安全帽图案的目标特征以及多个不含所述人员佩戴安全帽图案的背景特征；所述图像处理系统还包括：训练单元，用于使用损失函数对所述目标特征以及多个所述背景特征进行计算，以训练卷积神经网络模型。优选的，所述传输单元还用于使所述卷积神经网络模型执行下述步骤：将所述目标特征中由深层卷积层输出的目标特征与由浅层卷积层输出的目标特征进行特征融合，得到融合目标特征；将所述背景特征中由深层卷积层输出的背景特征与由浅层卷积层输出的背景特征进行特征融合，得到融合背景特征；所述训练单元具体用于使用损失函数对所述融合目标特征、所述融合背景特征以及其他卷积层输出的目标特征和多个背景特征进行计算，其中所述其他卷积层为所述卷积层中除了所述深层卷积层和所述浅层卷积层之外的卷积层。优选的，所述卷积神经网络模型的每一个卷积层之后还具有批归一化层；所述传输单元还用于使所述卷积神经网络模型执行下述步骤：使用所述批归一化层对所述特征进行批归一化处理。优选的，所述训练样本图像为经过预处理后的样本图像，其中所述预处理包括数据增强和/或数据清洗；所述传输单元具体用于向所述卷积神经网络模型输入所述经过预处理后的样本图像。优选的，所述第二获取单元具体用于建立视觉几何组VGG网络，在所述VGG网络的基础上，增加一个或多个卷积层，得到所述卷积神经网络模型。本申请实施例第三方面提供了一种图像处理系统，包括：处理器、存储器、总线、输入输出设备；所述处理器与所述存储器、输入输出设备相连；所述总线分别连接所述处理器、存储器以及输入输出设备；所述输入输出设备用于获取待检测图像，所述待检测图像为施工现场的图像，获取预先训练好的卷积神经网络模型，向所述卷积神经网络模型输入所述待检测图像，以得到所述卷积神经网络模型对所述待检测图像进行特征提取之后输出的待识别特征；所述处理器用于对所述待识别特征进行评分，得到所述待识别特征的评价分数，判断所述待识别特征的评价分数是否在预设的分数范围内，所述分数范围为人员佩戴安全帽本文档来自技高网...

【技术保护点】
1.一种图像处理方法，其特征在于，包括：/n获取待检测图像，所述待检测图像为施工现场的图像；/n获取预先训练好的卷积神经网络模型；/n向所述卷积神经网络模型输入所述待检测图像，以得到所述卷积神经网络模型对所述待检测图像进行特征提取之后输出的待识别特征；/n对所述待识别特征进行评分，得到所述待识别特征的评价分数；/n判断所述待识别特征的评价分数是否在预设的分数范围内，所述分数范围为人员佩戴安全帽图案特征对应的评价分数的范围；/n若是，则确定所述施工现场的人员有佩戴安全帽；/n若否，则确定所述施工现场中有人员没有佩戴安全帽。/n

【技术特征摘要】
1.一种图像处理方法，其特征在于，包括：
获取待检测图像，所述待检测图像为施工现场的图像；
获取预先训练好的卷积神经网络模型；
向所述卷积神经网络模型输入所述待检测图像，以得到所述卷积神经网络模型对所述待检测图像进行特征提取之后输出的待识别特征；
对所述待识别特征进行评分，得到所述待识别特征的评价分数；
判断所述待识别特征的评价分数是否在预设的分数范围内，所述分数范围为人员佩戴安全帽图案特征对应的评价分数的范围；
若是，则确定所述施工现场的人员有佩戴安全帽；
若否，则确定所述施工现场中有人员没有佩戴安全帽。


2.根据权利要求1所述的图像处理方法，其特征在于，所述卷积神经网络模型的训练过程，包括：
获取训练样本图像，所述训练样本图像包括具有人员佩戴安全帽图案的图像；
获取待训练的卷积神经网络模型；
向所述卷积神经网络模型输入所述训练样本图像，以使所述卷积神经网络模型中的卷积层输出特征，并由分类卷积层对所述特征进行分类处理，得到包含所述人员佩戴安全帽图案的目标特征以及多个不含所述人员佩戴安全帽图案的背景特征；
使用损失函数对所述目标特征以及多个所述背景特征进行计算，以训练卷积神经网络模型。


3.根据权利要求2所述的图像处理方法，其特征在于，所述得到包含所述人员佩戴安全帽图案的目标特征以及多个不含所述人员佩戴安全帽图案的背景特征之后，还使所述卷积神经网络模型执行下述步骤：
将所述目标特征中由深层卷积层输出的目标特征与由浅层卷积层输出的目标特征进行特征融合，得到融合目标特征；
将所述背景特征中由深层卷积层输出的背景特征与由浅层卷积层输出的背景特征进行特征融合，得到融合背景特征；
所述使用损失函数对所述目标特征以及多个所述背景特征进行计算，包括：
使用损失函数对所述融合目标特征、所述融合背景特征以及其他卷积层输出的目标特征和多个背景特征进行计算，其中所述其他卷积层为所述卷积层中除了所述深层卷积层和所述浅层卷积层之外的卷积层。


4.根据权利要求2所述的图像处理方法，其特征在于，所述卷积神经网络模型的每一个卷积层之后还具有批归一化层；
所述卷积神经网络模型中的卷积层输出特征之后，还使所述卷积神经网络模型执行下述步骤：
使用所述批归一化层对所述特征进行批归一化处理。


5.根据权利要求2至4任一项所述的图像处理方法，其特征在于，所述训练样本图像为经过预处理后的样本图像，其中所述预处理包括数据增强和/或数据清洗；
所述向所述卷积神经网络模型输入所述训练样本图像，包括：
向所述卷积神经网络模型输入所述经过预处理后的样本图像。


6.根据权利要求5所述的图像处理方法，其特征在于，所述获取待训练的卷积神经网络模型，包括：
建立视觉几何组VGG网络；
在所述VGG网络的基础上，增加一个或多个卷积层，得到所述卷积神经网络模型。


7.一种图像处理系统，其特征在于，包括：
第一获取单元，用于获取待检测图像，所述待检测图像为施工现场的图像；
第二获取单元，用于获取预先训练好的卷积神经网络模型；
传输单元，用于向所述卷积神经网络模型输入所述待检测图像，以得到所述卷积神经网络模型对所述待检测图像进行特征提取之后输出的待识别特征；
评分单元，用于对所述待识别特征进行评分，得到所述待识别特征的评价分数；
判断单元，用于判断所述待识别特征的评价分数是否在预设的...

【专利技术属性】
技术研发人员：唐健，祝严刚，陶昆，
申请(专利权)人：深圳市捷顺科技实业股份有限公司，
类型：发明
国别省市：广东;44