一种基于人工智能的反光背心穿戴识别方法技术

本发明专利技术的基于人工智能的反光背心穿戴识别方法，包括：a).获得工程作业人员穿戴反光背心的影像与图片；b).对图片进行人工标注，标注点为是否穿戴了反光背心；c).在训练集上进行训练，提取反光背心的特征，反光背心特征表示为神经网络模型中训练出的各项权重；d).最终模型训练完毕在测试集上的准确率达到99.5%，远超出正常人的平均识别率；e).将训练完成的目标检测网络部署到监控设备上，进行实时检测。本发明专利技术的目标检测网络反光背心识别方法，对输入图片进行优化处理，提高了检测效率和识别精度，可准确识别出所道路或工程现场为按规定穿戴安全背心的人员，并发出报警信息，确保了有关人员的生命财产安全。

A method of reflective vest Wear Recognition Based on Artificial Intelligence

【技术实现步骤摘要】
一种基于人工智能的反光背心穿戴识别方法
本专利技术涉及一种基于人工智能的反光背心穿戴识别方法，更具体的说，尤其涉及一种部署训练出的神经网络模型可将现场未穿戴反光背心的人员自动识别出来的基于人工智能的反光背心穿戴识别方法。
技术介绍
反光背心主要适用于警察、路政人员、公路养护人员、摩托车的驾驶员、以及其它需要用反光警示安全的人员，以便车辆驾驶员在较远距离即可发现穿戴反光背心的人员，进行减速和避让。譬如交通警察在道路上处理交通事故时，事故车辆可能占用行车道，交通警察也需要在行车道中查验相关情况；再如路政人员或公路养护人员，其在道路上工作的时间更长、频率更高。在这些应用场合中，都有安全规范要求现场人员必须穿戴反光背心，但仍有某些存在侥幸心理的人不按规定执行，从而带来了极大的安全隐患。目前反光背心穿戴只能依靠人工检查，对于很多野外施工的情况，监查非常困难，因此本专利技术提出一种通过计算机图像识别技术自动识别施工人员的反光背心是否穿戴的有效方法。
技术实现思路
本专利技术为了克服上述技术问题的缺点，提供了一种可将现场未穿戴反光背心的人员自动识别出来的基于人工智能的反光背心穿戴识别方法。本专利技术的基于人工智能的反光背心穿戴识别方法，其特征在于，通过以下步骤来实现：a).建立训练素材库，收集所有款式的工程中使用的反光背心，在施工现场安排工程作业人员穿戴，然后通过视频和拍照获得各个方位、各种样式、各种背景以及各种光线下工程作业人员穿戴反光背心的影像与图片，将影像图片进行剪切，形成图片，并通过图像工具将图片处理为统一的正方形尺寸；b).标注图片，对经步骤a)处理后的图片进行人工标注，标注点为是否穿戴了反光背心，标注完成后，得到一个人体穿戴反光背心情景的数据集；c).训练目标检测网络模型，首先建立基于MobileNetSSD轻量级目标检测网络的神经网络训练模型，将数据集划分为训练集、验证集和测试集，在训练集上进行训练，提取反光背心的特征，反光背心特征表示为神经网络模型中训练出的各项权重；最终获得用于检测反光背心穿戴的专用目标检测网络；d).检测神经网络准确度，按照7：1：2的比例，将数据分为训练集、验证集、和测试集，共进行100000次迭代，每次迭代集合大小为16张图片，每进行10次迭代通过验证集计算当前损失值和准确率，完成迭代后在测试集上进行最终的准确率的计算，测试结果表明最终的准确率达到99.5％，远超出正常人的平均识别率；e).模型部署，将训练完成的目标检测网络部署到监控设备上，进行实时检测，当检测出员工未正确佩戴反光背心时，进行语音报警，并通过网络实时上传至电脑终端，便于管理人员进行维护。本专利技术的基于人工智能的反光背心穿戴识别方法，步骤a)中，图片处理后的正方形边长不大于450像素，不小于150像素；步骤a)中，共收集了10324张图片，其中正确穿戴反光背心目标有7323个，未正确穿戴反光背心目标有7481个，二者比例接近于1:1。本专利技术的基于人工智能的反光背心穿戴识别方法，由于采集的初始图像的分辨率较大，若直接进行调整，则会导致目标人物变形，降低后期的准确率，通过如下步骤对目标图片进行采集：a-1).原始图片收集，收集的图片尺寸为1920像素*1080像素；a-2).利用预训练的YOLOV3行人检测网络，对原始图片进行检测，会在每张图片中输出N个矩形检测框，矩形检测框的数量N与图片中行人的数量相等；a-3).以每个矩形检测框的中心为参考点，在原始图像中截取边长为a的正方形图片，其中边长a符合均值为300像素、方差为1的正态分布，a的概率密度函数如公式(1)所示：a-4).过滤掉边长小于150和边长大于450的矩形，其余图片作为数据集进行人工标注。本专利技术的基于人工智能的反光背心穿戴识别方法，步骤c)在进行训练时，通过以下公式进行卷积操作：其中，f表示被卷积对象，h表示卷积核，g表示图像经过卷积后的结果。本专利技术的基于人工智能的反光背心穿戴识别方法，步骤d)中，在进行训练时，输入图像尺寸为1280像素*720像素，直接缩放至300像素*300像素会造成像素信息丢失，从而导致检测率降低，故采用如下算法进行检测：d-1).输入1280像素*720像素尺寸原始图片；d-2).在原始图片上截取4张300像素*300像素大小图片，选择在原始图片下方进行截取；d-3).依次进行检测，若未检测出目标，返回步骤d-1)，若检测出目标进入步骤d-4)；d-4).记录目标位置，返回步骤d-1)，并优先根据记录目标位置进行检测。本专利技术的基于人工智能的反光背心穿戴识别方法，步骤d)中，在计算每张图片的结果时，利用了非极大值抑制算法，对交并比公式进行基于深度学习，从而使准确率提升，基于深度学习后的交并比公式如下所示：其中，SA、SB分别代表目标A、目标B的面积大小。本专利技术的有益效果是：本专利技术的基于人工智能的目标检测网络反光背心识别方法，通过MobileNetSSD目标检测网络处理图片特征，获得神经网络模型，对模型进行不断训练，最终准确度较高得网络模型，为反光背心识别提供可靠的依据；本专利技术中对MobileNetSSD网络候选框进行重新选取，并设计算法对输入图片进行优化处理，提高了检测效率和识别精度，可准确识别出所道路或工程现场为按规定穿戴安全背心的人员，并发出报警信息，以便有关人员采取相应处理，确保了有关人员的生命财产安全，有益效果显著。附图说明图1为本专利技术中识别的穿戴与未穿戴示意图；图2为本专利技术的基于人工智能的目标检测网络反光背心识别流程图。具体实施方式下面结合附图与实施例对本专利技术作进一步说明。如图1所示，给出了本专利技术中识别的穿戴与未穿戴示意图，图2给出了本专利技术的基于人工智能的目标检测网络反光背心识别流程图，其通过如下步骤来实现：a).建立训练素材库，收集所有款式的工程中使用的反光背心，在施工现场安排工程作业人员穿戴，然后通过视频和拍照获得各个方位、各种样式、各种背景以及各种光线下工程作业人员穿戴反光背心的影像与图片，将影像图片进行剪切，形成图片，并通过图像工具将图片处理为统一的正方形尺寸；该步骤中，图片处理后的正方形边长不大于450像素，不小于150像素；步骤a)中,由于MobileNetSSD网络，输入图片尺寸为300像素*300像素，但自行收集的图片尺寸为1920像素*1080像素，需降低其分辨率。若直接进行调整，则会导致目标人物变形，降低后期的准确率。所以，通过如下步骤对目标图片进行采集：a-1).原始图片收集，收集的图片尺寸为1920像素*1080像素；a-2).利用预训练的YOLOV3行人检测网络，对原始图片进行检测，会在每张图片中输出N个矩形检测框，矩形检测框的数量N与图片中行人的数量相等；a-3).以每个矩形检测框的中心为参考点，在原始图像中截取边长为a的正方形本文档来自技高网...

【技术保护点】
1.一种基于人工智能的反光背心穿戴识别方法，其特征在于，通过以下步骤来实现：/na).建立训练素材库，收集所有款式的工程中使用的反光背心，在施工现场安排工程作业人员穿戴，然后通过视频和拍照获得各个方位、各种样式、各种背景以及各种光线下工程作业人员穿戴反光背心的影像与图片，将影像图片进行剪切，形成图片，并通过图像工具将图片处理为统一的正方形尺寸；/nb).标注图片，对经步骤a)处理后的图片进行人工标注，标注点为是否穿戴了反光背心，标注完成后，得到一个人体穿戴反光背心情景的数据集；/nc).训练目标检测网络模型，首先建立基于MobileNetSSD轻量级目标检测网络的神经网络训练模型，将数据集划分为训练集、验证集和测试集，在训练集上进行训练，提取反光背心的特征，反光背心特征表示为神经网络模型中训练出的各项权重；最终获得用于检测反光背心穿戴的专用目标检测网络；/nd).检测神经网络准确度，按照7：1：2的比例，将数据分为训练集、验证集、和测试集，共进行100000次迭代，每次迭代集合大小为16张图片，每进行10次迭代通过验证集计算当前损失值和准确率，完成迭代后在测试集上进行最终的准确率的计算，测试结果表明最终的准确率达到99.5％，远超出正常人的平均识别率；/ne).模型部署，将训练完成的目标检测网络部署到监控设备上，进行实时检测，当检测出员工未正确佩戴反光背心时，进行语音报警，并通过网络实时上传至电脑终端，便于管理人员进行维护。/n...

【技术特征摘要】
1.一种基于人工智能的反光背心穿戴识别方法，其特征在于，通过以下步骤来实现：
a).建立训练素材库，收集所有款式的工程中使用的反光背心，在施工现场安排工程作业人员穿戴，然后通过视频和拍照获得各个方位、各种样式、各种背景以及各种光线下工程作业人员穿戴反光背心的影像与图片，将影像图片进行剪切，形成图片，并通过图像工具将图片处理为统一的正方形尺寸；
b).标注图片，对经步骤a)处理后的图片进行人工标注，标注点为是否穿戴了反光背心，标注完成后，得到一个人体穿戴反光背心情景的数据集；
c).训练目标检测网络模型，首先建立基于MobileNetSSD轻量级目标检测网络的神经网络训练模型，将数据集划分为训练集、验证集和测试集，在训练集上进行训练，提取反光背心的特征，反光背心特征表示为神经网络模型中训练出的各项权重；最终获得用于检测反光背心穿戴的专用目标检测网络；
d).检测神经网络准确度，按照7：1：2的比例，将数据分为训练集、验证集、和测试集，共进行100000次迭代，每次迭代集合大小为16张图片，每进行10次迭代通过验证集计算当前损失值和准确率，完成迭代后在测试集上进行最终的准确率的计算，测试结果表明最终的准确率达到99.5％，远超出正常人的平均识别率；
e).模型部署，将训练完成的目标检测网络部署到监控设备上，进行实时检测，当检测出员工未正确佩戴反光背心时，进行语音报警，并通过网络实时上传至电脑终端，便于管理人员进行维护。


2.根据权利要求1所述的基于人工智能的反光背心穿戴识别方法，其特征在于：步骤a)中，图片处理后的正方形边长不大于450像素，不小于150像素；步骤a)中，共收集了10324张图片，其中正确穿戴反光背心目标有7323个，未正确穿戴反光背心目标有7481个，二者比例接近于1:1。


3.根据权利要求1或2所述的基于人工智能的反光背心穿戴识别方法，其特征在于：由于采集的初始图像的分辨率较大，若直接进行调整，则会导致目标人物变形，降...

【专利技术属性】
技术研发人员：郭强，季磊，
申请(专利权)人：山东仁功智能科技有限公司，
类型：发明
国别省市：山东;37