一种目标人员着装识别方法及系统技术方案

本发明专利技术公开一种目标人员着装识别方法及系统，包括：获取特定区域内人员着装图像集及其对应的工装区域标签；根据工装区域生成图像掩码标签；对带有图像掩码标签的人员着装图像采用预先构建的图像识别模型进行特征提取；预设第一下采样倍数和第二下采样倍数，对基于第一下采样倍数和第二下采样倍数提取的特征分别构建损失函数，基于两类损失函数得到图像识别模型的总损失函数，并以此对图像识别模型进行训练；对目标人员着装图像根据训练后的图像识别模型得到工装识别结果。同时提取浅层特征和深层特征，分别对浅层特征与深层特征进行损失计算，考虑人员着装图像的工装颜色、纹理特征等浅层特征，提升网络的识别精度以及泛化能力。力。力。

【技术实现步骤摘要】
一种目标人员着装识别方法及系统


[0001]本专利技术涉及人工智能
，特别是涉及一种目标人员着装识别方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]在工业场景中，施工作业人员的着装安全与施工作业的安全风险有关，采用智能算法对施工作业人员的着装进行自动识别、检测时，卷积神经网络由于受限于有限训练样本以及样本域不统一的问题，那么在采用卷积神经网络进行分类或检测网络时会出现严重过拟合的现象。如中国专利CN112149514A提供一种施工作业人员的安全着装检测方法及系统，主要针对复杂施工环境下作业人员的安全着装管理，通过引入深度学习技术来实现自动化的检测及预警功能，大幅度地提高检测效率与检测精度；但是针对工业环境样本较少的情况下，往往会导致其泛化能力不足。中国专利CN110210338A公开一种对目标人员的着装信息进行检测识别的方法及系统，利用检测出来的人员与模板库的人员进行比对，若有人脸信息，便进行人脸识别，但是其没有对着装的纹理特征信息进行分析，工装颜色、纹理等浅层信息是识别的重要区分特征，但是通过深度网络下采样多次后得到的深层特征中，上述浅层特征被淡化，导致识别精度不足。

技术实现思路

[0004]为了解决上述问题，本专利技术提出了一种目标人员着装识别方法及系统，利用图像识别模型同时提取浅层特征和深层特征；并且分别对浅层特征与深层特征进行损失计算，基于此构建模型总损失函数，考虑人员着装图像的工装颜色、纹理特征等浅层特征，提升网络的识别精度以及泛化能力。
[0005]为了实现上述目的，本专利技术采用如下技术方案：
[0006]第一方面，本专利技术提供一种目标人员着装识别方法，包括：
[0007]获取特定区域内人员着装图像集及其对应的工装区域标签；
[0008]根据工装区域生成图像掩码标签；
[0009]对带有图像掩码标签的人员着装图像采用预先构建的图像识别模型进行特征提取；
[0010]预设第一下采样倍数和第二下采样倍数，对基于第一下采样倍数和第二下采样倍数提取的特征分别构建损失函数，基于两类损失函数得到图像识别模型的总损失函数，并以此对图像识别模型进行训练；
[0011]对目标人员着装图像根据训练后的图像识别模型得到工装识别结果。
[0012]作为可选择的实施方式，根据工装区域生成图像掩码标签的过程包括：若人员着装图像中对应位置属于工装区域，则掩码值为1，否则为0。
[0013]作为可选择的实施方式，所述第一下采样倍数大于第二下采样倍数。
[0014]作为可选择的实施方式，基于第一下采样倍数的采样之后提取的特征为深层特征，基于第二下采样倍数的采样之后提取的特征为浅层特征。
[0015]作为可选择的实施方式，对基于第一下采样倍数提取的特征构建损失函数的过程包括：基于第一下采样倍数的采样之后得到的深层特征f
d
，经分类器F
c
后得到的深层特征表示logits为：logits＝F
c
(f
d
)；根据深层特征表示和交叉熵损失构建损失函数。
[0016]作为可选择的实施方式，对基于第二下采样倍数提取的特征构建损失函数的过程包括：基于第二下采样倍数的采样之后得到的浅层特征f
s
，经分类器F
m
后得到的浅层特征表示mask为：mask＝F
m
(f
s
)；根据浅层特征表示和二值交叉熵损失构建损失函数。
[0017]作为可选择的实施方式，基于两类损失函数得到图像识别模型的总损失函数为：loss＝α*L
c
(logits，L)+β*L
m
(mask，M)；其中，α、β为权重系数，L
c
为交叉熵损失，L
m
为二值交叉熵损失，Logits为深层特征表示，mask为浅层特征表示。
[0018]第二方面，本专利技术提供一种目标人员着装识别系统，包括：
[0019]获取模块，被配置为获取特定区域内人员着装图像集及其对应的工装区域标签；
[0020]掩码生成模块，被配置为根据工装区域生成图像掩码标签；
[0021]特征提取模块，被配置为对带有图像掩码标签的人员着装图像采用预先构建的图像识别模型进行特征提取；
[0022]损失函数构建模块，被配置为预设第一下采样倍数和第二下采样倍数，对基于第一下采样倍数和第二下采样倍数提取的特征分别构建损失函数，基于两类损失函数得到图像识别模型的总损失函数，并以此对图像识别模型进行训练；
[0023]识别模块，被配置为对目标人员着装图像根据训练后的图像识别模型得到工装识别结果。
[0024]第三方面，本专利技术提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
[0025]第四方面，本专利技术提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
[0026]与现有技术相比，本专利技术的有益效果为：
[0027]本专利技术的一种目标人员着装识别方法及系统中，基于深度学习网络构建图像识别模型，利用图像识别模型同时提取浅层特征和深层特征；这是由于人员着装图像的工装颜色、纹理特征等浅层特征是重要的区分特征，若采用深度学习网络直接下采样得到深层特征，上述的浅层特征被淡化，所以为了避免该问题，本专利技术同时提取浅层特征和深层特征。
[0028]本专利技术的一种目标人员着装识别方法及系统于是利用深度网络中，同时提取浅层特征与深层特征，并且分别对浅层特征与深层特征进行损失计算，基于此构建模型总损失函数，从而避免过拟合情况。
[0029]本专利技术的一种目标人员着装识别方法及系统于是利用深度网络中，在通用分类网络的基础架构上，利用工装服饰自身特有的区域特征进行浅层特征的学习，并且基于深层特征进行有机融合学习，在没有任何计算成本提升的同时，明显提升分类网络的精度以及泛化能力。
[0030]本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得
明显，或通过本专利技术的实践了解到。
附图说明
[0031]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0032]图1为本专利技术实施例1提供的目标人员着装识别方法流程图；
[0033]图2为本专利技术实施例1提供的图像识别模型特征提取示意图。
具体实施方式
[0034]下面结合附图与实施例对本专利技术做进一步说明。
[0035]应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标人员着装识别方法，其特征在于，包括：获取特定区域内人员着装图像集及其对应的工装区域标签；根据工装区域生成图像掩码标签；对带有图像掩码标签的人员着装图像采用预先构建的图像识别模型进行特征提取；预设第一下采样倍数和第二下采样倍数，对基于第一下采样倍数和第二下采样倍数提取的特征分别构建损失函数，基于两类损失函数得到图像识别模型的总损失函数，并以此对图像识别模型进行训练；对目标人员着装图像根据训练后的图像识别模型得到工装识别结果。2.如权利要求1所述的一种目标人员着装识别方法，其特征在于，根据工装区域生成图像掩码标签的过程包括：若人员着装图像中对应位置属于工装区域，则掩码值为1，否则为0。3.如权利要求1所述的一种目标人员着装识别方法，其特征在于，所述第一下采样倍数大于第二下采样倍数。4.如权利要求1所述的一种目标人员着装识别方法，其特征在于，基于第一下采样倍数的采样之后提取的特征为深层特征，基于第二下采样倍数的采样之后提取的特征为浅层特征。5.如权利要求1所述的一种目标人员着装识别方法，其特征在于，对基于第一下采样倍数提取的特征构建损失函数的过程包括：基于第一下采样倍数的采样之后得到的深层特征f
d
，经分类器F
c
后得到的深层特征表示logits为：logits＝F
c
(f
d
)；根据深层特征表示和交叉熵损失构建损失函数。6.如权利要求1所述的一种目标人员着装识别方法，其特征在于，对基于第二下采样倍数提取的特征构建损失函数的过程包括：基于第二下采样倍数的采样之后得到的浅层特征f
s
，经分类器F
m
...

【专利技术属性】
技术研发人员：陈英鹏，许野平，刘辰飞，张朝瑞，席道亮，高朋，
申请(专利权)人：神思电子技术股份有限公司，
类型：发明
国别省市：