一种基于深度学习的人体识别方法、系统及装置制造方法及图纸

本发明专利技术涉及一种基于深度学习的人体识别方法、系统及装置，涉及井下目标检测技术领域，包括：获取当前阶段目标地区的视频流；所述视频流包括多帧红外图像；将多帧红外图像依次输入至目标识别模型中，以对视频流中的人体区域进行标记；目标识别模型的训练过程为：确定训练样本；训练样本包括多帧第一红外图像以及每帧第一红外图像对应的第一红外标签；所述第一红外标签为所述第一红外图像中的人体区域；将训练样本输入至Yolov5深度学习网络中进行训练，进而得到目标识别模型。本发明专利技术采用基于Yolov5深度学习网络得到的目标识别模型，能够快速且精准地检测出井下的工作人员。快速且精准地检测出井下的工作人员。快速且精准地检测出井下的工作人员。

【技术实现步骤摘要】
一种基于深度学习的人体识别方法、系统及装置


[0001]本专利技术涉及井下目标检测
，特别是涉及一种基于深度学习的人体识别方法、系统及装置。

技术介绍

[0002]由于井下矿车事故频发，伤亡人数逐增，如何使用新兴技术保证矿车行驶过程中井下工作人员的安全已为重中之重。目前，对井下工作人员的检测多是基于传统方法，比如，通过视频监控判断井下工作人员的位置，进而进行预警；而基于人工智能的人员检测技术在智慧矿山上的应用还未完善。

技术实现思路

[0003]本专利技术的目的是提供一种基于深度学习的人体识别方法、系统及装置，能够快速且精准地检测出井下的工作人员。
[0004]为实现上述目的，本专利技术提供了如下方案：
[0005]一种基于深度学习的人体识别方法，包括：
[0006]获取当前阶段目标地区的视频流；所述视频流包括多帧红外图像；
[0007]将多帧所述红外图像依次输入至目标识别模型中，以对所述视频流中的人体区域进行标记；
[0008]所述目标识别模型的训练过程为：
[0009]确定训练样本；所述训练样本包括多帧第一红外图像以及每帧所述第一红外图像对应的第一红外标签；所述第一红外标签为所述第一红外图像中的人体区域；
[0010]将所述训练样本输入至Yolov5深度学习网络中进行训练，进而得到目标识别模型。
[0011]可选地，所述将所述训练样本输入至Yolov5深度学习网络中进行训练，进而得到目标识别模型，具体包括：
[0012]对Yolov5深度学习网络进行参数设置；其中，Yolov5深度学习网络设置的参数包括：训练次数t＝500，学习率lr＝0.0001，训练的动量v＝0.9，训练批数bs＝2；
[0013]将所述训练样本输入至参数设置完成的Yolov5深度学习网络中，以得到目标识别模型。
[0014]可选地，所述确定训练样本，具体包括：
[0015]获取多帧原始红外图像；
[0016]采用标注工具对每帧所述原始红外图像中的人体区域进行框选，以得到与每帧所述原始红外图像对应的原始红外标签；
[0017]对每帧所述原始红外图像进行第一预处理，以得到第一红外图像；
[0018]对每帧所述原始红外标签进行第二预处理，以得到第一红外标签。
[0019]可选地，所述对每帧所述原始红外图像进行第一预处理，以得到第一红外图像，具
体包括：
[0020]对每帧所述原始红外图像做关于直线y＝x的中心反射变换，得到初步增广图像；
[0021]将所述初步增广图像进行多次旋转操作，以得到第一红外图像；所述旋转操作为将所述初步增广图像按照固定角度旋转的操作。
[0022]可选地，所述将所述初步增广图像进行多次旋转操作，以得到第一红外图像，具体包括：
[0023]根据公式对所述初步增广图像进行旋转；
[0024]其中，(x0,y0)为第一初步增广图像的像素点，θ为旋转角度。
[0025]为达上述目的，本专利技术还提供了如下技术方案：
[0026]一种基于深度学习的人体识别系统，包括：
[0027]视频流获取模块，用于获取当前阶段目标地区的视频流；所述视频流包括多帧红外图像；
[0028]人体标记模块，用于将多帧所述红外图像依次输入至目标识别模型中，以对所述视频流中的人体区域进行标记；
[0029]所述目标识别模型的训练过程为：
[0030]确定训练样本；所述训练样本包括多帧第一红外图像以及每帧所述第一红外图像对应的第一红外标签；所述第一红外标签为所述第一红外图像中的人体区域；
[0031]将所述训练样本输入至Yolov5深度学习网络中进行训练，进而得到目标识别模型。
[0032]可选地，在将所述训练样本输入至Yolov5深度学习网络中进行训练，进而得到目标识别模型方面，所述人体标记模块还包括：
[0033]参数设置子模块，用于对Yolov5深度学习网络进行参数设置；其中，Yolov5深度学习网络设置的参数包括：训练次数t＝500，学习率lr＝0.0001，训练的动量v＝0.9，训练批数bs＝2；
[0034]模型训练子模块，用于将所述训练样本输入至参数设置完成的Yolov5深度学习网络中，以得到目标识别模型。
[0035]可选地，在确定训练样本方面，所述人体标记模块具体包括：
[0036]原始图像获取子模块，用于获取多帧原始红外图像；
[0037]原始标签获取子模块，用于采用标注工具对每帧所述原始红外图像中的人体区域进行框选，以得到与每帧所述原始红外图像对应的原始红外标签；
[0038]第一预处理子模块，用于对每帧所述原始红外图像进行第一预处理，以得到第一红外图像；
[0039]第二预处理子模块，用于对每帧所述原始红外标签进行第二预处理，以得到第一红外标签。
[0040]为达上述目的，本专利技术还提供了如下技术方案：
[0041]一种基于深度学习的人体识别装置，包括开发板以及集成在所述开发板上的基于深度学习的人体识别系统；
[0042]所述开发板用于：
[0043]接收当前阶段目标地区的视频流；
[0044]调用基于深度学习的人体识别系统，并根据所述基于深度学习的人体识别系统对所述视频流中的人体区域进行标记。
[0045]可选地，所述开发板为NIVIDIAXavier开发板。
[0046]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0047]获取当前阶段目标地区的视频流，视频流中包括多帧红外图像；将多帧红外图像依次输入至目标识别模型，以对视频流中的人体区域进行标记。本专利技术通过Yolov5深度学习网络得到目标识别模型，能够快速且准确地检测出当前阶段目标地区的井下工作人员。
附图说明
[0048]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0049]图1为本专利技术基于深度学习的人体识别方法的流程示意图；
[0050]图2为本专利技术基于深度学习的人体识别系统的结构示意图；
[0051]图3为本专利技术中目标识别模型的模型训练结果图。
具体实施方式
[0052]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0053]本专利技术的目的是提供一种基于深度学习的人体识别方法、系统及装置，解决矿井复杂环境下人像识别准确率低、难以处理人员遮挡、漏检率高等问题。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的人体识别方法，其特征在于，所述人体识别方法包括：获取当前阶段目标地区的视频流；所述视频流包括多帧红外图像；将多帧所述红外图像依次输入至目标识别模型中，以对所述视频流中的人体区域进行标记；所述目标识别模型的训练过程为：确定训练样本；所述训练样本包括多帧第一红外图像以及每帧所述第一红外图像对应的第一红外标签；所述第一红外标签为所述第一红外图像中的人体区域；将所述训练样本输入至Yolov5深度学习网络中进行训练，进而得到目标识别模型。2.根据权利要求1所述的基于深度学习的人体识别方法，其特征在于，所述将所述训练样本输入至Yolov5深度学习网络中进行训练，进而得到目标识别模型，具体包括：对Yolov5深度学习网络进行参数设置；其中，Yolov5深度学习网络设置的参数包括：训练次数t＝500，学习率lr＝0.0001，训练的动量v＝0.9，训练批数bs＝2；将所述训练样本输入至参数设置完成的Yolov5深度学习网络中，以得到目标识别模型。3.根据权利要求1所述的基于深度学习的人体识别方法，其特征在于，所述确定训练样本，具体包括：获取多帧原始红外图像；采用标注工具对每帧所述原始红外图像中的人体区域进行框选，以得到与所述原始红外图像对应的原始红外标签；对每帧所述原始红外图像进行第一预处理，以得到第一红外图像；对每帧所述原始红外标签进行第二预处理，以得到第一红外标签。4.根据权利要求3所述的基于深度学习的人体识别方法，其特征在于，所述对每帧所述原始红外图像进行第一预处理，以得到第一红外图像，具体包括：对每帧所述原始红外图像做关于直线y＝x的中心反射变换，得到初步增广图像；将所述初步增广图像进行多次旋转操作，以得到第一红外图像；所述旋转操作为将所述初步增广图像按照固定角度旋转的操作。5.根据权利要求4所述的基于深度学习的人体识别方法，其特征在于，所述将所述初步增广图像进行多次旋转操作，以得到第一红外图像，具体包括：根据公式对所述初步增广图像进行旋转；其中，(x0,y0)为第一初步增广图像的像素点，θ为旋转角度。6.一种基于深度学习的人体识别系统，其特征在于，所述人体识别...

【专利技术属性】
技术研发人员：李铮，戴卫东，顾其洋，李函阳，
申请(专利权)人：宁夏广天夏电子科技有限公司，
类型：发明
国别省市：