一种睡岗识别方法、装置、设备及介质制造方法及图纸

本申请公开了一种睡岗识别方法、装置、设备及介质，涉及图像识别技术领域，该方法包括：获取待识别图片中人体目标对应的头肩区域图，并确定出与所述头肩区域图对应的目标高斯热点图；提取所述头肩区域图的语义特征信息以及所述目标高斯热点图的空间特征信息；将所述语义特征信息与所述空间特征信息进行特征融合，并基于融合后特征信息判断所述待识别图片中的所述人体目标是否处于睡岗状态。通过上述方案，能够在进行睡岗识别时只需要通过头肩区域特征来判断是否睡岗，并能够通过对头肩区域图的语义特征提取与目标高斯热点图的空间特征提取以及特征融合充分的利用图像中的信息。由此可以解决睡岗识别过程中目标遮挡的问题并提高睡岗识别的准确率。提高睡岗识别的准确率。提高睡岗识别的准确率。

【技术实现步骤摘要】
一种睡岗识别方法、装置、设备及介质


[0001]本专利技术涉及图像识别
，特别涉及一种睡岗识别方法、装置、设备及介质。

技术介绍

[0002]工作时睡岗容易引发严重的灾难性事故，为了降低安全事故的发生概率，用户需要及时纠正在岗人员的睡岗行为。目前大部分企业都实现了监控视频全方位覆盖，但工厂、车间、工地等场景视野较开阔且人流量较多，如果单纯依靠肉眼去监督，不仅耗费人力也难以长时间保持警觉。随着机器视觉的发展，可以通过深度学习方法对视频监控下的睡岗行为进行检测，在减轻人力负担的同时也能够大大提高效率。
[0003]目前基于深度学习的睡岗检测方法主要分为目标检测以及人体姿态估计两类方法。然而，人体姿态估计方法一方面在目标侧身或遮挡严重的情况下会有部分关键点检测不出，导致基于人体关键点的睡岗识别效果不佳，另一方面若将检测结果直接输入基于ShuffleNet v2构建的卷积神经网络中来判断是否睡岗，由于睡觉姿势、摄像头角度、场景等多样化，直接根据人体图像进行分类难度较高，分类准确率会偏低。因此，在睡岗识别过程中存在识别效果不佳以及分类准确率本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种睡岗识别方法，其特征在于，包括：获取待识别图片中人体目标对应的头肩区域图，并确定出与所述头肩区域图对应的目标高斯热点图；提取所述头肩区域图的语义特征信息以及所述目标高斯热点图的空间特征信息；将所述语义特征信息与所述空间特征信息进行特征融合，并基于融合后特征信息判断所述待识别图片中的所述人体目标是否处于睡岗状态。2.根据权利要求1所述的睡岗识别方法，其特征在于，所述获取待识别图片中人体目标对应的头肩区域图，包括：将待识别图片输入至训练后的人体头肩检测模型中以获取所述待识别图片中人体目标对应的头肩区域图；所述人体头肩检测模型为基于YOLO v5网络构建的模型，并且，所述YOLO v5网络中的Neck采用BiFPN结构。3.根据权利要求1所述的睡岗识别方法，其特征在于，所述确定出与所述头肩区域图对应的目标高斯热点图，包括：将所述待识别图片输入至训练后的关键点检测模型，以得到所述待识别图片的人体关键点，并基于所述待识别图片的人体关键点构建所述待识别图片对应的原始高斯热点图；从所述原始高斯热点图中确定出与所述头肩区域图对应的高斯热点，以得到与所述头肩区域图对应的目标高斯热点图。4.根据权利要求3所述的睡岗识别方法，其特征在于，还包括：获取包含所述待识别图片以及与所述待识别图片相邻的若干图片的目标图片组，并通过检测所述目标图片组中不同相邻图片之间的关键点位置变化，以确定所述待识别图片中是否包含静态人体目标；相应的，所述获取待识别图片中人体目标对应的头肩区域图，包括：当所述待识别图片中包含静态人体目标，则获取所述待识别图片中的所述静态人体目标对应的头肩区域图。5.根据权利要求4所述的睡岗识别方法，其特征在于，还包括：基于Shuffle网络与HRNet网络构建人体姿态估计模型；相应的，所述将所述待识别图片输入至训练后的关键点检测模型，以得到所述待识别图片的人体关键点，包括：将所述待识别图片输入至训练后的所述人体姿态估计模型，以通过所述人体姿态估计模型对所述待...

【专利技术属性】
技术研发人员：范文豪，张永辉，
申请(专利权)人：济南博观智能科技有限公司，
类型：发明
国别省市：