一种图像数据流识别算法及其在电力基建场景的应用制造技术

本发明专利技术公开了一种图像数据流识别算法及其在电力基建场景的应用，包括以下步骤：步骤1：将部分遮挡的人脸图片图像输入到MTCNN网络，进行人脸图片检测，得到带有5个关键点的人脸图片图像，然后将人脸图片进行对齐，并且归一化大小；步骤2：将预处理过的遮挡人脸图片图像与数据库中的人脸图片图像分别输入到特征提取网络，进行特征提取；步骤3：计算经过特征提取网络处理过的遮挡人脸图片图像和库中未遮挡人脸图片图像的欧氏距离；步骤4：根据设定的阈值判断遮挡人脸图片图像与未遮挡人脸图片是否是同一人，若特征向量之间的距离小于设定阈值则判定为同一人，反之，则是不同的人。本发明专利技术的算法可以应用在电力基建场景中。发明专利技术的算法可以应用在电力基建场景中。

【技术实现步骤摘要】
一种图像数据流识别算法及其在电力基建场景的应用


[0001]本专利技术涉及电力
，尤其是一种图像数据流识别算法及其在电力基建场景的应用。

技术介绍

[0002]电力线路建设是电力发展的基础，由于电力线路基建现场多处于基础环境差、各项施工供给不足的地区，因此，长久以来电力线路基建是事故的高发环节，在一定程度上限制了电力建设的发展。
[0003]目前，为提高电力基建现场的安全管理，降低事故的发生，电力基建现场的监管工作多以工作人员到现场进行监管为主。虽然这种监管方式在一定程度上降低了事故的发生，但是浪费了大量的人力和时间。

技术实现思路

[0004]本专利技术要解决的技术问题是提供一种图像数据流识别算法及其在电力基建场景的应用。
[0005]为解决上述技术问题，本专利技术所采取的技术专利技术如下。
[0006]一方面，本专利技术公开一种图像数据流识别算法，包括以下步骤：步骤1：将部分遮挡的人脸图片图像输入到MTCNN网络，进行人脸图片检测，得到带有5个关键点的人脸图片图像，然后将人脸图片进行对齐，并且归一化大小；步骤2：将预处理过的遮挡人脸图片图像与数据库中的人脸图片图像分别输入到特征提取网络，进行特征提取；步骤3：计算经过特征提取网络处理过的遮挡人脸图片图像和库中未遮挡人脸图片图像的欧氏距离；步骤4：根据设定的阈值判断遮挡人脸图片图像与未遮挡人脸图片是否是同一人，若特征向量之间的距离小于设定阈值则判定为同一人，反之，则是不同的人。
[0007]作为本专利技术的一种优选技术专利技术，步骤3中的计算公式为：
[0008][0009]其中，x
i
是处理之后的遮挡人脸图片特征图的每一点的值，y
i
是数据库中未遮挡人脸图片特征图中每一点的值，n是图像的像素点数。
[0010]作为本专利技术的一种优选技术专利技术，还包括通过神经网络自动学习的方式获取图像特征通道的重要程度，然后根据关系去赋予每一个特征通道一个权重值，从而让神经网络重点关注某些特征通道，其操作包括Squeeze操作和Excitation操作以及Scale操作。
[0011]作为本专利技术的一种优选技术专利技术，所述Squeeze操作包括：利用通道相关性将全局信息引入作为特征通道值的权重。该权重值来自于对图像每个二维通道的压缩，压缩过程如下式所示：
[0012][0013]Excitation操作用于将压缩得到的全局信息运用到模型中，通过两个全连接层组
成一个Botlenck结构去建模通道间的相关性，并输出和输入特征同样数目的权重值；Scale操作用于将前面得到的归一化权重加权到每个通道特征上，是通过乘法运算，将每个通道乘以权重系数，进而完成在通道维度上引入注意力机制。
[0014]作为本专利技术的一种优选技术专利技术，其中，特征提取网络包括全连接层，全连接层使用1
×
1卷积核和一个全局池化层替代。
[0015]作为本专利技术的一种优选技术专利技术，特征提取网络包括批归一化层，批归一化层通过对每一层的输入数据进行归一化处理，使得数据服从特定的分布。
[0016]作为本专利技术的一种优选技术专利技术，批归一化步骤为：
[0017]输入的批次B＝{x1...m}，需要学习的参数为γ、β，最终输出为{y1＝BN
γβ
(x
i
)}。
[0018]作为本专利技术的一种优选技术专利技术，特征提取网络的激活函数为LeakyReLU。
[0019]作为本专利技术的一种优选技术专利技术，特征提取网络的损失函数包括与遮挡部分相关的上下文损失函数、网络模型在人脸图片数据集上训练的损失函数以及对称损失函数。
[0020]另一方面，本专利技术公开一种图像数据流识别算法应用，包括将上述的图像数据流识别算应用在电力基建场景中。
[0021]采用上述技术专利技术所产生的有益效果在于：本专利技术的特征提取网络可以提高遮挡人脸识别的能力。从传统的特征提取算法到结合深度学习的特征提取算法，提高了网络的深层特征提取能力，也增强了网络处理复杂图像的能力，因此专利技术提出的算法具有更好的识别效果，可以应用在电力基建场景中。
具体实施方式
[0022]以下实施例详细说明了本专利技术。本专利技术所使用的各种原料及各项设备均为常规市售产品，均能够通过市场购买直接获得。
[0023]在以下实施例的描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
[0024]应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0025]还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0026]如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当。。。时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0027]另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0028]在本申请说明书中描述的参考“一个实施例”或“一些实施例”意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中
的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0029]本专利技术公开一种图像数据流识别算法，卷积神经网络具有很强的特征提取能力，再结合融合特征模块进行提取，可以增加识别所需的特征，高效利用剩余有效面部特征提高人脸图片识别的准确率。本文提出了一种基于卷积神经网络的融合通道特征和空间特征模块的遮挡人脸图片识别算法，提高了遮挡环境下人脸图片识别算法的稳定性。实验表明，对于融合空间和通道特征的注意力机制可以提高非遮挡区域的显著性，从而有效减轻遮挡干扰。
[0030]该算法要经过人脸图片检测对齐、人脸图片特征提取、人脸图片距离计算、人脸图片识别四个步骤。具体如下：步骤1：将部分遮挡的人脸图片图像输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像数据流识别算法，其特征在于，包括以下步骤：步骤1：将部分遮挡的人脸图片图像输入到MTCNN网络，进行人脸图片检测，得到带有5个关键点的人脸图片图像，然后将人脸图片进行对齐，并且归一化大小；步骤2：将预处理过的遮挡人脸图片图像与数据库中的人脸图片图像分别输入到特征提取网络，进行特征提取；步骤3：计算经过特征提取网络处理过的遮挡人脸图片图像和库中未遮挡人脸图片图像的欧氏距离；步骤4：根据设定的阈值判断遮挡人脸图片图像与未遮挡人脸图片是否是同一人，若特征向量之间的距离小于设定阈值则判定为同一人，反之，则是不同的人。2.根据权利要求1所述的一种图像数据流识别算法，其特征在于：步骤3中的计算公式为：其中，x
i
是处理之后的遮挡人脸图片特征图的每一点的值，y
i
是数据库中未遮挡人脸图片特征图中每一点的值，n是图像的像素点数。3.根据权利要求2所述的一种图像数据流识别算法，其特征在于：还包括通过神经网络自动学习的方式获取图像特征通道的重要程度，然后根据关系去赋予每一个特征通道一个权重值，从而让神经网络重点关注某些特征通道，其操作包括Squeeze操作和Excitation操作以及Scale操作。4.根据权利要求3所述的一种图像数据流识别算法，其特征在于：所述Squeeze操作包括：利用通道相关性将全局信息引入作为特征通道值的权重。该权重值来自于对图像每个二维通道的压缩，压缩过程如下式所示：Excitatio...

【专利技术属性】
技术研发人员：孟立杰，张立群，王敬德，高山，庞辉，
申请(专利权)人：国网河北省电力有限公司建设公司，
类型：发明
国别省市：