一种基于融合检测和精细分类的未规范着装识别算法制造技术

本发明专利技术公开了一种基于融合检测和精细分类的未规范着装识别算法包括：对多尺度目标检测算法和分类器进行训练；实际测试图片输入后，使用多尺度目标检测算法获得候选项；根据获得的候选标签和坐标位置、宽高从实际测试图片中扣取子图像进行超分辨率重建；将超分辨率重建以后的图片送入到分类器中进行分类，输出结果判断是否规范着装。本发明专利技术提供的基于融合检测和精细分类的未规范着装识别算法能够更准确更有效地检测出未规范着装区域，并且对未规范着装的人体区域进行识别，采用融合检测和精细分类的方法，大大提高了工作人员未规范着装识别的召回率和准确率，减少了虚警和漏检。减少了虚警和漏检。减少了虚警和漏检。

【技术实现步骤摘要】
一种基于融合检测和精细分类的未规范着装识别算法


[0001]本专利技术涉及计算机图像处理
，具体为一种基于融合检测和精细分类的未规范着装识别算法。

技术介绍

[0002]电力系统的正常运转关系着国计民生。采用人工巡检的方式，成本比较高昂，而且无法时候全天候24小时的精细监控，因此，将人工智能技术引入到电力系统行业，能够实现更加全面更加有效的场景监控和安全监督。变电站是电力系统的核心场所，因此变电站场景监控是保证电力系统正常运作的重要方面。由于变电站场景的特殊性，对站内施工作业人员的规范作业和规范着装要求较高。其中，涉及到作业人员肢体细节的工作人员未规范着装识别，是变电站作业人员安全监督的一个难点功能。
[0003]目前变电站工作人员未规范着装识别算法可以分为以下几种：第一，采用简单直接的目标检测算法，例如YOLO、SSD；第二，采用人体关键点检测方法，识别出手臂、脚部、躯干等关键区域，然后对每个区域进行是否着装识别；第三，采用传统的图像处理方法，例如图像匹配等。
[0004]在现有的变电站工作人员未规范着装识别算法中，存在以下问题：采用简单直接的目标检测算法，由于未规范着装区域远小于着装区域，因此容易将未规范着装识别为规范着装，出现漏检的现象；采用人体关键点检测结合目标识别方法，由于摄像头离工作人员距离较远，无法准确有效地对人体关键点进行检测，而且关键点检测完成后，各关键点对应区域面积太小，识别准确率低；采用传统的图像处理方法，在复杂场景尤其是人体着装、天气、光照等发生变化的情况下，无法进行有效的识别。

技术实现思路

[0005]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0006]鉴于上述存在的问题，提出了本专利技术。
[0007]因此，本专利技术解决的技术问题是：在现有的变电站工作人员未规范着装识别方法中存在无法进行有效的识别、出现漏检的现象、识别准确率低的问题。
[0008]为解决上述技术问题，本专利技术提供如下技术方案：一种基于融合检测和精细分类的未规范着装识别算法，包括：
[0009]对多尺度目标检测算法和分类器进行训练；
[0010]实际测试图片输入后，使用多尺度目标检测算法获得候选项；
[0011]根据获得的候选标签和坐标位置、宽高从实际测试图片中扣取子图像进行超分辨率重建；
[0012]将超分辨率重建以后的图片送入到分类器中进行分类，输出结果判断是否规范着
装。
[0013]作为本专利技术所述的基于融合检测和精细分类的未规范着装识别算法的一种优选方案，其中：所述对多尺度目标检测算法进行训练包括：
[0014]采集未规范着装图片，对人员、工作服及未规范着装区域进行标注，采用标注的人体区域和未规范着装区域，对多尺度目标检测算法进行训练。
[0015]作为本专利技术所述的基于融合检测和精细分类的未规范着装识别算法的一种优选方案，其中：所述对多尺度目标检测算法进行训练还包括：
[0016]训练RPN网络，定义锚点边框区域与真实的标定区域的交集区域IOU，IOU大于0.7，则为正样本，IOU小于0.3，则为负样本，需要排除正负样本以外的锚点则对一个图像的函数定义为：
[0017][0018]其中，i表示一个锚点区域在一个批次里的索引序号；p
i
为锚点预测为目标的概率，对于标签如果该锚点区域为正样本则为1，负样本则为0；t
i
是一个向量表示的是4个代表预测区域位置的参数，分别为角点坐标和长宽，表示正样本目标的真实区域位置；表示只有正样本需要计算边框回归损失；cls层和reg层的输出分别由{p
i
}和{u
i
}组成，参数N
cls
和N
reg
用来归一化函数，参数λ用来平衡分类和回归损失；
[0019]对于回归的损失函数
[0020]其中，R是robust损失函数
[0021]由于背景回归框没有对应的标签框，σ需要人工设定。
[0022]作为本专利技术所述的基于融合检测和精细分类的未规范着装识别算法的一种优选方案，其中：所述对分类器进行训练包括：
[0023]选取人体关键点清晰的训练图片，截取规范着装和未规范着装的子图像，训练EfficientV2分类器。
[0024]作为本专利技术所述的基于融合检测和精细分类的未规范着装识别算法的一种优选方案，其中：所述多尺度目标检测算法包括：采用Faster RCNN+FPN多尺度目标检测算法使得原始图像通过一系列的卷积层，提取出高层语义信息的特征图，挑选出不同维度的特征图，构造一个特征金字塔，接着对于特征金字塔每一个尺度的特征图上通过RPN提取不同大小候选区域，之后通过ROI池化输出固定维度的特征向量，分别通过分类和回归两条分支进行目标类别的判定以及候选框位置的修正。
[0025]作为本专利技术所述的基于融合检测和精细分类的未规范着装识别算法的一种优选方案，其中：所述使用多尺度目标检测算法获得候选项包括：
[0026]实际测试图片输入后，使用多尺度目标检测算法Faster RCNN+FPN获得候选标签naked或no
‑
naked，并获取图像中的坐标位置和宽高。
[0027]作为本专利技术所述的基于融合检测和精细分类的未规范着装识别算法的一种优选
方案，其中：所述从实际测试图片中扣取子图像进行超分辨率重建包括：
[0028]根据获得的候选标签和坐标位置、宽高，从实际测试图片中扣取子图像进行超分辨率重建，得到更清晰的人体区域图像，超分辨率重建算法采用BasicVSR++算法。
[0029]作为本专利技术所述的基于融合检测和精细分类的未规范着装识别算法的一种优选方案，其中：所述扣取子图像包括：
[0030]扣取局部的人体区域包括手腕和脚踝部位。
[0031]作为本专利技术所述的基于融合检测和精细分类的未规范着装识别算法的一种优选方案，其中：所述规范着装和未规范着装的子图像包括：
[0032]扣取局部的人体区域中手腕和脚踝部位有工作服覆盖的为规范着装的子图像；手腕和脚踝部位没有工作服覆盖的则为未规范着装的子图像。
[0033]作为本专利技术所述的基于融合检测和精细分类的未规范着装识别算法的一种优选方案，其中：所述将超分辨率重建以后的图片送入到分类器中进行分类包括：
[0034]当图片中人员着装符合规范着装的训练结果时，则输出规范着装；
[0035]当图片中人员着装不符合规范着装的训练结果时，则输出未规范着装。
[0036]本专利技术的有益效果：本专利技术提供的基于融合检测和精细分类的未规范着装识别算法采用对多尺度目标检测能力强的检测算法和超分辨率重建算法结合，能够更好地对人体、工作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于融合检测和精细分类的未规范着装识别算法，其特征在于，包括：对多尺度目标检测算法和分类器进行训练；实际测试图片输入后，使用多尺度目标检测算法获得候选项；根据获得的候选标签和坐标位置、宽高从实际测试图片中扣取子图像进行超分辨率重建；将超分辨率重建以后的图片送入到分类器中进行分类，输出结果判断是否规范着装。2.如权利要求1所述的基于融合检测和精细分类的未规范着装识别算法，其特征在于，所述对多尺度目标检测算法进行训练包括：采集未规范着装图片，对人员、工作服及未规范着装区域进行标注，采用标注的人体区域和未规范着装区域，对多尺度目标检测算法进行训练。3.如权利要求2所述的基于融合检测和精细分类的未规范着装识别算法，其特征在于，所述对多尺度目标检测算法进行训练还包括：训练RPN网络，定义锚点边框区域与真实标定区域的交集区域IOU，IOU大于0.7，则为正样本，IOU小于0.3，则为负样本，需要排除正负样本以外的锚点则对一个图像的函数定义为：其中，i表示一个锚点区域在一个批次里的索引序号；p
i
为锚点预测为目标的概率，对于标签如果该锚点区域为正样本则为1，负样本则为0；t
i
是一个向量表示的是4个代表预测区域位置的参数，分别为角点坐标和长宽，表示正样本目标的真实区域位置；表示只有正样本需要计算边框回归损失；cls层和reg层的输出分别由{p
i
}和{u
i
}组成，参数N
cls
和N
reg
用来归一化函数，参数λ用来平衡分类和回归损失；对于回归的损失函数其中，R是robust损失函数由于背景回归框没有对应的标签框，无需对背景计算回归损失，σ需要人工设定。4.如权利要求1所述的基于融合检测和精细分类的未规范着装识别算法，其特征在于，所述对分类器进行训练包括：选取人体关键点清晰的训练图片，截取规范着装和未规范着装的子图像，训练...

【专利技术属性】
技术研发人员：陈在新，汪渊，伍青，吴强，毛义鹏，陈勇，马拥军，蒋慧慧，于洋，贾承锦，
申请(专利权)人：国网四川省电力公司南充供电公司，
类型：发明
国别省市：