一种动火作业违章行为识别方法技术

本发明专利技术公开了一种动火作业违章行为识别方法，包括以下步骤：S1：根据异常行为发生的位置从监控摄像头监控的原视频中提取出该视频，并将视频片段转换成视频帧。本发明专利技术通过对监控视频中工人的异常作业情况进行收集，从而提供了足够的样本对后续的计算起到了简化运算的效果，进而使得运算效率得到了有效提高，且使用加入注意力机制模块的YOLOv5算法进行目标检测，提高了对小目标识别的精确度，并将Deepsort算法和YOLOv5框架结合，减少了身份ID频繁切换的现象，有效解决了人员遮挡的问题，实现了对动火作业人员的高性能的实时多目标跟踪，且整个识别过程更加清晰简便，从而提高了运行效率与运行速度。了运行效率与运行速度。了运行效率与运行速度。

【技术实现步骤摘要】
一种动火作业违章行为识别方法


[0001]本专利技术涉及动火作业违章行为识别方法
，尤其涉及一种动火作业违章行为识别方法。

技术介绍

[0002]目前，工地、化工园区等领域都有动火作业，也有对动火作业的监管需求，传统的方式是采用移动布控摄像头放置于动火作业现场，对动火作业现场进行远程视频监控，同时也会有专门的安全监管人员在厂区、工地流动巡检，防止作业人员安全意识薄弱，产生安全隐患，但是无论是远程还是现场巡检人员，现有技术中的监控方式，存在以下缺点：1、对于动火作业工人的异常行为样本相较于正常行为样本数量少,数据不平衡性严重，数据集标注困难；2、距离摄像头近的工人在视频占比更大,距离摄像头远的工人在视频帧中占比更小，小目标的行为识别准确率差；3、由于摄像头角度问题,工人之间存在遮挡现象,因此,想要准确识别每一名工人有一定困难；4、现有技术的行为识别准确率低，结构复杂，识别速度慢，误报漏报情况较多，行为识别算法落后，为了解决上述问题，因此我们提出了一种动火作业违章行为识别方法。

技术实现思路

[0003]基于
技术介绍
存在的技术问题，本专利技术提出了一种动火作业违章行为识别方法。
[0004]本专利技术提出的一种动火作业违章行为识别方法，包括以下步骤：S1：根据异常行为发生的位置从监控摄像头监控的原视频中提取出该视频，并将视频片段转换成视频帧，获取动火作业人员存在异常行为的监控图像，并对视频帧进行采样抽取，将其作为关键帧进行标注，制作出目标检测数据集和异常行为识别数据集；S2：在YOLOv5目标检测算法中加入注意力机制模块，紧接着利用YOLOv5目标检测算法对S1中获取的监控图像进行人员检测，得到目标人员边界框，通过在YOLOv5目标检测算法中加入注意力机制模块，提高网络对小目标的检测能力，同时为解决实验数据不平衡的问题，增加训练集中的异常作业行为样本，测试集不会做这种处理，保持模型测试的可靠性；S3：利用Deepsort算法对S2中获取的目标人员边框中的目标人员进行跟踪；S4：利用I3D双流网络方法进行工人异常行为检测，并在I3D算法中融合稠密光流提取算法，针对S1中获取的监控图像和S2中得到的目标人员边界框进行逐点匹配的图像配准，计算图像上所有的点的偏移量，从而形成一个稠密的光流场，通过这个稠密的光流场，可以进行像素级别的图像配准，从而对数据集进行行为识别；S5：利用Softmax对动火作业工人的行为进行分类，从而判断出动火作业违章行为的人员。
[0005]优选地，所述S3中，Deepsort是实现目标跟踪的算法，从sort演变而来，其使用卡尔曼滤波器预测所检测对象的运动轨迹，匈牙利算法将它们与新的检测目标相匹配，除了
Sort算法的基础功能外，DeepSort还引入外观特征的计算，提高了精度和速度，并且有效解决了ID频繁跳变的问题。将YOLOv5检测到的目标人员信息导入到DeepSort框架中，并将目标图像的每一帧信息都与上一帧进行级联匹配，以此便可以得到准确度较高的目标人员跟踪模型。
[0006]优选地，所述S4中，I3D是在双流模型的基础上将滤波器维度从2D变为3D，利用3D卷积可以处理长时间动作视频的优势进一步提升时间关联性；与传统光流模型不同的是I3D将所有卷积核与池化核进行时间维度的扩展，使得N
×
N维滤波器膨胀为N
×
N
×
N，将3D模型结合到two stream架构中，提高了算法的精度和准确率。
[0007]优选地，所述S5中，Softmax分类是数据挖掘的一种非常重要的方法,分类的概念是在已有数据的基础上学会一个分类函数或构造出一个分类模，该函数或分类模能够把数据库中的数据纪录映射到给定类别中的某一个，从而可以应用于数据预测，有效的提高了计算结果的精确性，加快运算速度。
[0008]优选地，所述S2中，还可以使用Faster
‑
RCNN等两阶段方法对S1中获取的监控图像进行人员检测。
[0009]与现有的技术相比，本专利技术的有益效果：本专利技术通过对监控视频中工人的异常作业情况进行收集，从而提供了足够的样本对后续的计算起到了简化运算的效果，进而使得运算效率得到了有效提高，且使用加入注意力机制模块的YOLOv5算法进行目标检测，提高了对小目标识别的精确度，并将Deepsort算法和YOLOv5框架结合，减少了身份ID频繁切换的现象，有效解决了人员遮挡的问题，实现了对动火作业人员的高性能的实时多目标跟踪，且整个识别过程更加清晰简便，从而提高了运行效率与运行速度。
附图说明
[0010]图1为本专利技术提出的一种动火作业违章行为识别方法的工作流程图。
实施方式
[0011]下面结合具体实施例对本专利技术作进一步解说。
[0012]参照图1，本实施例中提出了一种动火作业违章行为识别方法，包括以下步骤：S1：根据异常行为发生的位置从监控摄像头监控的原视频中提取出该视频，并将视频片段转换成视频帧，获取动火作业人员存在异常行为的监控图像，并对视频帧进行采样抽取，将其作为关键帧进行标注，制作出目标检测数据集和异常行为识别数据集；S2：在YOLOv5目标检测算法中加入注意力机制模块，紧接着利用YOLOv5目标检测算法对S1中获取的监控图像进行人员检测，得到目标人员边界框，通过在YOLOv5目标检测算法中加入注意力机制模块，提高网络对小目标的检测能力，同时为解决实验数据不平衡的问题，增加训练集中的异常作业行为样本，测试集不会做这种处理，保持模型测试的可靠性，其中还可以使用Faster
‑
RCNN等两阶段方法对S1中获取的监控图像进行人员检测；S3：利用Deepsort算法对S2中获取的目标人员边框中的目标人员进行跟踪，其中Deepsort是实现目标跟踪的算法，从sort演变而来，其使用卡尔曼滤波器预测所检测对象的运动轨迹，匈牙利算法将它们与新的检测目标相匹配，除了Sort算法的基础功能外，
DeepSort还引入外观特征的计算，提高了精度和速度，并且有效解决了ID频繁跳变的问题。将YOLOv5检测到的目标人员信息导入到DeepSort框架中，并将目标图像的每一帧信息都与上一帧进行级联匹配，以此便可以得到准确度较高的目标人员跟踪模型；S4：利用I3D双流网络方法进行工人异常行为检测，并在I3D算法中融合稠密光流提取算法，针对S1中获取的监控图像和S2中得到的目标人员边界框进行逐点匹配的图像配准，计算图像上所有的点的偏移量，从而形成一个稠密的光流场，通过这个稠密的光流场，可以进行像素级别的图像配准，从而对数据集进行行为识别，其中S4中，I3D是在双流模型的基础上将滤波器维度从2D变为3D，利用3D卷积可以处理长时间动作视频的优势进一步提升时间关联性；与传统光流模型不同的是I3D将所有卷积核与池化核进行时间维度的扩展，使得N
×
N维滤波器膨胀为N
×
N
×
N，将3D模型结合到two stream架构中，提高了算法的精度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种动火作业违章行为识别方法，其特征在于，包括以下步骤：S1：根据异常行为发生的位置从监控摄像头监控的原视频中提取出该视频，并将视频片段转换成视频帧，获取动火作业人员存在异常行为的监控图像，并对视频帧进行采样抽取，将其作为关键帧进行标注，制作出目标检测数据集和异常行为识别数据集；S2：在YOLOv5目标检测算法中加入注意力机制模块，利用YOLOv5目标检测算法对S1中获取的监控图像进行人员检测，得到目标人员边界框；S3：利用Deepsort算法对S2中获取的目标人员边框中的目标人员进行跟踪；S4：利用I3D双流网络方法进行工人异常行为检测，并在I3D算法中融合稠密光流提取算法，针对S1中获取的监控图像和S2中得到的目标人员边界框进行逐点匹配的图像配准，计算图像上所有的点的偏移量，从而形成一个稠密的光流场，通过这个稠密的光流场，可以进行像素级别的图像配准，从而对数据集进行行为识别；S5：利用Softmax对动火作业工人的行为进行分类，从而判断出动火作业违章行为的人员。2.根据权利要求1所述的一种动火作业违章...

【专利技术属性】
技术研发人员：郝子轩，刘梦瑜，田朔尘，于莅洋，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：