一种基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
一种基于ATT
‑
YOLO
‑
V7网络的室内泳池溺水检测方法


[0001]本专利技术属于计算机视觉中的目标检测领域，更具体地说是一种基于
ATT
‑
YOLO
‑
V7
网络的室内泳池溺水检测方法
。

技术介绍

[0002]目前针对溺水事件，首要做好有效风险防控，盯紧重点危险水域，落实安全责任，做到早预防，然而仅依靠人工监督无法有效避免意外事故的发生，故急需可以在泳池等场所中可以检测
、
识别泳客溺水，从而使救援人员可以在有效救援时间内采取营救的系统
。
[0003]而现有的溺水检测系统所依赖的神经网络模型在室内场景中对泳客运动状态识别的精度较低，导致误判
、
漏判泳客的运动姿态，当泳客发生溺水时无法有效的向救生员反馈信息，从而错过最佳的救援时间导致意外发生
。

技术实现思路

[0004]本专利技术是为了解决上述现有技术存在的不足之处，提出一种基于
ATT
‑
...

【技术保护点】

【技术特征摘要】
1.
一种基于
ATT
‑
YOLO
‑
V7
网络的室内泳池溺水检测方法，其特征在于，包括如下步骤：步骤
1、
图像采集与预处理：步骤
1.1、
获取泳池内泳客运动的视频数据并进行抽帧和预处理，得到视频图像序列
F
，令视频图像序列
F
中的任意一帧泳客运动的
RGB
图片记为
I
r
；步骤
1.2、
对
RGB
图片
I
r
中的
N
个泳客的位置和运动状态
STA_IN
进行标注，得到带有
N
个位置标签和运动状态标签的特征图像
I
pro
；其中，所述运动状态
STA_IN
包括：游泳
S_SW、
站立
S_ST、
溺水
S_DR
；令特征图像
I
pro
中第
i
个泳客的位置标签记为
c
i
，且
c
i
＝
(c
i_x
，
c
i_y
)
，其中，
c
i_x
表示第
i
个泳客在
RGB
图片
I
r
中所在位置的矩形框的左上角坐标
(x
i_ltc
，
y
i_ltc
)
，
c
i_y
表示所述矩形框的右下角坐标
(x
i_rbc
，
y
i_rbc
)
，其中，
x
i_ltc
表示所述矩形框左上角的横坐标，
y
i_ltc
表示所述矩形框左上角的纵坐标，
x
i_rbc
表示所述矩形框右下角的横坐标，
y
i_rbc
表示所述矩形框右下角的纵坐标；令特征图像
I
pro
中第
i
个泳客的运动状态标签记为
label
i
，
label
i
∈{S_SW
，
S_ST
，
S_DR}
；步骤
2、
建立
ATT
‑
YOLO
‑
V7
网络，依次包括：特征提取模块
Extra、
注意力模块
Atten、
预测模块
Pred
；步骤
2.1、
所述特征提取模块
Extra
依次由并联的
U
个基础单元以及1个激活层
Sig
构成，其中，任意第
u
个基础单元由
g1个卷积层
Conv、g2个标准化层
Norm
依次构成；所述特征图像
I
pro
输入到特征提取模块
Extra
中，并分别经过每个基础单元的
g1个卷积层
Conv
的特征提取处理，得到粗特征集合
{I
u
，
Extra
|u
＝1，2，
...
，
U}
，其中，
I
u
，
Extra
表示第
u
个基础单元输出的粗特征；
{I
u
，
Extra
|u
＝1，2，
...
，
U}
再分别经过每个基础单元的
g2个标准化层
Norm
的处理，得到标准特征集合
{I
u
，
Norm
|u
＝1，2，
...
，
U}
，其中，
I
u
，
Norm
表示第
u
个基础单元输出的标准特征；将标准特征集合
{I
u
，
Norm
|u
＝1，2，
...
，
U}
输入激活层
Sig
中进行处理，并得到激活特征集合
I
act
＝
{I
u
，
act
|u
＝1，2，
...
，
U}
，其中，
I
u
，
act
表示第
u
个激活特征；步骤
2.2、
所述注意力模块
Atten
由
g3个特征随机融合支路并联组成；将所述激活特征集合
I
act
分别输入到
g3个特征随机融合支路中，其中，第
g
个特征随机融合支路利用式
(1
‑
1)
计算第
g
个融合特征
I
g
，
Fus_act
，从而由
g3个特征随机融合支路得到融合特征集合
I
Fus_act
＝
{I
g
，
Fus_act
|g
＝1，2，
...g3}
；式
(1
‑
1)
中，
W
g
，
br_f
表示第
g
个支路的注意力权重，
b
g
，
brf
表示第
g
个支路的注意力偏置，
I
i
′
，
act
表示第
i
′
个激活特征，
I
j
′
，
act
表示第
j
′
个激活特征，
i
′
≠j
′
；
i
′
，
j
′
∈1
，2，
...
，
U
；步骤
2.3、
所述预测模块
Pred
由并联的
R
个基础单元构成，其中，任意第
r
个基础单元由
C
n
个卷积层
、P
n
个池化层
、K
n
个全连接层依次构成；
所述融合特征集合
I
Fus_act
输入到预测模块
Pred
中，并分别经过每个基础单元的
c
n
个卷积层的处理后，得到卷积特征集合
{I
r
，
conv
|r
＝1，2，
...R}
，其中，
I
r
，
conv
表示第
r
个基础单元的第
c
n
个卷积层输出的卷积特征；
{I
r
，
conv
|r
＝1，2，
...R}
分别经过每个基础单元的
P
n
个池化层的下采样处理后，得到下采样特征集合
{I
r

【专利技术属性】
技术研发人员：魏星，李开霞，张志华，王玉成，顾潇宇，陈淑艳，贺天一，蒋欣晟，叶晓东，孔令成，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：