System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及异常人员识别领域,尤其涉及一种基于深度学习实现道路施工下的异常人员识别方法及系统。
技术介绍
1、异常人员识别是指通过分析人员的行为、特征、背景等信息,识别出可能存在安全风险、犯罪嫌疑或其他异常行为的人员。这项技术在道路施工下可以快速锁定异常人员,提高了道路施工的稳定。
2、目前异常人员识别主要是通过采集人员的人脸信息和动作行为来分析人员是否在人脸库和动作是否存在危险性的方式来识别异常人员,这种方法只能识别以及发生危险动作的异常人员,无法对可能发生的异常动作的异常人员进行有效预测,从而导致异常人员的识别效果不佳。
技术实现思路
1、本专利技术提供一种基于深度学习实现道路施工下的异常人员识别方法及系统,其主要目的在于提高道路施工场景下异常人员识别的准确性。
2、为实现上述目的,本专利技术提供的一种基于深度学习实现道路施工下的异常人员识别方法,包括:
3、采集道路施工场景下施工场景数据,提取所述施工场景数据的场景图像和场景视频;
4、对所述场景图像进行均衡化处理,得到均衡化图像,标记所述均衡化图像中的人员主体,识别所述人员主体的人脸信息,将所述人脸信息与预设的人脸库进行对比,得到异常人脸信息,基于所述异常人脸信息,识别所述人员主体中的人脸异常人员;
5、对所述场景视频进行背景建模,得到所述道路施工场景的模拟施工场景,标记所述人员主体在所述模拟施工场景的空间坐标,基于所述空间坐标和预设的危险区域,识别所述人员主体中
6、根据所述场景视频,分析所述人员主体的行为动作,计算所述行为动作的加速度向量幅值,基于所述加速度向量幅值,利用预设的行为轨迹预测模型预测所述人员主体的预测行为动作,分析所述预测行为动作的动作异常值,基于所述动作异常值,识别所述人员主体中的行为异常人员;
7、基于所述人脸异常人员、所述位置异常人员以及所述行为异常人员,分析所述人员主体中的异常人员。
8、可选地,所述提取所述施工场景数据的场景图像和场景视频,包括:
9、对所述施工场景数据进行数据预处理,得到处理施工场景数据;
10、识别所述处理施工场景数据的数据格式;
11、基于所述数据格式,对所述处理施工场景数据进行分类,得到格式分类场景数据;
12、提取所述格式分类场景数据中的场景图像和场景视频。
13、可选地,所述对所述场景图像进行均衡化处理,得到均衡化图像,包括:
14、识别所述场景图像的灰度级别;
15、标记所述场景图像中所述灰度级别对应灰度级别像素数量;
16、根据所述灰度级别和所述灰度级别像素数量,绘制所述场景图像的灰度直方图;
17、对所述灰度直方图进行均衡化处理,得到所述均衡化图像。
18、可选地,所述对所述灰度直方图进行均衡化处理,得到所述均衡化图像,包括:
19、构建所述灰度直方图的累积分布函数;
20、基于所述累积分布函数,利用下述公式计算对所述灰度直方图的均衡像素值:
21、;
22、其中,表示灰度直方图中为a的像素值的均衡像素值,cdf()表示累积分布函数,a表示灰度直方图中为a的像素值 ,cdfmin表示累积分布函数最小值,c表示灰度直方图的长像素个数,k表示灰度直方图的宽像素个数,b表示灰度直方图对应灰度级别;
23、根据所述均衡像素值,构建所述灰度直方图的均衡化图像。
24、可选地,所述识别所述人员主体的人脸信息,包括:
25、标记所述人员主体的人脸区域;
26、对所述人脸区域进行姿态调整,得到姿态调整人脸;
27、提取所述姿态调整人脸的人脸特征;
28、根据所述人脸特征,分析所述人员主体的人脸信息。
29、可选地,所述对所述场景视频进行背景建模,得到所述道路施工场景的模拟施工场景,包括:
30、将所述场景视频转化为视频帧图像;
31、将所述视频帧图像划分为背景帧图像和备用帧图像;
32、提取所述背景帧图像的图像特征向量;
33、根据所述图像特征向量,建立所述道路施工场景的初始模拟施工场景;
34、根据所述备用帧图像,对所述初始模拟施工场景进行更新,得到所述道路施工场景的模拟施工场景。
35、可选地,所述提取所述背景帧图像的图像特征向量,包括:
36、将所述背景帧图像转化为灰度帧图像;
37、计算所述灰度帧图像的图像梯度;
38、根据所述图像梯度,将所述灰度帧图像划分为局部方向区间图像;
39、根据所述图像梯度,利用下述公式计算所述局部方向区间图像的梯度直方图值:
40、;
41、其中,h(i)表示第i个局部方向区间图像的梯度直方图值,w(e)表示局部图像对应像素点e的权重,|g(e)|表示局部图像对应像素点e的梯度大小,表示局部图像对应像素点e的梯度方向,是一个指示函数,当与θ(i)相等时为1,否则为0,θ(i)表示第i个局部方向区间图像的角度值;
42、根据所述梯度直方图值,构建所述局部方向区间图像的梯度直方图;
43、将所述梯度直方图进行链接,得到所述背景帧图像的图像特征向量。
44、可选地,所述计算所述行为动作的加速度向量幅值,包括:
45、识别所述行为动作的加速度数据;
46、基于所述加速度数据,计算所述行为动作的动作加速度;
47、基于所述动作加速度,利用下述公式计算所述行为动作的加速度向量幅值:
48、;
49、其中,表示加速度向量幅值,mx表示动作加速度x轴上的分量,my表示动作加速度y轴上的分量,mz表示动作加速度z轴上的分量。
50、可选地,所述基于所述加速度向量幅值,利用预设的行为轨迹预测模型预测所述人员主体的预测行为动作,包括:
51、提取所述加速度向量幅值的幅值特征;
52、根据所述幅值特征,利用所述行为轨迹预测模型预测所述人员主体的预测行为动作坐标;
53、基于所述预测行为动作坐标,构建所述人员主体的预测行为轨迹;
54、通过所述预测行为轨迹,分析所述人员主体的预测行为动作。
55、为了解决上述问题,本专利技术还提供一种基于深度学习实现道路施工下的异常人员识别系统,所述系统包括:
56、施工场景数据处理模块,用于采集道路施工场景下施工场景数据,提取所述施工场景数据的场景图像和场景视频;
57、人脸异常人员识别模块,用于对所述场景图像进行均衡化处理,得到均衡化图像,标记所述均衡化图像中的人员主体,识别所述人员主体的人脸信息,将所述人脸信息与预设的人脸库进行对比,得到异常人脸信息,基于所述异常人脸信息,识别所述人本文档来自技高网...
【技术保护点】
1.一种基于深度学习实现道路施工下的异常人员识别方法,其特征在于,所述方法包括:
2.如权利要求1所述的基于深度学习实现道路施工下的异常人员识别方法,其特征在于,所述提取所述施工场景数据的场景图像和场景视频,包括:
3.如权利要求1所述的基于深度学习实现道路施工下的异常人员识别方法,其特征在于,所述对所述场景图像进行均衡化处理,得到均衡化图像,包括:
4.如权利要求3所述的基于深度学习实现道路施工下的异常人员识别方法,其特征在于,所述对所述灰度直方图进行均衡化处理,得到所述均衡化图像,包括:
5.如权利要求1所述的基于深度学习实现道路施工下的异常人员识别方法,其特征在于,所述识别所述人员主体的人脸信息,包括:
6.如权利要求1所述的基于深度学习实现道路施工下的异常人员识别方法,其特征在于,所述对所述场景视频进行背景建模,得到所述道路施工场景的模拟施工场景,包括:
7.如权利要求6所述的基于深度学习实现道路施工下的异常人员识别方法,其特征在于,所述提取所述背景帧图像的图像特征向量,包括:
8.如权利
9.如权利要求1所述的基于深度学习实现道路施工下的异常人员识别方法,其特征在于,所述基于所述加速度向量幅值,利用预设的行为轨迹预测模型预测所述人员主体的预测行为动作,包括:
10.一种基于深度学习实现道路施工下的异常人员识别系统,其特征在于,用于执行如权利要求1-9中任意一项所述的基于深度学习实现道路施工下的异常人员识别方法,所述系统包括:
...【技术特征摘要】
1.一种基于深度学习实现道路施工下的异常人员识别方法,其特征在于,所述方法包括:
2.如权利要求1所述的基于深度学习实现道路施工下的异常人员识别方法,其特征在于,所述提取所述施工场景数据的场景图像和场景视频,包括:
3.如权利要求1所述的基于深度学习实现道路施工下的异常人员识别方法,其特征在于,所述对所述场景图像进行均衡化处理,得到均衡化图像,包括:
4.如权利要求3所述的基于深度学习实现道路施工下的异常人员识别方法,其特征在于,所述对所述灰度直方图进行均衡化处理,得到所述均衡化图像,包括:
5.如权利要求1所述的基于深度学习实现道路施工下的异常人员识别方法,其特征在于,所述识别所述人员主体的人脸信息,包括:
6.如权利要求1所述的基于深度学习实现道路施工下的异常人员识...
【专利技术属性】
技术研发人员:赵峥嵘,黄灏,何佼莲,熊延华,王涛,
申请(专利权)人:贵州省公路建设养护集团有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。