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】
本专利技术涉及人工智能分析,具体涉及一种基于时空联合的室内抽烟行为识别方法、系统和装置。
技术介绍
1、在烟草制品以及烟雾中有93种致癌、致畸、致瘾、致毒的物质,其化学物质高达4000多种。如果长期吸入二手烟,其危害比一手烟的还要高,鼻腔、咽喉和呼吸道都会受到一定的刺激,二手烟中的尼古丁会刺激人的大脑,影响大脑血管,损害人的智力。可见,在健康方面,二手烟的危害很大。
2、此外,在安全方面,吸烟容易引发火灾,室内抽烟引发火灾的案例屡见不鲜。
3、因此,室内抽烟行为检测技术的研究很有必要。
4、当前抽烟检测方法大致分为两类,第一类是基于空域的目标检测方法,把视频的每一帧单独图片单独进行检测,检测出有香烟这个类别即判定有抽烟行为发生。若有人拿着烟不抽或者把烟放在桌子上,此时没有发生抽烟行为,但也会被判定为抽烟。因此,仅采用基于空域的目标检测的方法进行室内抽烟行为检测,则存在不小的弊端,容易发生误检错检的情况。
5、第二类是基于时域的动作识别的方法,探讨如何更好的描述时域信息特征,融入前后帧的特征信息,检测出抽烟这个动作即判定为抽烟,但这种方法很容易把抽烟、喝水和摸嘴等相似动作混淆,在摄像头底下很容易被误解。因此,仅采用基于时域的动作识别的方法进行室内抽烟行为检测,也存在不小的弊端。
技术实现思路
1、本专利技术的目的是针对以上不足之处,提供了一种基于时空联合的室内抽烟行为识别方法、系统及装置,能够准确识别抽烟行为。
2、本专利技
3、一种基于时空联合的室内抽烟行为识别方法,包括:
4、搭建包括空域分支为基于目标检测的香烟、人脸检测模型,以及时域分支为基于行为识别的抽烟行为识别模型,并进行适合香烟小目标检测和多尺度目标检测的改进;
5、自建数据集用于基于目标检测的香烟、人脸检测模型和基于行为识别的抽烟行为识别模型的训练,对数据集的数据进行预处理,多次训练数据集并测试,直到达到设定的准确率,得到空域分支的香烟、人脸检测模型和时域分支的抽烟行为识别模型;
6、获取视频流数据进行实时检测,将视频流数据解码抽帧得到单帧图像,每隔连续的2帧取1帧,8帧为一组数据,并对每组数据进行处理,将每组数据输入训练好的空域分支的香烟、人脸检测模型和时域分支的抽烟行为识别模型,得到空域分支和时域分支的输出结果;
7、对得到的空域分支和时域分支的输出结果进行综合决策,其中时域分支的抽烟行为识别模型识别到抽烟动作,空域分支的香烟、人脸检测模型检测到香烟,则认定为抽烟;时域分支的抽烟行为识别模型没有识别到抽烟动作,空域分支的香烟、人脸检测模型检测到香烟,且检测到香烟和人脸区域重合度大于等于设定阈值,认定为抽烟,若小于设定阈值,认定为非抽烟;时域分支的抽烟行为识别模型识别到抽烟动作,空域分支的香烟、人脸检测模型没有检测到香烟,但没有检测到水杯,认定为抽烟,若检测到水杯,认定为非抽烟;时域分支的抽烟行为识别模型没有识别到抽烟动作,空域分支的香烟、人脸检测模型没有识别到香烟,则认定为非抽烟。
8、本专利技术进一步的改进在于,空域分支的基于目标检测的香烟、人脸检测模型,通过如下方法进行数据标注和模型优化:
9、数据标注:选择包含人脸、香烟、水杯的图片作为模型的训练数据集,分别标注图像中的人脸位置、香烟位置和水杯位置,三种目标尺度大小不一;
10、模型优化:在yolov5模型中添加预测层、ca注意力机制和加权双向特征金字塔网络bifpn,增强模型对小目标和多尺度目标的检测能力,具体优化方式如下:
11、1)添加预测层
12、yolov5模型只有3个预测层,当将尺寸为640×640的图像输入网络时,neck网络分别进行8倍、16倍和32倍下采样,对应的预测层特征图尺寸为80×80、40×40和20×20,分别用来检测小目标、中目标和大目标;为提升远距离小目标的识别准确率,在yolov5原始网络上增加一个预测层;在neck网络中增加1次上采样,第3次上采样后,与主干网络第2层融合,得到新增加的160×160的预测层,用以检测小目标,如表1所示;
13、表1各个预测层的感受野
14、 特征图 20x20 40x40 80x80 160x160 感受野 大 中 较小 小
15、2)添加ca注意力机制
16、在yolov5模型中添加ca注意力机制包括两个步骤:通道特征提取和通道注意力计算;在通道特征提取阶段,使用一个全局平均池化层来计算每个通道的平均值和最大值,然后将它们连接起来并通过一个全连接层来产生通道特征;在通道注意力计算阶段,使用一个sigmoid函数来将通道特征映射到[0,1]范围内,并将其应用于输入特征图中的每个像素点,以产生加权特征图;
17、3)添加加权双向特征金字塔网络bifpn
18、在yolov5模型的neck部分,yolov5采用了pan结构,bifpn对pan进行改进,bifpn能够适应不同的输入分辨率和目标大小,引入了可学习的权值来学习不同输入特征的贡献,同时反复应用自顶而下和自下而上的多尺度特征融合,增强模型对多尺度目标的检测能力。
19、本专利技术进一步的改进在于,时域分支的基于行为识别的抽烟行为识别模型,通过如下方法进行数据采集和模型训练:
20、数据采集:自建数据集以训练出适合室内的抽烟行为识别模型,采集的视频综合考虑以下因素,采集场景:客厅、卧室、办公室和卫生间;采集的吸烟者角度:正面、背面和侧面;采集者拍摄角度:近距离、远距离和俯拍;采集视频中的人数:单人和多人;光线;烟是否遮挡以及遮挡的比例;
21、模型训练:基于行为识别的抽烟行为识别模型,沿着时间维度移动部分通道,融合前后帧的特征信息,检测出抽烟这个动作即判定为抽烟;同时将训练集设置为两类,抽烟类和非抽烟类,将采集的、利用大数据获取的喝水、摸嘴和吃东西的视频添加进非抽烟类进行训练,增强模型的辨别能力;训练集的非抽烟类还包括站起来、坐下和走路日常室内动作。
22、本专利技术进一步的改进在于,实时检测时对每组数据的处理方式为:将每帧图像缩放到制指定大小,并通过填充黑边保持原图像的形状,将每组8个帧的图像作为用于实时识别的基于目标检测的香烟、人脸检测模型和基本文档来自技高网...
【技术保护点】
1.一种基于时空联合的室内抽烟行为识别方法,其特征在于,包括:
2.根据权利要求1所述的一种基于时空联合的室内抽烟行为识别方法,其特征在于,空域分支的基于目标检测的香烟、人脸检测模型,通过如下方法进行数据标注和模型优化:
3.根据权利要求1所述的一种基于时空联合的室内抽烟行为识别方法,其特征在于,时域分支的基于行为识别的抽烟行为识别模型,通过如下方法进行数据采集和模型训练:
4.根据权利要求1所述的一种基于时空联合的室内抽烟行为识别方法,其特征在于,实时检测时对每组数据的处理方式为:将每帧图像缩放到制指定大小,并通过填充黑边保持原图像的形状,将每组8个帧的图像作为用于实时识别的基于目标检测的香烟、人脸检测模型和基于行为识别的抽烟行为识别模型的输入。
5.根据权利要求1所述的一种基于时空联合的室内抽烟行为识别方法,其特征在于,获取视频流数据的方式采用摄像头获取。
6.一种基于时空联合的室内抽烟行为识别系统,其特征在于,包括:
7.根据权利要求6所述的一种基于时空联合的室内抽烟行为识别系统,其特征在于,数据处理模
8.根据权利要求6所述的一种基于时空联合的室内抽烟行为识别系统,其特征在于,数据处理模块中,获取视频流数据的方式采用摄像头获取。
9.一种基于时空联合的室内抽烟行为识别装置,其特征在于,包括:至少一个摄像头、至少一个存储器和至少一个处理器;
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时实现权利要求1-5中任一项所述的一种基于时空联合的室内抽烟行为识别方法的步骤。
...【技术特征摘要】
1.一种基于时空联合的室内抽烟行为识别方法,其特征在于,包括:
2.根据权利要求1所述的一种基于时空联合的室内抽烟行为识别方法,其特征在于,空域分支的基于目标检测的香烟、人脸检测模型,通过如下方法进行数据标注和模型优化:
3.根据权利要求1所述的一种基于时空联合的室内抽烟行为识别方法,其特征在于,时域分支的基于行为识别的抽烟行为识别模型,通过如下方法进行数据采集和模型训练:
4.根据权利要求1所述的一种基于时空联合的室内抽烟行为识别方法,其特征在于,实时检测时对每组数据的处理方式为:将每帧图像缩放到制指定大小,并通过填充黑边保持原图像的形状,将每组8个帧的图像作为用于实时识别的基于目标检测的香烟、人脸检测模型和基于行为识别的抽烟行为识别模型的输入。
5.根据权利要求1所述的一种基于时空联合的室内抽烟行为识别方法,其特征在于,获取视频流数据的方式采用摄像头获取。
6....
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。