CN112507892A - 基于深度学习的特种场所重点人员穿着识别处理的系统、方法、装置、处理器及其存储介质 - Google Patents
基于深度学习的特种场所重点人员穿着识别处理的系统、方法、装置、处理器及其存储介质 Download PDFInfo
- Publication number
- CN112507892A CN112507892A CN202011464179.8A CN202011464179A CN112507892A CN 112507892 A CN112507892 A CN 112507892A CN 202011464179 A CN202011464179 A CN 202011464179A CN 112507892 A CN112507892 A CN 112507892A
- Authority
- CN
- China
- Prior art keywords
- target person
- target
- deep learning
- personnel
- video image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于深度学习实现针对特种场所重点人员穿着进行识别处理的系统,其中,该系统包括视频分析模块,用于接入、读取特种场所视频图像,并对其进行抽帧、去重数据预处理操作;目标人员检测网络训练模型模块,用于将经过视频分析模块处理后的图像进行标注,训练目标人员检测模型;目标智能检测模块,用于获取目标人员识别图像;目标智能解析模块,用于判断目标人员是否正确穿着。本发明还涉及一种基于上述系统的方法、装置、处理器及计算机可读存储介质。采用了本发明的相应的系统、方法、装置、处理器及存储介质,通过基于深度学习的检测、分类模型,及时对未正确着装的行为进行识别和报警,为监测特种场所重点人员穿着规范提供帮助。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及深度学习检测、分类网络建立和训练技术领域,具体是指一种基于深度学习的实现针对特种场所重点人员穿着进行识别处理的系统、方法、装置、处理器及其计算机可读存储介质。
背景技术
随着人工智能技术的发展,其越来越多地被应用到各专业领域当中。在特种场所如化工厂、建筑工地等用于监测重点人员如工人的穿着是否符合规范,是防范危险事件的重要措施。围绕在特种场所重点人员工作期间是否正确着装,研究基于深度学习的检测、分类模型,通过及时对未正确着装的行为进行识别和报警,为特定场所重点人员着重提供帮助。
发明内容
本发明的目的是克服了上述现有技术的缺点,提供了一种识别精准度高、适用性好的基于深度学习的实现针对特种场所重点人员穿着进行识别处理的系统、方法、装置、处理器及其计算机可读存储介质。
为了实现上述目的,本发明的基于深度学习的实现针对特种场所重点人员穿着进行识别处理的系统、方法、装置、处理器及其计算机可读存储介质如下:
该基于深度学习的实现针对特种场所重点人员穿着进行识别处理的系统,其主要特点是,所述的系统包括:
视频分析模块,用于接入并读取特种场所的视频图像,并将所述的视频图像保存后进行数据预处理;
目标人员检测网络训练模型模块,与所述的视频分析模块相连接,用于对经所述的视频分析模块数据预处理后的视频图像进行目标人员标记,得到目标人员检测网络训练模型;
目标智能检测模块,与所述的目标人员检测网络训练模型模块相连接,用于通过所述的目标人员检测网络训练模型获取目标人员视频图像,并生成排除外界环境干扰的视频图像;
目标智能解析模块,与所述的目标智能检测模块相连接,用于解析并判断获取的所述的目标人员视频图像中的重点人员是否符合穿着要求,以进行后续的报警处理。
较佳地,所述的数据预处理具体包括以下处理:
对获取的所述的视频图像进行抽帧和去重处理。
该实现基于深度学习的针对特种场所重点人员穿着进行识别处理的方法,其主要特点是,所述的方法包括以下步骤:
(1)采集目标人员的视频图像,并将所述的视频图像进行图像预处理操作;
(2)对经所述的图像预处理操作后生成的所述的视频图像进行目标人员标注及网络训练,得到所述的目标人员检测网络训练模型;
(3)对所述的目标人员检测网络训练模型进行目标检测,得到所述的目标人员视频图像;
(4)将所述的目标人员视频图像进行去重处理,标注目标人员识别类别;
(5)将标注过的所述的目标人员视频图像输入训练网络进行训练,得到所述的智能解析模型,解析并判断获取的所述的智能解析模型中的目标人员视频图像中的重点人员是否符合特种场所重点人员穿着要求。
较佳地,所述的步骤(1)具体包括以下步骤:
(1.1)接入并读取特种场所重点人员视频图像,采集包含目标人员的视频图像;
(1.2)将采集到的所述的目标人员的视频图像通过opencv库进行抽帧图像预处理,保存所述的目标人员的视频图像;
(1.3)将保存的所述的目标人员的视频图像进行手动去重操作,得到去重后的目标人员视频图像。
较佳地,所述的步骤(2)具体包括以下步骤:
(2.1)将所述的步骤(1.3)中得到的所述的目标人员视频图像通过方框将目标人员进行标记处理,以达到与背景图像区分的效果;
(2.2)建立基于深度学习的检测网络resnet10,将经标记处理后的所述的目标人员视频图像输入到所述的检测网络resnet10进行迭代训练,得到检测网络的权重及偏差的模型文件,生成目标人员检测网络训练模型模块。
较佳地,所述的步骤(3)具体为:
将所述的步骤(2.2)中生成的所述的目标人员视频图像使用所述的模型文件对视频图像进行处理,得到只包含目标人员的图片文件。
较佳地,所述的步骤(4)具体包括以下步骤:
(4.1)建立Resnet50网络模型,将经所述的步骤(3)处理生成的图片文件输入至所述的Resnet50网络模型中,所述的Resnet50网络模型输出每张图片的特征数据值;
(4.2)将所述的特征数据值低于系统预设阈值的图片丢弃,将高于系统预设阈值的图片保留,完成去重操作;
(4.3)对完成去重处理后的目标人员图片进行分类标注生成标签文件,所述的分类标注包括:未规范穿着、正确穿着及无法判断。
较佳地,所述的步骤(4.2)具体包括以下步骤:
(4.2.1)将所述的步骤(4.1)中获取的图片采用cosine方法,计算每两张图片特征数据值的相似度,具体采用以下公式计算两张图片特征数据值的特征距离Lcosθ:
其中,θ为两张图片的特征值之间的夹角,cosθ为衡量两张图片之间的差异的大小值,x1为第一张图片在x方向的特征值,y1为第一张图片在y方向的特征值,x2为第二张图片在x方向的特征值,y2为第二张图片在y方向的特征值,Lcosθ表示两张图片特征数据值的特征距离;
(4.2.2)将获取的所述的特征距离Lcosθ低于系统预设阈值的两张图片中的其中一张随机删除,将所述的特征距离Lcosθ高于系统预设阈值的两张图片均保留。
较佳地,所述的步骤(5)具体包括以下步骤:
(5.1)建立resnet18网络模型,将所述的步骤(4.3)中标注的所述的目标人员图片与标签文件输入到resnet18训练网络中进行训练;
(5.2)保存包含权重、偏差的目标人员图片的模型文件;
(5.2)将测试图片输入到所述的resnet18网络模型中并加载权重模型文件,得到用于区分所述的目标人员是否穿戴特种场所重点人员穿着标识的智能解析模型;
(5.3)判断该目标人员是否符合特种场所重点人员的穿着要求,以进行后续的报警处理。
该用于实现基于深度学习的针对特种场所重点人员穿着进行识别处理的装置,其主要特点是,所述的装置包括:
处理器,被配置成执行计算机可执行指令;
存储器,存储一个或多个计算机可执行指令,所述计算机可执行指令被所述处理器执行时,实现上述处理方法的各个步骤。
该用于实现基于深度学习的针对特种场所重点人员穿着进行识别处理的处理器,其特征在于,所述的处理器被配置成执行计算机可执行指令,所述的计算机可执行指令被所述的处理器执行时,实现上述处理方法的各个步骤。
该计算机可读存储介质,其特征在于,其上存储有计算机程序,所述的计算机程序可被处理器执行以实现上述处理方法的各个步骤。
采用了本发明的基于深度学习的实现针对特种场所重点人员穿着进行识别处理的系统、方法、装置、处理器及其计算机可读存储介质,基于深度学习技术,研究出用于训练目标人员检测模型及相应的人员识别分类解析模型,通过对在工作期间未正确着装的重点人员的行为进行监测和识别,能有效规范相关人员的行为举动,为特定场所的重点关注人员提供着重的帮助,同时,也是针对特种场所实现安全防范的重要措施。
附图说明
图1为本发明的基于深度学习的实现针对特种场所重点人员穿着识别处理的系统的功能模块示意图。
图2为本发明的实现基于深度学习的针对特种场所重点人员穿着识别处理的方法的流程图。
图3为本发明的实现基于深度学习的针对特种场所重点人员穿着识别处理的方法的图像预处理流程图。
图4为本发明的实现基于深度学习的针对特种场所重点人员穿着识别处理的方法的实现目标人员图像标注的流程图。
具体实施方式
为了能够更清楚地描述本发明的技术内容,下面结合具体实施例来进行进一步的描述。
在详细说明根据本发明的实施例前,应该注意到的是,在下文中,术语“包括”、“包含”或任何其他变体旨在涵盖非排他性的包含,由此使得包括一系列要素的过程、方法、物品或者设备不仅包含这些要素,而且还包含没有明确列出的其他要素,或者为这种过程、方法、物品或者设备所固有的要素。
请参阅图1所示,该基于深度学习的实现针对特种场所重点人员穿着进行识别处理的系统,其中,所述的系统包括:
视频分析模块,用于接入并读取特种场所的视频图像,并将所述的视频图像保存后进行数据预处理;
目标人员检测网络训练模型模块,与所述的视频分析模块相连接,用于对经所述的视频分析模块数据预处理后的视频图像进行目标人员标记,得到目标人员检测网络训练模型;
目标智能检测模块,与所述的目标人员检测网络训练模型模块相连接,用于通过所述的目标人员检测网络训练模型获取目标人员视频图像,并生成排除外界环境干扰的视频图像;
目标智能解析模块,与所述的目标智能检测模块相连接,用于解析并判断获取的所述的目标人员视频图像中的重点人员是否符合穿着要求,以进行后续的报警处理。
作为本发明的优选实施方式,所述的数据预处理具体包括以下处理:
对获取的所述的视频图像进行抽帧和去重处理。
请参阅图2所示,该实现基于深度学习的针对特种场所重点人员穿着识别处理的方法,其中,所述的方法包括以下步骤:
(1)采集目标人员的视频图像,并将所述的视频图像进行图像预处理操作;
(2)对经所述的图像预处理操作后生成的所述的视频图像进行目标人员标注及网络训练,得到所述的目标人员检测网络训练模型;
(3)对所述的目标人员检测网络训练模型进行目标检测,得到所述的目标人员视频图像;
(4)将所述的目标人员视频图像进行去重处理,标注目标人员识别类别;
(5)将标注过的所述的目标人员视频图像输入训练网络进行训练,得到所述的智能解析模型,解析并判断获取的所述的智能解析模型中的目标人员视频图像中的重点人员是否符合特种场所重点人员穿着要求。
请参阅图3所示,作为本发明的优选实施方式,所述的步骤(1)具体包括以下步骤:
(1.1)接入并读取特种场所重点人员视频图像,采集包含目标人员的视频图像;
(1.2)将采集到的所述的目标人员的视频图像通过opencv库进行抽帧图像预处理,保存所述的目标人员的视频图像;
(1.3)将保存的所述的目标人员的视频图像进行手动去重操作,得到去重后的目标人员视频图像。
作为本发明的优选实施方式,所述的步骤(2)具体包括以下步骤:
(2.1)将所述的步骤(1.3)中得到的所述的目标人员视频图像通过方框将目标人员进行标记处理,以达到与背景图像区分的效果;
(2.2)建立基于深度学习的检测网络resnet10,将经标记处理后的所述的目标人员视频图像输入到所述的检测网络resnet10进行迭代训练,得到检测网络的权重及偏差的模型文件,生成目标人员检测网络训练模型模块。
作为本发明的优选实施方式,所述的步骤(3)具体为:
将所述的步骤(2.2)中生成的所述的目标人员视频图像使用所述的模型文件对视频图像进行处理,得到只包含目标人员的图片文件。
请参阅图4所示,作为本发明的优选实施方式,所述的步骤(4)具体包括以下步骤:
(4.1)建立Resnet50网络模型,将经所述的步骤(3)处理生成的图片文件输入至所述的Resnet50网络模型中,所述的Resnet50网络模型输出每张图片的特征数据值;
(4.2)将所述的特征数据值低于系统预设阈值的图片丢弃,将高于系统预设阈值的图片保留,完成去重操作;
(4.3)对完成去重处理后的目标人员图片进行分类标注生成标签文件,所述的分类标注包括:未规范穿着、正确穿着及无法判断。
作为本发明的优选实施方式,所述的步骤(4.2)具体包括以下步骤:
(4.2.1)将所述的步骤(4.1)中获取的图片采用cosine方法,计算每两张图片特征数据值的相似度,具体采用以下公式计算两张图片特征数据值的特征距离Lcosθ:
其中,θ为两张图片的特征值之间的夹角,cosθ为衡量两张图片之间的差异的大小值,x1为第一张图片在x方向的特征值,y1为第一张图片在y方向的特征值,x2为第二张图片在x方向的特征值,y2为第二张图片在y方向的特征值,Lcosθ表示两张图片特征数据值的特征距离;
(4.2.2)将获取的所述的特征距离Lcosθ低于系统预设阈值的两张图片中的其中一张随机删除,将所述的特征距离Lcosθ高于系统预设阈值的两张图片均保留。
作为本发明的优选实施方式,所述的步骤(5)具体包括以下步骤:
(5.1)建立resnet18网络模型,将所述的步骤(4.3)中标注的所述的目标人员图片与标签文件输入到resnet18训练网络中进行训练;
(5.2)保存包含权重、偏差的目标人员图片的模型文件;
(5.2)将测试图片输入到所述的resnet18网络模型中并加载权重模型文件,得到用于区分所述的目标人员是否穿戴特种场所重点人员穿着标识的智能解析模型;
(5.3)判断该目标人员是否符合特种场所重点人员的穿着要求,以进行后续的报警处理。
该用于实现基于深度学习的针对特种场所重点人员穿着进行识别处理的装置,其特征在于,所述的装置包括:
处理器,被配置成执行计算机可执行指令;
存储器,存储一个或多个计算机可执行指令,所述计算机可执行指令被所述处理器执行时,实现上述处理方法的各个步骤。
该用于实现基于深度学习的针对特种场所重点人员穿着进行识别处理的处理器,其特征在于,所述的处理器被配置成执行计算机可执行指令,所述的计算机可执行指令被所述的处理器执行时,实现上述处理方法的各个步骤。
该计算机可读存储介质,其特征在于,其上存储有计算机程序,所述的计算机程序可被处理器执行以实现上述处理方法的各个步骤。
在本发明的一具体实施方式中,所述的步骤(1)具体包括:
1、接入并读取特种场所重点人员视频图像,采集包含目标人员的1个月的视频图像;
2、将采集到的所述的目标人员的视频图像通过opencv库进行抽帧图像预处理,抽帧频率为每10帧保存一张图像;
3、对抽帧后区别不大的图像进行手动去重,图像区别由肉眼观察所得。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成的,程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一实施例”、“一些实施例”、“示例”、“具体示例”、或“优选实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
采用了本发明的基于深度学习的实现针对特种场所重点人员穿着进行识别处理的系统、方法、装置、处理器及计算机可读存储介质,基于深度学习技术,研究出用于训练目标人员检测模型及相应的人员识别分类解析模型,通过对在工作期间未正确着装的重点人员的行为进行监测和识别,能有效规范相关人员的行为举动,为特定场所的重点关注人员提供着重的帮助,同时,也是针对特种场所实现安全防范的重要措施。
在此说明书中,本发明已参照其特定的实施例作了描述。但是,很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此,说明书和附图应被认为是说明性的而非限制性的。
Claims (12)
1.一种基于深度学习实现针对特种场所重点人员穿着进行识别处理的系统,其特征在于,所述的系统包括:
视频分析模块,用于接入并读取特种场所的视频图像,并将所述的视频图像保存后进行数据预处理;
目标人员检测网络训练模型模块,与所述的视频分析模块相连接,用于对经所述的视频分析模块数据预处理后的视频图像进行目标人员标记,得到目标人员检测网络训练模型;
目标智能检测模块,与所述的目标人员检测网络训练模型模块相连接,用于通过所述的目标人员检测网络训练模型获取目标人员视频图像,并生成排除外界环境干扰的视频图像;
目标智能解析模块,与所述的目标智能检测模块相连接,用于解析并判断获取的所述的目标人员视频图像中的重点人员是否符合穿着要求,以进行后续的报警处理。
2.根据权利要求1所述的基于深度学习实现针对特种场所重点人员穿着进行识别处理的系统,其特征在于,所述的数据预处理具体为:
对获取的所述的视频图像进行抽帧和去重处理。
3.一种基于权利要求1所述的系统实现基于深度学习的针对特种场所重点人员穿着进行识别处理的方法,其特征在于,所述的方法包括以下步骤:
(1)采集目标人员的视频图像,并将所述的视频图像进行图像预处理操作;
(2)对经所述的图像预处理操作后生成的所述的视频图像进行目标人员标注及网络训练,得到所述的目标人员检测网络训练模型;
(3)对所述的目标人员检测网络训练模型进行目标检测,得到所述的目标人员视频图像;
(4)将所述的目标人员视频图像进行去重处理,标注目标人员识别类别;
(5)将标注过的所述的目标人员视频图像输入训练网络进行训练,得到所述的智能解析模型,解析并判断获取的所述的智能解析模型中的目标人员视频图像中的重点人员是否符合特种场所重点人员穿着要求。
4.根据权利要求3所述的实现基于深度学习的针对特种场所重点人员穿着进行识别处理的方法,其特征在于,所述的步骤(1)具体包括以下步骤:
(1.1)接入并读取特种场所重点人员视频图像,采集包含目标人员的视频图像;
(1.2)将采集到的所述的目标人员的视频图像通过opencv库进行抽帧图像预处理,保存所述的目标人员的视频图像;
(1.3)将保存的所述的目标人员的视频图像进行手动去重操作,得到去重后的目标人员视频图像。
5.根据权利要求4所述的实现基于深度学习的针对特种场所重点人员穿着进行识别处理的方法,其特征在于,所述的步骤(2)具体包括以下步骤:
(2.1)将所述的步骤(1.3)中得到的所述的目标人员视频图像通过方框将目标人员进行标记处理,以达到与背景图像区分的效果;
(2.2)建立基于深度学习的检测网络resnet10,将经标记处理后的所述的目标人员视频图像输入到所述的检测网络resnet10进行迭代训练,得到检测网络的权重及偏差的模型文件,生成目标人员检测网络训练模型模块。
6.根据权利要求5所述的实现基于深度学习的针对特种场所重点人员穿着进行识别处理的方法,其特征在于,所述的步骤(3)具体为:
将所述的步骤(2.2)中生成的所述的目标人员视频图像使用所述的模型文件对视频图像进行处理,得到只包含目标人员的图片文件。
7.根据权利要求6所述的实现基于深度学习的针对特种场所重点人员穿着进行识别处理的方法,其特征在于,所述的步骤(4)具体包括以下步骤:
(4.1)建立Resnet50网络模型,将经所述的步骤(3)处理生成的图片文件输入至所述的Resnet50网络模型中,所述的Resnet50网络模型输出每张图片的特征数据值;
(4.2)将所述的特征数据值低于系统预设阈值的图片丢弃,将高于系统预设阈值的图片保留,完成去重操作;
(4.3)对完成去重处理后的目标人员图片进行分类标注生成标签文件,所述的分类标注包括:未规范穿着、正确穿着及无法判断。
8.根据权利要求7所述的实现基于深度学习的针对特种场所重点人员穿着进行识别处理的方法,其特征在于,所述的步骤(4.2)具体包括以下步骤:
(4.2.1)将所述的步骤(4.1)中获取的图片采用cosine方法,计算每两张图片特征数据值的相似度,具体采用以下公式计算两张图片特征数据值的特征距离Lcosθ:
其中,θ为两张图片的特征值之间的夹角,cosθ为衡量两张图片之间的差异的大小值,x1为第一张图片在x方向的特征值,y1为第一张图片在y方向的特征值,x2为第二张图片在x方向的特征值,y2为第二张图片在y方向的特征值,Lcosθ为两张图片特征数据值的特征距离;
(4.2.2)将获取的所述的特征距离Lcosθ低于系统预设阈值的两张图片中的其中一张随机删除,将所述的特征距离Lcosθ高于系统预设阈值的两张图片均保留。
9.根据权利要求8所述的实现基于深度学习的针对特种场所重点人员穿着进行识别处理的方法,其特征在于,所述的步骤(5)具体包括以下步骤:
(5.1)建立resnet18网络模型,将所述的步骤(4.3)中标注的所述的目标人员图片与标签文件输入到resnet18训练网络中进行训练;
(5.2)保存包含权重、偏差的目标人员图片的模型文件;
(5.2)将测试图片输入到所述的resnet18网络模型中并加载权重模型文件,得到用于区分所述的目标人员是否穿戴特种场所重点人员穿着标识的智能解析模型;
(5.3)判断该目标人员是否符合特种场所重点人员的穿着要求,以进行后续的报警处理。
10.一种用于实现基于深度学习的针对特种场所重点人员穿着进行识别处理的装置,其特征在于,所述的装置包括:
处理器,被配置成执行计算机可执行指令;
存储器,存储一个或多个计算机可执行指令,所述计算机可执行指令被所述处理器执行时,实现权利要求3~9中任一项所述的实现基于深度学习的针对特种场所重点人员穿着进行识别处理的方法的各个步骤。
11.一种用于实现基于深度学习的针对特种场所重点人员穿着进行识别处理的处理器,其特征在于,所述的处理器被配置成执行计算机可执行指令,所述的计算机可执行指令被所述的处理器执行时,实现权利要求3~9中任一项所述的实现基于深度学习的针对特种场所重点人员穿着进行识别处理的方法的各个步骤。
12.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述的计算机程序可被处理器执行以实现权利要求3~9中任一项所述的实现基于深度学习的针对特种场所重点人员穿着进行识别处理的方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011464179.8A CN112507892A (zh) | 2020-12-14 | 2020-12-14 | 基于深度学习的特种场所重点人员穿着识别处理的系统、方法、装置、处理器及其存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011464179.8A CN112507892A (zh) | 2020-12-14 | 2020-12-14 | 基于深度学习的特种场所重点人员穿着识别处理的系统、方法、装置、处理器及其存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112507892A true CN112507892A (zh) | 2021-03-16 |
Family
ID=74972578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011464179.8A Pending CN112507892A (zh) | 2020-12-14 | 2020-12-14 | 基于深度学习的特种场所重点人员穿着识别处理的系统、方法、装置、处理器及其存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507892A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792600A (zh) * | 2021-08-10 | 2021-12-14 | 武汉光庭信息技术股份有限公司 | 一种基于深度学习的视频抽帧方法和系统 |
CN114299686A (zh) * | 2021-12-13 | 2022-04-08 | 上海异工同智信息科技有限公司 | 化工企业安全管理方法、装置、设备和存储介质 |
CN114332465A (zh) * | 2022-01-05 | 2022-04-12 | 上海秦润数据科技有限公司 | 一种基于计算机视觉和深度学习发现天然气终端设备异常的方法 |
CN114445748A (zh) * | 2022-01-28 | 2022-05-06 | 深圳市中云慧通科技有限公司 | 一种视频人体特征检测、联动告警方法及存储介质 |
CN114821476A (zh) * | 2022-05-05 | 2022-07-29 | 北京容联易通信息技术有限公司 | 一种基于深度学习检测的明厨亮灶智能监控方法及系统 |
-
2020
- 2020-12-14 CN CN202011464179.8A patent/CN112507892A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792600A (zh) * | 2021-08-10 | 2021-12-14 | 武汉光庭信息技术股份有限公司 | 一种基于深度学习的视频抽帧方法和系统 |
CN113792600B (zh) * | 2021-08-10 | 2023-07-18 | 武汉光庭信息技术股份有限公司 | 一种基于深度学习的视频抽帧方法和系统 |
CN114299686A (zh) * | 2021-12-13 | 2022-04-08 | 上海异工同智信息科技有限公司 | 化工企业安全管理方法、装置、设备和存储介质 |
CN114332465A (zh) * | 2022-01-05 | 2022-04-12 | 上海秦润数据科技有限公司 | 一种基于计算机视觉和深度学习发现天然气终端设备异常的方法 |
CN114445748A (zh) * | 2022-01-28 | 2022-05-06 | 深圳市中云慧通科技有限公司 | 一种视频人体特征检测、联动告警方法及存储介质 |
CN114821476A (zh) * | 2022-05-05 | 2022-07-29 | 北京容联易通信息技术有限公司 | 一种基于深度学习检测的明厨亮灶智能监控方法及系统 |
CN114821476B (zh) * | 2022-05-05 | 2022-11-22 | 北京容联易通信息技术有限公司 | 一种基于深度学习检测的明厨亮灶智能监控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112507892A (zh) | 基于深度学习的特种场所重点人员穿着识别处理的系统、方法、装置、处理器及其存储介质 | |
CN109508688B (zh) | 基于骨架的行为检测方法、终端设备及计算机存储介质 | |
CN107239666B (zh) | 一种对医疗影像数据进行脱敏处理的方法及系统 | |
Fang et al. | A deep learning-based method for detecting non-certified work on construction sites | |
CN111598040B (zh) | 一种建筑工人身份识别及安全帽佩戴检测方法及系统 | |
WO2015165365A1 (zh) | 一种人脸识别方法及系统 | |
CN109766779B (zh) | 徘徊人员识别方法及相关产品 | |
WO2019033572A1 (zh) | 人脸遮挡检测方法、装置及存储介质 | |
CN109740424A (zh) | 交通违规识别方法及相关产品 | |
CN111652046A (zh) | 基于深度学习的安全穿戴检测方法、设备及系统 | |
WO2018210047A1 (zh) | 数据处理方法、数据处理装置、电子设备及存储介质 | |
US8675917B2 (en) | Abandoned object recognition using pedestrian detection | |
CN111462381A (zh) | 基于人脸温度识别的门禁控制方法、电子装置及存储介质 | |
CN112200081A (zh) | 异常行为识别方法、装置、电子设备及存储介质 | |
CN104573680B (zh) | 图像检测方法、图像检测装置以及交通违法检测系统 | |
CN106778731B (zh) | 一种车牌定位方法及终端 | |
CN112464030B (zh) | 一种可疑人员确定方法及装置 | |
CN110826610A (zh) | 一种用于智能检测人员着装是否规范的方法与系统 | |
CN111914656A (zh) | 一种人员行为检测方法、装置、电子设备及存储介质 | |
CN111144372A (zh) | 车辆检测方法、装置、计算机设备和存储介质 | |
CN111461260A (zh) | 基于特征融合的目标检测方法、装置、设备及存储介质 | |
CN112966618B (zh) | 着装识别方法、装置、设备及计算机可读介质 | |
CN114463779A (zh) | 吸烟识别方法、装置、设备及存储介质 | |
CN109829380B (zh) | 一种狗脸特征点的检测方法、装置、系统及存储介质 | |
CN116824135A (zh) | 基于机器视觉的大气自然环境试验工业产品识别分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |