CN113537126A - 人体穿戴违规行为的确定方法及装置、存储介质、电子装置 - Google Patents
人体穿戴违规行为的确定方法及装置、存储介质、电子装置 Download PDFInfo
- Publication number
- CN113537126A CN113537126A CN202110860245.1A CN202110860245A CN113537126A CN 113537126 A CN113537126 A CN 113537126A CN 202110860245 A CN202110860245 A CN 202110860245A CN 113537126 A CN113537126 A CN 113537126A
- Authority
- CN
- China
- Prior art keywords
- characteristic
- feature
- item
- article
- clothing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000002159 abnormal effect Effects 0.000 claims abstract description 32
- 230000005856 abnormality Effects 0.000 claims abstract description 17
- 210000004209 hair Anatomy 0.000 claims description 75
- 238000003384 imaging method Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 13
- 239000000463 material Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 230000037308 hair color Effects 0.000 claims description 4
- 210000000697 sensory organ Anatomy 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 17
- 210000001508 eye Anatomy 0.000 description 9
- 210000005069 ears Anatomy 0.000 description 8
- 238000013145 classification model Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 6
- 230000005855 radiation Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 5
- 206010000117 Abnormal behaviour Diseases 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000003128 head Anatomy 0.000 description 2
- 239000010929 jewellery material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 210000001331 nose Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种人体穿戴违规行为的确定方法及装置、存储介质、电子装置，该方法包括：获取待处理图像，其中，待处理图像中包括位于目标区域内的第一对象；提取第一对象的特征信息，其中，第一对象的特征信息中包括与第一对象关联的待识别物品的物品轮廓特征和物品属性特征；在基于物品轮廓特征确定待识别物品是目标物品的情况下，基于物品轮廓特征和物品属性特征，确定第一对象的穿戴是否异常，其中，异常包括对象在目标区域内佩戴目标物品。通过本发明，解决了相关技术中识别对象的问题，达到准确识别对象的效果。
Description
技术领域
本发明实施例涉及图像处理领域，具体而言，涉及一种人体穿戴违规行为的确定方法及装置、存储介质、电子装置。
背景技术
现有技术中，对人体穿戴的检测通常是人工识别。在数据量庞大的情况下，只能靠人工去一条条的查找，不但麻烦还浪费了许多时间，效率也比较低。
针对上述技术问题，相关技术中尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种人体穿戴违规行为的确定方法及装置、存储介质、电子装置，以至少解决相关技术中识别对象的问题。
根据本发明的一个实施例，提供了一种人体穿戴违规行为的确定方法，包括：获取待处理图像，其中，上述待处理图像中包括位于目标区域内的第一对象；提取上述第一对象的特征信息，其中，上述第一对象的特征信息中包括与上述第一对象关联的待识别物品的物品轮廓特征和物品属性特征；在基于上述物品轮廓特征确定上述待识别物品是目标物品的情况下，基于上述物品轮廓特征和上述物品属性特征，确定上述第一对象的穿戴是否异常，其中，上述异常包括对象在上述目标区域内佩戴上述目标物品。
根据本发明的另一个实施例，提供了一种人体穿戴违规行为的确定装置，包括：第一获取模块，用于获取待处理图像，其中，上述待处理图像中包括位于目标区域内的第一对象；第一提取模块，用于提取上述第一对象的特征信息，其中，上述第一对象的特征信息中包括与上述第一对象关联的待识别物品的物品轮廓特征和物品属性特征；第一确定模块，用于在基于上述物品轮廓特征确定上述待识别物品是目标物品的情况下，基于上述物品轮廓特征和上述物品属性特征，确定上述第一对象的穿戴是否异常，其中，上述异常包括对象在上述目标区域内佩戴上述目标物品。
在一个示例性实施例中，上述第一确定模块，包括：第一确定单元，用于基于上述物品轮廓信息和上述物品属性信息，确定上述待识别物品对应的物品类型；第二确定单元，用于若确定上述待识别物品对应的物品类型为上述目标物品的类型，则确定上述第一对象的穿戴存在异常。
在一个示例性实施例中，上述物品属性特征包括以下至少之一：上述待识别物品在上述待处理图像中的位置信息，其中，上述位置信息与上述第一对象相关联；上述待识别物品的材料信息的灰度值。
在一个示例性实施例中，上述第一获取模块，包括：第一获取单元，用于通过毫米波成像设备获取上述待处理图像。
在一个示例性实施例中，上述第一对象包括人体，上述第一对象的特征信息还包括以下至少之一：上述第一对象的发型特征；上述第一对象的衣着特征。
在一个示例性实施例中，上述第一确定模块包括：第三确定单元，用于上述第一对象的特征信息还包括上述发型特征，在基于上述物品轮廓特征和上述物品属性特征确定上述第一对象佩戴上述目标物品，且基于上述发型特征确定上述第一对象的发型为上述目标区域关联的异常发型的情况下，确定上述第一对象的穿戴异常；或，第四确定单元，用于上述第一对象的特征信息还包括上述衣着特征，在基于上述物品轮廓特征和上述物品属性特征确定上述第一对象佩戴上述目标物品，且基于上述衣着特征确定上述第一对象的衣着是上述目标区域关联的异常服装的情况下，确定上述第一对象的穿戴异常；或，第五确定单元，用于上述第一对象的特征信息还包括上述发型特征和上述衣着特征，在基于上述物品轮廓特征和上述物品属性特征确定上述第一对象佩戴上述目标物品，且基于上述发型特征确定上述第一对象的发型为上述目标区域关联的异常发型，基于上述衣着特征确定上述第一对象的衣着是上述目标区域关联的异常服装的情况下，确定上述第一对象的穿戴异常。
在一个示例性实施例中，上述第一对象的特征信息还包括上述衣着特征，上述装置还包括：第一分割模块，用于从上述待处理图像中分割出上述第一对象的衣着区域；第二提取模块，用于对上述第一对象的衣着区域中的衣着颜色、衣着纹理以及衣着轮廓进行特征提取，得到上述衣着特征。
在一个示例性实施例中，上述第一对象的特征信息还包括上述发型特征，上述装置还包括：第三提取模块，用于对上述待处理图像中上述第一对象的发型轮廓、上述第一对象的头发相对于五官部位的长度以及上述第一对象的头发颜色中的至少一个信息，进行特征提取，得到上述发型特征。
根据本发明的又一个实施例，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
通过本发明，通过获取待处理图像，其中，待处理图像中包括位于目标区域内的第一对象；提取第一对象的特征信息，其中，第一对象的特征信息中包括与第一对象关联的待识别物品的物品轮廓特征和物品属性特征；在基于物品轮廓特征确定待识别物品是目标物品的情况下，基于物品轮廓特征和物品属性特征，确定第一对象的穿戴是否异常，其中，异常包括对象在目标区域内佩戴目标物品。实现了从不同角度识别对象的目的。因此，可以解决相关技术中识别对象的问题，达到准确识别对象的效果。
附图说明
图1是本发明实施例的一种人体穿戴违规行为的确定方法的移动终端的硬件结构框图；
图2是根据本发明实施例的人体穿戴违规行为的确定方法的流程图；
图3是根据本发明实施例的对人脸进行识别的流程图；
图4是根据本发明实施例的对校服进行识别的流程图；
图5是根据本发明实施例的对发型进行识别的流程图；
图6是根据本发明实施例的对首饰进行识别的流程图；
图7是根据本发明实施例的对对象身份进行识别的流程图；
图8是根据本发明实施例的人体穿戴违规行为的确定装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本发明的实施例。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种人体穿戴违规行为的确定方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的人体穿戴违规行为的确定方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种人体穿戴违规行为的确定方法，图2是根据本发明实施例的人体穿戴违规行为的确定方法的流程图，如图2所示，该流程包括如下步骤：
步骤S202，获取待处理图像，其中，待处理图像中包括位于目标区域内的第一对象；
步骤S204，提取第一对象的特征信息，其中，第一对象的特征信息中包括与第一对象关联的待识别物品的物品轮廓特征和物品属性特征；
步骤S206，在基于物品轮廓特征确定待识别物品是目标物品的情况下，基于物品轮廓特征和物品属性特征，确定第一对象的穿戴是否异常，其中，异常包括对象在目标区域内佩戴目标物品。
本实施例包括但不限于应用于对对象的穿戴进行识别的场景中，例如，学校中对学生的穿戴是否合规进行识别的场景中。
其中，上述步骤的执行主体可以为终端等，但不限于此。
在本实施例中，目标区域包括但不限于是学校、医院、政府机关等等，待识别物品包括但不限于是首饰，第一对象包括但不限于是学生、护士等人。异常包括对象在目标区域内佩戴目标物品，例如，学生在学校佩戴首饰。
通过上述步骤，通过获取待处理图像，其中，待处理图像中包括位于目标区域内的第一对象；提取第一对象的特征信息，其中，第一对象的特征信息中包括与第一对象关联的待识别物品的物品轮廓特征和物品属性特征；在基于物品轮廓特征确定待识别物品是目标物品的情况下，基于物品轮廓特征和物品属性特征，确定第一对象的穿戴是否异常，其中，异常包括对象在目标区域内佩戴目标物品。实现了从不同角度识别对象的目的。因此，可以解决相关技术中识别对象的问题，达到准确识别对象的效果。
在一个示例性实施例中，在基于物品轮廓特征确定待识别物品是目标物品的情况下，基于物品轮廓特征和物品属性特征，确定第一对象的穿戴是否异常，包括：
S1，基于物品轮廓信息和物品属性信息，确定待识别物品对应的物品类型；
S2，若确定待识别物品对应的物品类型为目标物品的类型，则确定第一对象的穿戴存在异常。例如，学生脖子上佩戴项链，可以检测出项链的轮廓和项链的材质、颜色等属性，学校规定学生是不允许佩戴项链的，佩戴项链则属于异常行为。
在本实施例中，例如，在待识别物品是首饰的情况下，首饰轮廓的识别可以通过训练得到。例如线下学习模块对各种首饰的毫米波成像图提取首饰轮廓、首饰佩戴位置、首饰灰度值特征，进行模型训练，建立首饰YOLO模型(YOLO模型提取特征具体方法是：YOLO模型采用darknet53网络，图像经过darknet53网络深度卷积得到6个特征层，然后对第2个特征层进行卷积操作，对第4个特征层的特征进行采样操作，然后对处理后的第2层和第4层进行卷积和操作，将获得的结果输入到第5层，最后对多个特征层之间进行特征融合，得到多组特征结果)，因为首饰可能被衣服隐藏，所以在线检测模块也需要使用毫米波辐射成像接收机获取的毫米波成像图像，利用首饰YOLO模型提取检测图像中的首饰轮廓特征，如果能够提取到首饰轮廓特征则表示检测图中存在首饰，如果没有提取到首饰轮廓特征，则表示图中不存在首饰。
在一个示例性实施例中，物品属性特征包括以下至少之一：
待识别物品在待处理图像中的位置信息，其中，位置信息与第一对象相关联；例如，首饰在人体的脖子、手腕的位置处。
待识别物品的材料信息的灰度值。
在一个示例性实施例中，获取待处理图像，包括：
S1，通过毫米波成像设备获取待处理图像。
在本实施例中，毫米波成像设备包括但不限于是毫米波辐射成像接收机，通过毫米波辐射成像接收机获取毫米波成像图像。
在一个示例性实施例中，第一对象包括人体，第一对象的特征信息还包括以下至少之一：
S1，第一对象的发型特征；
S2，第一对象的衣着特征。
在本实施例中，对发型特征的确定可以在发型表中查找。发型表可以是通过训练得到的。例如，通过线下学习模块对训练数据提取各种发型的轮廓特征、颜色特征、发型相对眼睛耳朵肩膀位置特征数据，建立发型多特征点稀疏表示(MKD-SRC)分类模型，在线检测模块利用发型分类模型对发型进行分类(分为不同颜色、头发是否披肩、头发是否遮眼、头发是否盖耳、是否光头)，最后输出发型是否规范结果(学生规范发型：黑色、短发或扎辫子、头发不遮眼、头发不盖耳、不剃光头)。
在本实施例中，衣着特征包括衣着的颜色、纹理以及轮廓；例如，基于图像边缘检测方法将衣着信息从杂乱背景中分割出来，提取分割后的图像的颜色、纹理、轮廓特征，与校服的颜色、纹理、轮廓特征进行对比，检测分割后的图像是否是校服。
在一个示例性实施例中，基于物品轮廓特征和物品属性特征，确定第一对象的穿戴是否异常，方法还包括：
S1，第一对象的特征信息还包括发型特征，在基于物品轮廓特征和物品属性特征确定第一对象佩戴目标物品，且基于发型特征确定第一对象的发型为目标区域关联的异常发型的情况下，确定第一对象的穿戴异常；例如，学生佩戴首饰、头发过肩的情况属于异常行为。
或者，S2，第一对象的特征信息还包括衣着特征，在基于物品轮廓特征和物品属性特征确定第一对象佩戴目标物品，且基于衣着特征确定第一对象的衣着是目标区域关联的异常服装的情况下，确定第一对象的穿戴异常；例如，学生佩戴首饰、在校园内未穿校服属于异常行为。
或者，第一对象的特征信息还包括发型特征和衣着特征，在基于物品轮廓特征和物品属性特征确定第一对象佩戴目标物品，且基于发型特征确定第一对象的发型为目标区域关联的异常发型，基于衣着特征确定第一对象的衣着是目标区域关联的异常服装的情况下，确定第一对象的穿戴异常。例如，学生佩戴首饰、头发过肩、未穿校服(穿的裙子或者短裤的行为)的情况属于异常行为。
在本实施例中，结合发型特征和衣着特征可以进一步的确定第一对象是否是异常对象。
在一个示例性实施例中，第一对象的特征信息还包括衣着特征，方法还包括：
S1，从待处理图像中分割出第一对象的衣着区域。例如，分割出上衣和裤子；
S2，对第一对象的衣着区域中的衣着颜色、衣着纹理以及衣着轮廓进行特征提取，得到衣着特征。
在本实施例中，例如，衣着区域包括上身衣服、裤子配置、配饰等。
在一个示例性实施例中，第一对象的特征信息还包括发型特征，方法还包括：
S1，对待处理图像中第一对象的发型轮廓、第一对象的头发相对于五官部位的长度以及第一对象的头发颜色中的至少一个信息，进行特征提取，得到发型特征。
在本实施例中，例如，学生规范发型：黑色、短发或扎辫子、头发不遮眼、头发不盖耳、不剃光头。
下面结合具体实施例对本发明进行说明：
本实施例采集待识别对象(对象指代人)的毫米波图像，利用YOLO模型提取毫米波成像图中的首饰轮廓特征、首饰佩戴位置特征和首饰图像灰度值特征(YOLO模型提取特征具体方法是：YOLO模型采用darknet53网络，图像经过darknet53网络深度卷积得到6个特征层，然后对第2个特征层进行卷积操作，对第4个特征层的特征进行采样操作，然后对处理后的第2层和第4层进行卷积和操作，将获得的结果输入到第5层，最后对多个特征层进行特征融合，得到多组特征结果)，基于首饰轮廓特征，确定待识别对象是否佩戴首饰和佩戴首饰的大小，若待识别对象佩戴有首饰，则基于不同首饰材料的毫米波成像图的灰度值不同方法(不同首饰材料对毫米波的反射率不同导致不同首饰材料的毫米波成像图的灰度值不同)，确定待识别对象佩戴的首饰的材料，基于佩戴首饰的轮廓和位置特征，确定该首饰类型(项链、吊坠、耳饰、戒指、手链、手镯、脚链)，基于确定的首饰信息判断该待识别对象的穿戴(或称为着装)是否符合当前场景的穿戴规范。
可选地，本实施例针对学校中的学生或教师进行上述检测过程，也可以对某些商务或会议等场景中的参会人员进行检测，以学校场景为例进行说明：
为了提升检测对象穿戴是否合规的准确度，针对学校场景而言，可以在学校门禁系统中考虑对学生的校服的识别，首饰的识别，发型的识别，基于此，本实施例提出了一种学校门禁系统,可以识别人脸、校服、首饰、发型，如图7所示，包括以下步骤：
S1：门禁系统包含摄像头，通过摄像头获取入校人员全身完整图像。
S2：该门禁系统包含毫米波辐射成像接收机，通过毫米波辐射成像接收机获取毫米波成像图像。
S3：人脸识别模块分为线下学习和在线检测两个模块，线下学习模块首先对采集的原始图像数据进行预处理从而消除噪声、光照、模糊等不利因素带来的干扰，然后从预处理数据提取人脸轮廓和人脸各个器官(眼睛、耳朵、鼻子、嘴巴、眉毛)关键点位置特征建立人脸识别特征数据，对特征分布进行归一化处理，最后得到最后利用已经得到的特征数据去训练一个多特征点稀疏表示(MKD-SRC)分类模型，在线检测模块首先根据分类模型检测到人脸，最后用分类模型进行人脸匹配，如图3所示。
S4：如果人脸识别模块输出的结果是学生或者工作人员，则在后台记录该学生或工作人员的到校时间，用来记录学生和工作人员考勤，如果不是学生也不是学校工作人员，则门禁系统发出警报声。
S5：如果此人是学生，分别送入校服、首饰、发型检测模块。
S6：校服识别模块分为线下学习和在线检测两个模块，线下学习模块用支持向量机算法SVM根据校服的颜色、纹理、轮廓特征建立校服模型，在线检测时基于图像边缘检测方法将服装从杂乱背景中分割出来，最后提取分割后的图像的颜色、纹理、轮廓特征，与校服模型中的颜色、纹理、轮廓特征做对比，检测分割后的图像是否是校服，如图4所示。
S7：发型识别模块分为线下学习和在线检测两个模块，线下学习模块首先对训练数据提取各种发型的轮廓特征、颜色特征、发型相对眼睛耳朵肩膀位置特征数据，建立发型多特征点稀疏表示(MKD-SRC)分类模型，在线检测模块利用发型分类模型对发型进行分类(分为不同颜色、头发是否披肩、头发是否遮眼、头发是否盖耳、是否光头)，最后输出发型是否规范结果(学生规范发型：黑色、短发或扎辫子、头发不遮眼、头发不盖耳、不剃光头)，如图5所示。
S8：首饰识别模块分为线下学习和在线检测两个模块，线下学习模块首先对各种首饰的毫米波成像图提取首饰轮廓、首饰佩戴位置、首饰灰度值特征，进行模型训练，建立首饰YOLO模型(YOLO模型提取特征具体方法是：YOLO模型采用darknet53网络，图像经过darknet53网络深度卷积得到6个特征层，然后对第2个特征层进行卷积操作，对第4个特征层的特征进行采样操作，然后对处理后的第2层和第4层进行卷积和操作，将获得的结果输入到第5层，最后对多个特征层之间进行特征融合，得到多组特征结果)，因为首饰可能被衣服隐藏，所以在线检测模块也需要使用毫米波辐射成像接收机获取的毫米波成像图像，利用首饰YOLO模型提取检测图像中的首饰轮廓特征，如果能够提取到首饰轮廓特征则表示检测图中存在首饰，如果没有提取到首饰轮廓特征，则表示图中不存在首饰，如图6所示。
S9：在后台数据库记录检测结果，结果包括该学生是否穿校服、是否带首饰、发型是否符合要求(学生着装规范：不穿奇装异服，只能穿校服，不戴首饰，头发黑色、短发或扎辫子、头发不遮眼、头发不盖耳、不剃光头)。
综上所述，本实施例可以在对非在校人员进行报警，可以识别校服首饰发型并记录，节省人力，效率高。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种人体穿戴违规行为的确定装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图8是根据本发明实施例的人体穿戴违规行为的确定装置的结构框图，如图8所示，该装置包括：
第一获取模块82，用于获取待处理图像，其中，上述待处理图像中包括位于目标区域内的第一对象；
第一提取模块84，用于提取上述第一对象的特征信息，其中，上述第一对象的特征信息中包括与上述第一对象关联的待识别物品的物品轮廓特征和物品属性特征；
第一确定模块86，用于在基于上述物品轮廓特征确定上述待识别物品是目标物品的情况下，基于上述物品轮廓特征和上述物品属性特征，确定上述第一对象的穿戴是否异常，其中，上述异常包括对象在上述目标区域内佩戴上述目标物品。
在一个示例性实施例中，上述第一确定模块，包括：
第一确定单元，用于基于上述物品轮廓信息和上述物品属性信息，确定上述待识别物品对应的物品类型；
第二确定单元，用于若确定上述待识别物品对应的物品类型为上述目标物品的类型，则确定上述第一对象的穿戴存在异常。
在一个示例性实施例中，上述物品属性特征包括以下至少之一：
上述待识别物品在上述待处理图像中的位置信息，其中，上述位置信息与上述第一对象相关联；
上述待识别物品的材料信息的灰度值。
在一个示例性实施例中，上述第一获取模块，包括：
第一获取单元，用于通过毫米波成像设备获取上述待处理图像。
在一个示例性实施例中，上述第一对象包括人体，上述第一对象的特征信息还包括以下至少之一：
上述第一对象的发型特征；
上述第一对象的衣着特征。
在一个示例性实施例中，上述第一确定模块包括：
第三确定单元，用于上述第一对象的特征信息还包括上述发型特征，在基于上述物品轮廓特征和上述物品属性特征确定上述第一对象佩戴上述目标物品，且基于上述发型特征确定上述第一对象的发型为上述目标区域关联的异常发型的情况下，确定上述第一对象的穿戴异常；或
第四确定单元，用于上述第一对象的特征信息还包括上述衣着特征，在基于上述物品轮廓特征和上述物品属性特征确定上述第一对象佩戴上述目标物品，且基于上述衣着特征确定上述第一对象的衣着是上述目标区域关联的异常服装的情况下，确定上述第一对象的穿戴异常；或
第五确定单元，用于上述第一对象的特征信息还包括上述发型特征和上述衣着特征，在基于上述物品轮廓特征和上述物品属性特征确定上述第一对象佩戴上述目标物品，且基于上述发型特征确定上述第一对象的发型为上述目标区域关联的异常发型，基于上述衣着特征确定上述第一对象的衣着是上述目标区域关联的异常服装的情况下，确定上述第一对象的穿戴异常。
在一个示例性实施例中，上述第一对象的特征信息还包括上述衣着特征，上述装置还包括：
第一分割模块，用于从上述待处理图像中分割出上述第一对象的衣着区域；
第二提取模块，用于对上述第一对象的衣着区域中的衣着颜色、衣着纹理以及衣着轮廓进行特征提取，得到上述衣着特征。
在一个示例性实施例中，上述第一对象的特征信息还包括上述发型特征，上述装置还包括：
第三提取模块，用于对上述待处理图像中上述第一对象的发型轮廓、上述第一对象的头发相对于五官部位的长度以及上述第一对象的头发颜色中的至少一个信息，进行特征提取，得到上述发型特征。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在本实施例中，上述计算机可读存储介质可以被设置为存储用于执行以上各步骤的计算机程序。
在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
在一个示例性实施例中，上述处理器可以被设置为通过计算机程序执行以上各步骤。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (11)
1.一种人体穿戴违规行为的确定方法，其特征在于，包括：
获取待处理图像，其中，所述待处理图像中包括位于目标区域内的第一对象；
提取所述第一对象的特征信息，其中，所述第一对象的特征信息中包括与所述第一对象关联的待识别物品的物品轮廓特征和物品属性特征；
在基于所述物品轮廓特征确定所述待识别物品是目标物品的情况下，基于所述物品轮廓特征和所述物品属性特征，确定所述第一对象的穿戴是否异常，其中，所述异常包括对象在所述目标区域内佩戴所述目标物品。
2.根据权利要求1所述的方法，其特征在于，所述在基于所述物品轮廓特征确定所述待识别物品是目标物品的情况下，基于所述物品轮廓特征和所述物品属性特征，确定所述第一对象的穿戴是否异常，包括：
基于所述物品轮廓信息和所述物品属性信息，确定所述待识别物品对应的物品类型；
若确定所述待识别物品对应的物品类型为所述目标物品的类型，则确定所述第一对象的穿戴存在异常。
3.根据权利要求1所述的方法，其特征在于，所述物品属性特征包括以下至少之一：
所述待识别物品在所述待处理图像中的位置信息，其中，所述位置信息与所述第一对象相关联；
所述待识别物品的材料信息的灰度值。
4.根据权利要求1-3任一项所述的方法，其特征在于，获取待处理图像，包括：
通过毫米波成像设备获取所述待处理图像。
5.根据权利要求1-3任一项所述的方法，其特征在于，所述第一对象包括人体，所述第一对象的特征信息还包括以下至少之一：
所述第一对象的发型特征；
所述第一对象的衣着特征。
6.根据权利要求5所述的方法，其特征在于，所述基于所述物品轮廓特征和所述物品属性特征，确定所述第一对象的穿戴是否异常，方法还包括：
所述第一对象的特征信息还包括所述发型特征，在基于所述物品轮廓特征和所述物品属性特征确定所述第一对象佩戴所述目标物品，且基于所述发型特征确定所述第一对象的发型为所述目标区域关联的异常发型的情况下，确定所述第一对象的穿戴异常；或
所述第一对象的特征信息还包括所述衣着特征，在基于所述物品轮廓特征和所述物品属性特征确定所述第一对象佩戴所述目标物品，且基于所述衣着特征确定所述第一对象的衣着是所述目标区域关联的异常服装的情况下，确定所述第一对象的穿戴异常；或
所述第一对象的特征信息还包括所述发型特征和所述衣着特征，在基于所述物品轮廓特征和所述物品属性特征确定所述第一对象佩戴所述目标物品，且基于所述发型特征确定所述第一对象的发型为所述目标区域关联的异常发型，基于所述衣着特征确定所述第一对象的衣着是所述目标区域关联的异常服装的情况下，确定所述第一对象的穿戴异常。
7.根据权利要求5所述的方法，其特征在于，所述第一对象的特征信息还包括所述衣着特征，所述方法还包括：
从所述待处理图像中分割出所述第一对象的衣着区域；
对所述第一对象的衣着区域中的衣着颜色、衣着纹理以及衣着轮廓进行特征提取，得到所述衣着特征。
8.根据权利要求5所述的方法，其特征在于，所述第一对象的特征信息还包括所述发型特征，所述方法还包括：
对所述待处理图像中所述第一对象的发型轮廓、所述第一对象的头发相对于五官部位的长度以及所述第一对象的头发颜色中的至少一个信息，进行特征提取，得到所述发型特征。
9.一种人体穿戴违规行为的确定装置，其特征在于，包括：
第一获取模块，用于获取待处理图像，其中，所述待处理图像中包括位于目标区域内的第一对象；
第一提取模块，用于提取所述第一对象的特征信息，其中，所述第一对象的特征信息中包括与所述第一对象关联的待识别物品的物品轮廓特征和物品属性特征；
第一确定模块，用于在基于所述物品轮廓特征确定所述待识别物品是目标物品的情况下，基于所述物品轮廓特征和所述物品属性特征，确定所述第一对象的穿戴是否异常，其中，所述异常包括对象在所述目标区域内佩戴所述目标物品。
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中存储有计算机程序，其中，所述计算机程序被处理器执行时实现所述权利要求1至8任一项中所述的方法。
11.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至8任一项中所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110860245.1A CN113537126A (zh) | 2021-07-28 | 2021-07-28 | 人体穿戴违规行为的确定方法及装置、存储介质、电子装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110860245.1A CN113537126A (zh) | 2021-07-28 | 2021-07-28 | 人体穿戴违规行为的确定方法及装置、存储介质、电子装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113537126A true CN113537126A (zh) | 2021-10-22 |
Family
ID=78089590
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110860245.1A Pending CN113537126A (zh) | 2021-07-28 | 2021-07-28 | 人体穿戴违规行为的确定方法及装置、存储介质、电子装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113537126A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114581944A (zh) * | 2022-02-18 | 2022-06-03 | 杭州睿影科技有限公司 | 一种毫米波图像处理方法、装置及电子设备 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105335685A (zh) * | 2014-07-22 | 2016-02-17 | 北大方正集团有限公司 | 图像识别方法和装置 |
| CN107077796A (zh) * | 2016-03-11 | 2017-08-18 | 深圳市大疆创新科技有限公司 | 存储介质、网络测试防作弊的方法、系统及设备 |
| CN108960167A (zh) * | 2018-07-11 | 2018-12-07 | 腾讯科技（深圳）有限公司 | 发型识别方法、装置、计算机可读存储介质和计算机设备 |
| CN109271846A (zh) * | 2018-08-01 | 2019-01-25 | 深圳云天励飞技术有限公司 | 人员识别方法、装置以及存储介质 |
| CN109522790A (zh) * | 2018-10-08 | 2019-03-26 | 百度在线网络技术（北京）有限公司 | 人体属性识别方法、装置、存储介质及电子设备 |
| CN109709617A (zh) * | 2019-02-03 | 2019-05-03 | 同方威视技术股份有限公司 | 毫米波安检系统及方法 |
| CN112380941A (zh) * | 2020-11-11 | 2021-02-19 | 哈尔滨海邻科信息技术有限公司 | 身份识别方法、装置、终端设备及存储介质 |
| CN112395999A (zh) * | 2020-11-19 | 2021-02-23 | 平安普惠企业管理有限公司 | 基于图像识别的穿戴规范判定方法及相关设备 |
| CN112561971A (zh) * | 2020-12-16 | 2021-03-26 | 珠海格力电器股份有限公司 | 人流量统计方法、装置、设备及存储介质 |
| CN112766209A (zh) * | 2021-01-27 | 2021-05-07 | 深圳市智莱科技股份有限公司 | 着装检测方法、着装检测系统和计算机可读存储介质 |
| CN112883814A (zh) * | 2021-01-26 | 2021-06-01 | 厦门大学 | 一种检测在线考试中考生双耳佩戴违禁物品的方法和存储设备 |
-
2021
- 2021-07-28 CN CN202110860245.1A patent/CN113537126A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105335685A (zh) * | 2014-07-22 | 2016-02-17 | 北大方正集团有限公司 | 图像识别方法和装置 |
| CN107077796A (zh) * | 2016-03-11 | 2017-08-18 | 深圳市大疆创新科技有限公司 | 存储介质、网络测试防作弊的方法、系统及设备 |
| CN108960167A (zh) * | 2018-07-11 | 2018-12-07 | 腾讯科技（深圳）有限公司 | 发型识别方法、装置、计算机可读存储介质和计算机设备 |
| CN109271846A (zh) * | 2018-08-01 | 2019-01-25 | 深圳云天励飞技术有限公司 | 人员识别方法、装置以及存储介质 |
| CN109522790A (zh) * | 2018-10-08 | 2019-03-26 | 百度在线网络技术（北京）有限公司 | 人体属性识别方法、装置、存储介质及电子设备 |
| CN109709617A (zh) * | 2019-02-03 | 2019-05-03 | 同方威视技术股份有限公司 | 毫米波安检系统及方法 |
| CN112380941A (zh) * | 2020-11-11 | 2021-02-19 | 哈尔滨海邻科信息技术有限公司 | 身份识别方法、装置、终端设备及存储介质 |
| CN112395999A (zh) * | 2020-11-19 | 2021-02-23 | 平安普惠企业管理有限公司 | 基于图像识别的穿戴规范判定方法及相关设备 |
| CN112561971A (zh) * | 2020-12-16 | 2021-03-26 | 珠海格力电器股份有限公司 | 人流量统计方法、装置、设备及存储介质 |
| CN112883814A (zh) * | 2021-01-26 | 2021-06-01 | 厦门大学 | 一种检测在线考试中考生双耳佩戴违禁物品的方法和存储设备 |
| CN112766209A (zh) * | 2021-01-27 | 2021-05-07 | 深圳市智莱科技股份有限公司 | 着装检测方法、着装检测系统和计算机可读存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114581944A (zh) * | 2022-02-18 | 2022-06-03 | 杭州睿影科技有限公司 | 一种毫米波图像处理方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lal et al. | Study of face recognition techniques: A survey | |
| CN108701216B (zh) | 一种人脸脸型识别方法、装置和智能终端 | |
| CN108960167B (zh) | 发型识别方法、装置、计算机可读存储介质和计算机设备 | |
| Mozaffari et al. | Gender classification using single frontal image per person: combination of appearance and geometric based features | |
| US20160092726A1 (en) | Using gestures to train hand detection in ego-centric video | |
| CN109829418B (zh) | 一种基于背影特征的打卡方法、装置和系统 | |
| CN110879995A (zh) | 目标物品检测方法及装置、存储介质及电子装置 | |
| Kalas | Real time face detection and tracking using OpenCV | |
| US20180228426A1 (en) | Image Processing System and Method | |
| CN114937232B (zh) | 医废处理人员防护用具穿戴检测方法、系统和设备 | |
| Atharifard et al. | Robust component-based face detection using color feature | |
| CN112507978B (zh) | 人物属性识别方法、装置、设备及介质 | |
| CN113657195A (zh) | 人脸图像识别方法、设备、电子装置和存储介质 | |
| CN111666920A (zh) | 目标物品佩戴检测方法、装置、存储介质及电子装置 | |
| CN110728242A (zh) | 基于人像识别的图像匹配方法、装置、存储介质及应用 | |
| CN113537126A (zh) | 人体穿戴违规行为的确定方法及装置、存储介质、电子装置 | |
| Torrisi et al. | Selecting discriminative CLBP patterns for age estimation | |
| WO2015131571A1 (zh) | 一种实现图片排序的方法及终端 | |
| CN114596618A (zh) | 戴口罩的人脸识别训练方法、装置、电子设备及存储介质 | |
| CN114360015A (zh) | 活体检测方法、装置、设备及存储介质 | |
| CN103984927B (zh) | 一种信息处理方法及电子设备 | |
| CN111814738A (zh) | 基于人工智能的人脸识别方法、装置、计算机设备及介质 | |
| CN110276657A (zh) | 目标对象的确定方法、装置、存储介质及电子装置 | |
| CN115205943A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| Tin | Age Dependent Face Recognition using Eigenface |
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 |