CN113989858A

CN113989858A - 一种工作服识别方法及系统

Info

Publication number: CN113989858A
Application number: CN202111614865.3A
Authority: CN
Inventors: 范柘
Original assignee: Anville Information Technology Tianjin Co ltd
Current assignee: Anville Information Technology Tianjin Co Ltd; Shanghai Aware Information Technology Co ltd
Priority date: 2021-12-28
Filing date: 2021-12-28
Publication date: 2022-01-28
Anticipated expiration: 2041-12-28
Also published as: CN113989858B

Abstract

本发明提供了一种工作服识别方法及系统，属于图像识别技术领域。其中，所述方法包括：获取监控视频数据，从所述监控视频数据中识别出人体目标；基于所述人体目标所处区域的图像提取工作服的第一特征集；将所述第一特征集与预先建立的第二特征集进行匹配计算，以输出工作服识别结果；本发明的方案只需要实时提取出的第一特征集与作为母本的第二特征集的相似度，就可以确定出对应目标对象的工作服着装情况，适应性更广。

Description

一种工作服识别方法及系统

技术领域

本发明涉及图像识别技术领域，具体而言，涉及一种工作服识别方法及系统。

背景技术

随着科技技术的发展与进步，当前安防技术已经进入了全新的智能时代，而视频智能分析则是智能安防技术落地的重要手段。得益于深度学习技术中各类智能算法的井喷式发展，使得实时分析前端设备采集的视频信息成为可能，从而实现对各种异常行为主动预警，并将报警信息传递至各大监控平台以及客户端。

现有技术中已经存在一些工作服识别方法，例如：

专利文献1（CN112183345A）公开了一种复杂场景下的号服识别方法，其特征在于,包括以下步骤：S1、为号服设计类间差异大、特征丰富的数字外形，并对号服进行编码；S2、建立并训练针对号服数字外形识别用的深度学习模型；S3、对待检测的号服图像进行预处理；S4、将预处理后的号服图像输入号服识别用的深度学习模型进行检测，得到号服数字外形，即号服序列。该方案需要特定设计的数字号服，而许多情况下工作服并没有印刷这类数字，导致该方案仅能在特定场景下应用。

专利文献2（CN110427808A）公开了一种基于视频流数据的警服识别方法，其特征在于，包括以下步骤：步骤一、视频流数据获取在监狱的监舍囚犯活动区域设置摄像头，获取摄像机视频流，并对视频流数据进行RGB转换，使其转换为相应的彩色图像；步骤二、活动目标提取通过对视频中获取的n帧画面进行背景建模，然后对n+1帧画面中的活动目标进行帧差，将n+1帧像素值I(x,y)减去背景模型中相同位置像素点的平均值u(x,y)，得到差值d(x,y)，然后将该差值d(x,y)与阈值TH进行比较，当差值d(x,y)大于阈值TH时，则标记为前景点；否则，标记为背景点；通过前景点连续的帧来判断该活动目标是否连续运动，是否连续出现，若达不到连续N帧出现，则过滤；反之，该活动目标连续N帧出现，且N帧内活动目标的X、Y坐标大于i像素点，则判断为持续运动，得到活动目标的前景图片；其中，N＝[1,200]，N值的大小，反映为观察目标的时间跨度，此值越小，则给出判断的反应时间越快，越灵敏；i表示为水平和垂直方向上的位置像素量，i的取值范围[1,20]，i越小，检测越灵敏；步骤三、人体目标匹配截取步骤二中判断为活动目标的前景图片与人体特征模型进行匹配，若大于相识度M，则判断前景图片中有人体目标，并进入下一步；反之，则判断待测目标图像中没有人体目标，并返回步骤二继续进行活动目标的提取操作；其中M＝[0,1]，M值越大，表示目标为人的可能性越高；步骤四、警服颜色匹配通过YUV颜色算法对步骤三中截取到的人体目标图片进行颜色还原，并通过对区块的监测将相近的同类颜色点进行合并连接；若监测到黑、蓝色块和/或合并后的黑、蓝色块区域大于L像素，则判断衣服颜色与警服匹配，进入下一步；反之则返回步骤二；其中，L像素为不同分辨率下警服最小像素要求值，在1080×720的分辨率下，L像素调整范围为100～1600个像素，对应于10×10～40×40像素的矩形；步骤五、警服特征匹配将步骤四中获取到的警服颜色匹配的人体区域图片与警服特征模型进行匹配，若相识度大于P则判断为警服类型符合规定，反之则返回步骤二，其中P的取值范围是[0,1]，精度要求越高，则越接近1。该方案同样局限于监狱场景中的警服这类特殊工作服的识别，通用性太差，难以推广。

通过分析现有技术后发现，现有技术往往只能满足于特殊场或特殊工作服的识别，局限性较高，推广成本较高。

发明内容

为了解决上述背景技术中存在的技术问题，本发明提供了一种工作服识别方法、系统、电子设备及存储介质，以实现对各种复杂场景下的工作服的准确识别。

本发明的第一方面提供了一种工作服识别方法，包括如下步骤：

获取监控视频数据，从所述监控视频数据中识别出人体目标；

基于所述人体目标所处区域的图像提取工作服的第一特征集；

将所述第一特征集与预先建立的第二特征集进行匹配计算，以输出工作服识别结果。

可选地，所述基于所述人体目标所处区域的图像提取工作服的第一特征集，包括：

将所述人体目标所处区域的图像自上至下分为三个子图像；

采用深度识别模型分别对所述三个子图像进行特征提取，以得出第一子特征、第二子特征、第三子特征；

将所述第一子特征、所述第二子特征、所述第三子特征整合为第一特征集。

可选地，所述将所述第一特征集与预先建立的第二特征集进行匹配计算，以输出工作服识别结果，包括：

计算所述第一特征集和第二特征集的第一相似度；

若所述第一相似度大于或等于第一阈值，则输出所述工作服识别结果为工作服着装；否则，输出所述工作服识别结果为非工作服着装。

可选地，所述计算所述第一特征集和第二特征集的第一相似度，包括：

确定所述第一子特征、所述第二子特征、所述第三子特征各自的权重；

基于所述第一子特征、所述第二子特征、所述第三子特征和各自的所述权重，计算所述第一相似度。

可选地，所述确定所述第一子特征、所述第二子特征、所述第三子特征各自的权重，包括：

给所述第一子特征、所述第二子特征、所述第三子特征预设权重；

提取监控视频数据中识别出的各人体目标对应的所述第一特征集，对于两两人体目标，分别计算所述第一子特征、所述第二子特征、所述第三子特征的第二相似度；

对于对应的子特征，若大于或等于第二阈值的所述第二相似度的个数小于第三阈值，则调低该子特征的所述权重。

可选地，在计算所述第一特征集和第二特征集的第一相似度之前，还包括：

基于所述监控视频数据确定当前监控场景的属性信息；

基于所述属性信息对所述第二特征集进行筛选处理。

可选地，所述方法还包括：

对所述工作服识别结果进行第一处理，若所述第一处理结果不满足第一条件，则输出报警信息。

本发明的第二方面提供了一种工作服识别系统，包括处理模块、存储模块、通信模块，所述处理模块分别与所述存储模块、所述通信模块连接；其中，

所述存储模块，用于存储可执行的计算机程序代码；

所述通信模块，用于接收监控视频数据以及输出报警信息；

所述处理模块，用于通过调用所述存储模块中的所述可执行的计算机程序代码，执行如前任一项所述的方法。

本发明的第三方面提供了一种电子设备，包括：

存储有可执行程序代码的存储器；

与所述存储器耦合的处理器；

所述处理器调用所述存储器中存储的所述可执行程序代码，执行如前任一项所述的方法。

本发明的第四方面提供了一种计算机存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上任一项所述的方法。

本发明的有益效果在于：获取监控视频数据，从所述监控视频数据中识别出人体目标；基于所述人体目标所处区域的图像提取工作服的第一特征集；将所述第一特征集与预先建立的第二特征集进行匹配计算，以输出工作服识别结果。本发明的方案相比于现有技术，不要求工作服预先设置有特殊标识，通过构建各种类型工作服的特征数据库作为比对母本，只需要实时提取出的第一特征集与作为母本的第二特征集的相似度，就可以确定出对应目标对象的工作服着装情况，适应性更广。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1是本发明实施例公开的一种工作服识别方法的流程示意图。

图2是本发明实施例公开的一种工作服识别系统的结构示意图。

图3是本发明实施例公开一种电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

实施例一

请参阅图1，图1是本发明实施例公开的一种工作服识别方法的流程示意图。如图1所示，本发明实施例的一种工作服识别方法，包括如下步骤：

在本发明实施例中，如背景技术所分析的那样，现有技术对于工作服的识别主要是针对特定工作服的特定标识来实现，但这种识别方法难以应对更广泛的场景，尤其是对于那些没有特定标识的工作服来说，是无法进行准确识别的。针对于此，本发明设计了上述的工作服识别方法，首先从监控视频数据中将人体目标识别出来，再对人体目标所处区域的图像进行分析以获得工作服的第一特征集，将第一特征集和用于比对的第二特征集进行匹配计算，即可得出识别结果。其中，本发明通过对各种类型的工作服进行特征提取预先建立了第二特征集，第二特征集是工作服识别的特征数据库，其数据量是大数据级别，能够有效的满足各种工作服的识别。于是，本发明的工作服识别方案相对于现有技术来说，并不需要对工作服施加特殊标识，能够对各种场景下的工作服进行有效识别。

另外，本发明的方案先对人体目标进行识别，这样可以缩小识别范围，进一步减少计算量，降低误识别的概率。而对于人体目标识别，既可以基于人体静态属性实现，也可以基于动态属性实现，其中，静态属性可以包括人脸、眼睛等，动态属性则主要包括肢体动作、步态等。

将所述人体目标所处区域的图像自上至下分为三个子图像；

在本发明实施例中，工作服一般包括上中下三部分，例如，帽子（安全帽、鸭舌帽等）、上装、下装，所以，本发明将人体目标所处区域的图像自上至下分为三个子图像，并分别提取子特征，再将各子特征进行整合就可以得到第一特征集。例如，第一特征集可以表示为

，其中，

、

、

分别表示第一子特征、第二子特征、第三子特征的特征矩阵，而各矩阵包含各自种类及数量的矩阵元素，

的矩阵元素可以包括帽子颜色、帽子形状、帽檐类型、有无帽带、有无头灯、印刷符号特征等，

的矩阵元素可以包括上装颜色、口袋数量、上装款式、印刷符号特征等，

的矩阵元素可以包括下装颜色口袋数量、下装款式、印刷符号特征等。

计算所述第一特征集和第二特征集的第一相似度；

在本发明实施例中，在从监控视频数据中提取出人体目标的服装特征即第一特征集之后，就可以将第一特征集与工作服特征库即第二特征集进行匹配计算，具体可以通过计算相似度的方式实现。如果匹配成功，则可以判定该人体目标当前为工作服着装，否则为非工作服着装。

对于第一相似度的计算，可以基于欧氏距离、余弦相似度、皮尔逊相关系数、修正余弦相似、汉明距离、曼哈顿距离等来实现，对于这些计算方式本发明不再赘述。

在本发明实施例中，将第一特征集中各子特征分别确定对应的权重，再基于各子特征及对应的权重与第二特征集中的各比对特征子集逐一计算第一相似度。其中，第一相似度可以通过下式计算得出：

式中，

代表第一特征集和第二特征集中第r个比对特征子集的第一相似度；

、

、

分别代表第一特征集中第一子特征、第二子特征、第三子特征的特征矩阵；

、

、

分别代表第一子特征、第二子特征、第三子特征的权重；m、n、k分别代表第一子特征、第二子特征、第三子特征的特征矩阵元素数量；

、

、

分别代表第二特征集中第一子特征、第二子特征、第三子特征的等效特征值，其可以为平均值、加权平均值、中位值等。

从上式可以看出，第一特征集中各子特征与比对特征的偏差程度越小，则第一相似度越大，反之则第一相似度越小。同时，还可以通过权重

、

、

来调节各子特征的对第一相似度的影响度，使得计算得出的第一相似度更为准确。

在本发明实施例中，先给各子特征预设初始权重，然后，再将各人体目标对应的第一子特征、第二子特征、第三子特征两两计算第二相似度，即，对第一至第N人体目标的第一子特征两两计算第二相似度，同理，对第四子特征、第五子特征也两两计算第二相似度。接着，统计大于或等于第二阈值的第二相似度的个数，如果个数小于第三阈值，则说明对应子特征未被多数的人体目标所遵守，例如，标准的工作服包括上装和下装，但是在某些场景中，对上装的要求是严格的，而对下装的要求比较宽松，于是会有一部分人不穿工作服下装（此种情况客观上仍然是工作服着装），所以，计算出第三子特征对应的大于或等于第二阈值的第二相似度的个数会小于第三阈值，此时，本发明设计将例如第三子特征对应的权重

调小，以降低其对第一相似度的影响。

其中，对于权重调小的方式，可通过如下方式：

式中，

为对应子特征的权重，即

或

或

；N1为该子特征对应的大于或等于第二阈值的第二相似度的个数与第三阈值的差值，N2为人体目标的个数。

通过上式，本发明设置子特征对应的权重的调小程度与大于或等于第二阈值的第二相似度的个数呈正相关，即大于或等于第二阈值的第二相似度的个数与第三阈值的差值越大，则子特征对应的权重的调的越小。

基于所述监控视频数据确定当前监控场景的属性信息；

基于所述属性信息对所述第二特征集进行筛选处理。

在本发明实施例中，由于第二特征集中包含了大数据级别的工作服特征，各种工作服的数量成千上万，如果将第一特征集与第二特征集中的各个比对特征子集一一进行第一相似度的计算，则需要耗费大量的算力，而且识别效率也是十分低下，难以保证实时性。针对于此，本发明设置基于当前监控场景的属性信息来对第二特征集进行筛选，以缩小比对的特征子集的数量，从而提升识别效率。

具体实施时，在建立第二特征集时预设若干场景，例如，室内场景：工厂生产线场景、矿场场景、快餐店等，室外场景：建筑工地场景、景区场景等，将对应类型的工作服与上述各场景建立关联关系，例如，“安全帽+制服”对应于建筑工地场景，“安全帽+头灯+制服”对应于矿场场景，“鸭舌帽+制服”对应快餐店场景等，于是就可以基于识别出的当前监控场景的属性来调取与之对应的比对特征子集分组，从而有效降低计算负荷。

其中，所述基于所述监控视频数据确定当前监控场景的属性信息，可以通过如下两种方法实现：

1）计算当前监控场景的空旷度，基于所述空旷度确定当前监控场景为室内场景或室外场景。例如，识别当前监控场景的左和/或右侧边区域是否具有实体结构（例如墙体、岩石等）且该实体结构贯穿所述侧边区域的上下，若是，则判定空旷度为低，当前监控场景为室内场景；若否，则判定空旷度为高，当前监控场景为室外场景。

2）对当前监控场景中的标识物进行语义识别，基于所述语义识别结果确定所述室内场景或室外场景所对应的具体场景。其中，监控场景中通常会有喷涂或悬挂标识，对这类标识进行语义识别有助于确定当前监控场景的最终属性，例如，当锁定了某监控场景中的标识物“增强安全意识，保证大桥施工质量”，对其进行语义识别之后判定当前监控场景为建筑施工场景，于是就可以调取对应的比对特征子集分组。

上述两种方法既可以单独使用，也可以结合使用，本发明对此不作限定。

另外，在此基础上，对于前述的给所述第一子特征、所述第二子特征、所述第三子特征预设权重，可以包括：

基于所述属性信息给所述第一子特征、所述第二子特征、所述第三子特征预设权重。

其中，在识别出当前监控场景的属性信息之后，就可以确定该监控场景对于工作服着装的要求，例如，对于快餐店来说，其一般对制服要求较高，而对帽子的要求相对较低，于是，可以设置上上装和下装的权重大于帽子；对于户外场景的建筑工地来说，一般对安全帽具有较高的佩戴要求，于是，可以设置安全帽的权重相对于上装和下装要高。以上仅为举例说明，并非用于限定保护范围，在具体实施时可以基于不同的场景属性通过查表的方式获得第一子特征、第二子特征、第三子特征的预设权重。

可选地，所述方法还包括：

在本发明实施例中，经过前述步骤计算得出各人体目标的工作服着装情况之后，就可以进行统计分析，从而计算得出对应监控场景下工作服着装人数或占比，当工作服着装人数或占比不满足阈值时，则可以输出报警信息；或者，对于某些对工作服要求特别严格的场景来说，则可以直接输出报警信息。当然，上述不同的输出报警信息的方式可以基于当前监控场景的属性信息来确定。

实施例二

请参阅图2，图2是本发明实施例公开的一种工作服识别系统的结构示意图。如图2所示，本发明实施例的一种工作服识别系统100，包括处理模块101、存储模块102、通信模块103，所述处理模块101分别与所述存储模块102、所述通信模块103连接；其中，

所述存储模块102，用于存储可执行的计算机程序代码；

所述通信模块103，用于接收监控视频数据以及输出报警信息；

所述处理模块101，用于通过调用所述存储模块102中的所述可执行的计算机程序代码，执行如实施例一所述的方法。

该实施例中的一种工作服识别系统的具体功能参照上述实施例一，由于本实施例中的系统采用了上述实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。

实施例三

请参阅图3，图3是本发明实施例公开的一种电子设备，包括：

存储有可执行程序代码的存储器；

与所述存储器耦合的处理器；

所述处理器调用所述存储器中存储的所述可执行程序代码，执行如实施例一所述的方法。

实施例四

本发明实施例还公开了一种计算机存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如实施例一所述的方法。

本申请实施例的计算机存储介质，可以采用一个或多个计算机可读的存储介质的任意组合。计算机可读存储介质可以是计算机可读信号存储介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的设备、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请实施例中，计算机可读存储介质可以是任何包含或存储程序的有形存储介质，该程序可以被指令执行设备、装置或者器件使用或者与其结合使用。

计算机可读的信号存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号存储介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读存储介质可以发送、传播或者传输用于由指令执行设备、装置或者器件使用或者与其结合使用的程序。

计算机可读存储介质上包含的程序代码可以用任何适当的存储介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或设备上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。

Claims

1.一种工作服识别方法，包括如下步骤：

2.根据权利要求1所述的一种工作服识别方法，其特征在于：所述基于所述人体目标所处区域的图像提取工作服的第一特征集，包括：

将所述人体目标所处区域的图像自上至下分为三个子图像；

3.根据权利要求2所述的一种工作服识别方法，其特征在于：所述将所述第一特征集与预先建立的第二特征集进行匹配计算，以输出工作服识别结果，包括：

计算所述第一特征集和第二特征集的第一相似度；

4.根据权利要求2或3所述的一种工作服识别方法，其特征在于：所述计算所述第一特征集和第二特征集的第一相似度，包括：

5.根据权利要求4所述的一种工作服识别方法，其特征在于：所述确定所述第一子特征、所述第二子特征、所述第三子特征各自的权重，包括：

6.根据权利要求1或5所述的一种工作服识别方法，其特征在于：在计算所述第一特征集和第二特征集的第一相似度之前，还包括：

基于所述监控视频数据确定当前监控场景的属性信息；

基于所述属性信息对所述第二特征集进行筛选处理。

7.根据权利要求1所述的一种工作服识别方法，其特征在于：所述方法还包括：

8.一种工作服识别系统，包括处理模块、存储模块、通信模块，所述处理模块分别与所述存储模块、所述通信模块连接；其中，

所述存储模块，用于存储可执行的计算机程序代码；

所述通信模块，用于接收监控视频数据以及输出报警信息；

其特征在于：所述处理模块，用于通过调用所述存储模块中的所述可执行的计算机程序代码，执行如权利要求1-7任一项所述的方法。

9.一种电子设备，包括：

存储有可执行程序代码的存储器；

与所述存储器耦合的处理器；

其特征在于：所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的方法。

10.一种计算机存储介质，该存储介质上存储有计算机程序，其特征在于：该计算机程序被处理器运行时执行如权利要求1-7任一项所述的方法。