CN116977919B - 一种着装规范的识别方法、系统、存储介质和电子设备 - Google Patents
一种着装规范的识别方法、系统、存储介质和电子设备 Download PDFInfo
- Publication number
- CN116977919B CN116977919B CN202310746194.9A CN202310746194A CN116977919B CN 116977919 B CN116977919 B CN 116977919B CN 202310746194 A CN202310746194 A CN 202310746194A CN 116977919 B CN116977919 B CN 116977919B
- Authority
- CN
- China
- Prior art keywords
- dressing
- yolov4
- images
- marked
- modified
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000003064 k means clustering Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims 1
- 230000007717 exclusion Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
- G06V10/225—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on a marking or identifier characterising the area
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及着装规范识别技术领域,尤其涉及一种着装规范的识别方法、系统、存储介质和电子设备,方法包括:对多个标记后的着装图像中的boxes进行K‑means聚类得到anchor对应的参数作为yolov4‑tiny网络中的anchor对应的参数,并将yolov4‑tiny网络中的backbone修改为cspresnet,将FPN修改为单输入多输出的FPN,到修改后的yolov4‑tiny网络;且在训练过程中,只对修改后的yolov4‑tiny网络的P2和P3层进行训练,得到用于进行着装规范识别的目标检测模型以进行着装识别,在不降低精度和减少特征信息的情况下,降低模型复杂度,加快模型的推理时间。
Description
技术领域
本发明涉及着装规范识别技术领域,尤其涉及一种着装规范的识别方法、系统、存储介质和电子设备。
背景技术
着装规范能保证个人的生命和财产安全安全,避免发生烧伤,擦伤等危险事故。现有的检测着装规范的方法主要有根据人体姿态识别检测到头部,胳膊等关键部位,然后进行细分;具体包括基于单阶段的目标检测方法和基于两阶段的目标检测算法,存在如下缺点:
1)基于单阶段的目标检测方法:需要使用多个模型,占用显存较多并且速度较慢;数据标记比较困难,需要时间较久;人体姿态识别不准,容易影响后续分类模型的识别效果。
2)基于两阶段的目标检测算法:会出现识别效果较好,但会出现时间较长并且占用资源较多的情况。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供了一种着装规范的识别方法、系统、存储介质和电子设备。
本发明的一种着装规范的识别方法的技术方案如下:
获取多个着装图像,并对每个着装图像中的着装类型进行标记,得到多个标记后的着装图像;
对多个标记后的着装图像中的boxes进行K-means聚类得到anchor对应的参数;
用得到的anchor对应的参数作为yolov4-tiny网络中的anchor对应的参数,并将yolov4-tiny网络中的backbone修改为cspresnet,以及将yolov4-tiny网络中的neck部分的FPN修改为单输入多输出的FPN,到修改后的yolov4-tiny网络;
基于多个标记后的着装图像,对所述修改后的yolov4-tiny网络进行训练,且在训练过程中,只对所述修改后的yolov4-tiny网络的P2和P3层进行训练,得到用于进行着装规范识别的目标检测模型;
利用所述目标检测模型对待识别着装图像进行识别,得到着装规范识别结果。
本发明的一种着装规范的识别方法的有益效果如下:
通过对yolov4-tiny网络进行修改,并进行训练,得到目标检测模型,在不降低精度和减少特征信息的情况下,降低模型复杂度,加快模型的推理时间,且由于检测框较少并且大小差距不大,故只取P2、P3层进行训练,可以减少候选框的数据量,加快nms的速度,进一步减少推理时间。
在上述方案的基础上,本发明的一种着装规范的识别方法还可以做如下改进。
进一步,还包括:
对每个标记后的着装图像进行增强处理,得到多个增强后的着装图像;
基于多个标记后的着装图像,对所述修改后的yolov4-tiny网络进行训练,包括:
基于多个增强后的着装图像,对所述修改后的yolov4-tiny网络进行训练。
进一步,对每个标记后的着装图像进行增强处理,包括:
对每个标记后的着装图像依次进行平移、旋转和随机擦除。
进一步,获取多个着装图像,包括:
整理现场图片,获取多个着装图像,和/或,利用网络爬虫获取多个着装图像。
本发明的一种着装规范的识别系统的技术方案如下:
包括获取模块、标记模块、优化模块、训练模块和识别模块;
所述获取模块用于:获取多个着装图像;
所述标记模块用于:对每个着装图像中的着装类型进行标记,得到多个标记后的着装图像;
所述优化模块用于:对多个标记后的着装图像中的boxes进行K-means聚类得到anchor对应的参数,用得到的anchor对应的参数作为yolov4-tiny网络中的anchor对应的参数,并将yolov4-tiny网络中的backbone修改为cspresnet,以及将yolov4-tiny网络中的neck部分的FPN修改为单输入多输出的FPN,到修改后的yolov4-tiny网络;
所述训练模块用于:基于多个标记后的着装图像,对所述修改后的yolov4-tiny网络进行训练,且在训练过程中,只对所述修改后的yolov4-tiny网络的P2和P3层进行训练,得到用于进行着装规范识别的目标检测模型;
所述识别模块用于:利用所述目标检测模型对待识别着装图像进行识别,得到着装规范识别结果。
本发明的一种着装规范的识别系统的有益效果如下:
通过对yolov4-tiny网络进行修改,并进行训练,得到目标检测模型,在不降低精度和减少特征信息的情况下,降低模型复杂度,加快模型的推理时间,且由于检测框较少并且大小差距不大,故只取P2、P3层进行训练,可以减少候选框的数据量,加快nms的速度,进一步减少推理时间。
在上述方案的基础上,本发明的一种着装规范的识别系统还可以做如下改进。
进一步,还包括增强模块,所述增强模块用于:对每个标记后的着装图像进行增强处理,得到多个增强后的着装图像;
所述训练模块具体用于:基于多个增强后的着装图像,对所述修改后的yolov4-tiny网络进行训练。
进一步,所述增强模块具体用于:对每个标记后的着装图像依次进行平移、旋转和随机擦除。
进一步,所述获取模块具体用于:
整理现场图片,获取多个着装图像,和/或,利用网络爬虫获取多个着装图像。
本发明实施例的一种存储介质,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行上述任一项所述的一种着装规范的识别方法。
本发明实施例的一种电子设备,包括处理器和上述的存储介质,所述处理器执行所述存储介质中的指令。
附图说明
通过阅读参照以下附图所作的对非限制性实施例的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明实施例的一种着装规范的识别方法的流程示意图;
图2为本发明实施例的一种着装规范的识别系统的结构示意图。
具体实施方式
如图1所示,本发明实施例的一种着装规范的识别方法,包括如下步骤:
S1、获取多个着装图像,并对每个着装图像中的着装类型进行标记,得到多个标记后的着装图像,并将多个标记后的着装图像转为VOC数据集格式。
其中,具体可通过如下两种方式对每个着装图像中的着装类型进行标记:
1)第一种方式:用现有的数据标记软件,对每个着装图像中的头部的着装类型、上衣的着装类型和下衣的着装类型进行标注;
头部的着装类型:包括头盔、安全帽和帽子等,上衣的着装类型包括:长袖、短袖、衬衫、毛衣等,下衣的着装类型包括长裤、短裤、裙子等。
2)第二种方式:利用人工标注的方式,对每个着装图像中的头部的着装类型、上衣的着装类型和下衣的着装类型进行标注。
S2、对多个标记后的着装图像中的boxes进行K-means聚类得到anchor对应的参数;
anchor对应的参数包括:多个头部的位置、多个胳膊的位置、多个腿的位置。S3、用得到的anchor对应的参数作为yolov4-tiny网络中的anchor对应的参数,并将yolov4-tiny网络中的backbone修改为cspresnet,以及将yolov4-tiny网络中的neck部分的FPN修改为单输入多输出的FPN,到修改后的yolov4-tiny网络,具体阐述如下:
1)将yolov4-tiny网络中的backbone修改为cspresnet,去掉算力较高的计算瓶颈结构,降低内存占用,增加模型的学习能力,提高模型和准确性,减少模型的推理时间。
2)将yolov4-tiny网络中的neck部分的FPN修改为单输入多输出的FPN,在不降低精度和减少特征信息的情况下,降低模型复杂度,加快模型的推理时间。
3)由于检测框较少并且大小差距不大,故只取P2、P3层进行检测,可以减少候选框的数据量,加快nms的速度,减少推理时间。
S4、基于多个标记后的着装图像,对修改后的yolov4-tiny网络进行训练,且在训练过程中,只对修改后的yolov4-tiny网络的P2和P3层进行训练,得到用于进行着装规范识别的目标检测模型;
S5、利用目标检测模型对待识别着装图像进行识别,得到着装规范识别结果。
其中,可通过摄像头获取待识别着装图像,具体将多个摄像头布设在需要检测的位置,并斜向下,能够拍摄到预设区域如工厂、施工场地等内的情况,得到待识别着装图像。
将抓拍到的待识别着装图像输入目标检测模型中,得到头部的每个着装类型的概率,上衣的每个着装类型的概率,下衣的每个着装类型的的概率,选取大于预设概率阈值的头部的着装类型、上衣的着装类型、下衣的着装类型,分别记作头部的待定着装类型、上衣的待定着装类型、下衣的待定着装类型,如果上衣的待定着装类型的出现互斥情况,取得分值即概率最高的待定着装类型确定为上衣的最终着装类型。
互斥情况具体指:头部包括至少两个大于预设概率阈值的着装类型、上衣包括至少两个大于预设概率阈值的着装类型、下衣的包括至少两个大于预设概率阈值的着装类型。
例如,上衣的着装类型包括短袖和长袖,短袖的概率为0.98,长袖的概率为0.8,预设概率阈值为0.75,则短袖和长袖和均为上衣的待定着装类型,由于0.98>0.75,则将短袖确定为上衣的最终着装类型。
如果头部的待定着装类型的出现互斥情况,取得分值即概率最高的待定着装类型确定为头部的最终着装类型,如果下衣的待定着装类型的出现互斥情况,取得分值即概率最高的待定着装类型确定为下衣的最终着装类型。
着装规范识别结果包括头部的最终着装类型、上衣的最终着装类型和下衣的最终着装类型;将着装规范识别结果与着装规范进行比较,如果不符合要求则进行报警。
本发明通过对yolov4-tiny网络进行修改,并进行训练,得到目标检测模型,在不降低精度和减少特征信息的情况下,降低模型复杂度,加快模型的推理时间,且由于检测框较少并且大小差距不大,故只取P2、P3层进行训练,可以减少候选框的数据量,加快nms的速度,进一步减少推理时间。
可选地,在上述技术方案中,还包括:
S04、对每个标记后的着装图像进行增强处理,得到多个增强后的着装图像;
S4中,基于多个标记后的着装图像,对修改后的yolov4-tiny网络进行训练,包括:
S40、基于多个增强后的着装图像,对修改后的yolov4-tiny网络进行训练。
可选地,在上述技术方案中,S04中,对每个标记后的着装图像进行增强处理,包括:
S040、对每个标记后的着装图像依次进行平移、旋转和随机擦除。
可选地,在上述技术方案中,S1中,获取多个着装图像,包括:
S10、整理现场图片,获取多个着装图像,和/或,利用网络爬虫获取多个着装图像。
整理现场图片,获取多个着装图像,具体方式如下:
通过布设在预设区域如工厂、施工场地等内的摄像头,实时抓拍并存储多个现场图片,对多个现场图像进行整理,筛选出多个着装图像。
在上述各实施例中,虽然对步骤进行了编号S1、S2等,但只是本申请给出的具体实施例,本领域的技术人员可根据实际情况调整S1、S2等的执行顺序,此也在本发明的保护范围内,可以理解,在一些实施例中,可以包含如上述各实施方式中的部分或全部。
如图2所示,本发明实施例的一种着装规范的识别系统200,包括获取模块210、标记模块220、优化模块230、训练模块240和识别模块250;
获取模块210用于:获取多个着装图像;
标记模块220用于:对每个着装图像中的着装类型进行标记,得到多个标记后的着装图像;
优化模块230用于:对多个标记后的着装图像中的boxes进行K-means聚类得到anchor对应的参数,用得到的anchor对应的参数作为yolov4-tiny网络中的anchor对应的参数,并将yolov4-tiny网络中的backbone修改为cspresnet,以及将yolov4-tiny网络中的neck部分的FPN修改为单输入多输出的FPN,到修改后的yolov4-tiny网络;
训练模块240用于:基于多个标记后的着装图像,对修改后的yolov4-tiny网络进行训练,且在训练过程中,只对修改后的yolov4-tiny网络的P2和P3层进行训练,得到用于进行着装规范识别的目标检测模型;
识别模块250用于:利用目标检测模型对待识别着装图像进行识别,得到着装规范识别结果。
本发明的一种着装规范的识别系统200通过对yolov4-tiny网络进行修改,并进行训练,得到目标检测模型,在不降低精度和减少特征信息的情况下,降低模型复杂度,加快模型的推理时间,且由于检测框较少并且大小差距不大,故只取P2、P3层进行训练,可以减少候选框的数据量,加快nms的速度,进一步减少推理时间。
可选地,在上述技术方案中,还包括增强模块,增强模块用于:对每个标记后的着装图像进行增强处理,得到多个增强后的着装图像;
训练模块240具体用于:基于多个增强后的着装图像,对修改后的yolov4-tiny网络进行训练。
可选地,在上述技术方案中,增强模块具体用于:对每个标记后的着装图像依次进行平移、旋转和随机擦除。
可选地,在上述技术方案中,获取模块210具体用于:
整理现场图片,获取多个着装图像,和/或,利用网络爬虫获取多个着装图像。
上述关于本发明的一种着装规范的识别系统200中的各参数和各个单元模块实现相应功能的步骤,可参考上文中关于一种着装规范的识别方法的实施例中的各参数和步骤,在此不做赘述。
本发明实施例的一种存储介质,存储介质中存储有指令,当计算机读取指令时,使计算机执行上述任一项的一种着装规范的识别方法。
本发明实施例的一种电子设备,包括处理器和上述的存储介质,处理器执行存储介质中的指令。其中,电子设备可以选用电脑、手机等。
所属技术领域的技术人员知道,本发明可以实现为系统、方法或计算机程序产品。
因此,本公开可以具体实现为以下形式,即:可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等),还可以是硬件和软件结合的形式,本文一般称为“电路”、“模块”或“系统”。此外,在一些实施例中,本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式,该计算机可读介质中包含计算机可读的程序代码。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号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一一但不限于——电、磁、光、电磁、红外线、或半导体的系统、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。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
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。
Claims (10)
1.一种着装规范的识别方法,其特征在于,包括:
获取多个着装图像,并对每个着装图像中的着装类型进行标记,得到多个标记后的着装图像;
对多个标记后的着装图像中的boxes进行K-means聚类得到anchor对应的参数;
用得到的anchor对应的参数作为yolov4-tiny网络中的anchor对应的参数,并将yolov4-tiny网络中的backbone修改为cspresnet,以及将yolov4-tiny网络中的neck部分的FPN修改为单输入多输出的FPN,得到修改后的yolov4-tiny网络;
基于多个标记后的着装图像,对所述修改后的yolov4-tiny网络进行训练,且在训练过程中,只对所述修改后的yolov4-tiny网络的P2和P3层进行训练,得到用于进行着装规范识别的目标检测模型;
利用所述目标检测模型对待识别着装图像进行识别,得到着装规范识别结果。
2.根据权利要求1所述的一种着装规范的识别方法,其特征在于,还包括:
对每个标记后的着装图像进行增强处理,得到多个增强后的着装图像;
基于多个标记后的着装图像,对所述修改后的yolov4-tiny网络进行训练,包括:
基于多个增强后的着装图像,对所述修改后的yolov4-tiny网络进行训练。
3.根据权利要求2所述的一种着装规范的识别方法,其特征在于,对每个标记后的着装图像进行增强处理,包括:
对每个标记后的着装图像依次进行平移、旋转和随机擦除。
4.根据权利要求1至3任一项所述的一种着装规范的识别方法,其特征在于,获取多个着装图像,包括:
整理现场图片,获取多个着装图像,和/或,利用网络爬虫获取多个着装图像。
5.一种着装规范的识别系统,其特征在于,包括获取模块、标记模块、优化模块、训练模块和识别模块;
所述获取模块用于:获取多个着装图像;
所述标记模块用于:对每个着装图像中的着装类型进行标记,得到多个标记后的着装图像;
所述优化模块用于:对多个标记后的着装图像中的boxes进行K-means聚类得到anchor对应的参数,用得到的anchor对应的参数作为yolov4-tiny网络中的anchor对应的参数,并将yolov4-tiny网络中的backbone修改为cspresnet,以及将yolov4-tiny网络中的neck部分的FPN修改为单输入多输出的FPN,得到修改后的yolov4-tiny网络;
所述训练模块用于:基于多个标记后的着装图像,对所述修改后的yolov4-tiny网络进行训练,且在训练过程中,只对所述修改后的yolov4-tiny网络的P2和P3层进行训练,得到用于进行着装规范识别的目标检测模型;
所述识别模块用于:利用所述目标检测模型对待识别着装图像进行识别,得到着装规范识别结果。
6.根据权利要求5所述的一种着装规范的识别系统,其特征在于,还包括增强模块,所述增强模块用于:对每个标记后的着装图像进行增强处理,得到多个增强后的着装图像;
所述训练模块具体用于:基于多个增强后的着装图像,对所述修改后的yolov4-tiny网络进行训练。
7.根据权利要求6所述的一种着装规范的识别系统,其特征在于,所述增强模块具体用于:对每个标记后的着装图像依次进行平移、旋转和随机擦除。
8.根据权利要求5至7任一项所述的一种着装规范的识别系统,其特征在于,所述获取模块具体用于:
整理现场图片,获取多个着装图像,和/或,利用网络爬虫获取多个着装图像。
9.一种存储介质,其特征在于,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如权利要求1至4中任一项所述的一种着装规范的识别方法。
10.一种电子设备,其特征在于,包括处理器和权利要求9所述的存储介质,所述处理器执行所述存储介质中的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310746194.9A CN116977919B (zh) | 2023-06-21 | 2023-06-21 | 一种着装规范的识别方法、系统、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310746194.9A CN116977919B (zh) | 2023-06-21 | 2023-06-21 | 一种着装规范的识别方法、系统、存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116977919A CN116977919A (zh) | 2023-10-31 |
CN116977919B true CN116977919B (zh) | 2024-01-26 |
Family
ID=88478702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310746194.9A Active CN116977919B (zh) | 2023-06-21 | 2023-06-21 | 一种着装规范的识别方法、系统、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116977919B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113887310A (zh) * | 2021-09-03 | 2022-01-04 | 珠高电气检测有限公司 | 工人规范着装识别方法、系统及介质 |
CN113902994A (zh) * | 2021-10-13 | 2022-01-07 | 云南大学 | 基于无人机与英伟达开发板的目标检测方法、系统及装置 |
CN114140750A (zh) * | 2021-12-09 | 2022-03-04 | 浙江浙石油综合能源销售有限公司 | 一种基于YOLOv4-Tiny的加油站安全帽佩戴实时检测方法 |
WO2022141859A1 (zh) * | 2020-12-31 | 2022-07-07 | 平安科技(深圳)有限公司 | 图像检测方法、装置、电子设备及存储介质 |
CN115240117A (zh) * | 2022-07-30 | 2022-10-25 | 福州大学 | 一种在工地施工场景下的安全帽佩戴检测方法 |
-
2023
- 2023-06-21 CN CN202310746194.9A patent/CN116977919B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022141859A1 (zh) * | 2020-12-31 | 2022-07-07 | 平安科技(深圳)有限公司 | 图像检测方法、装置、电子设备及存储介质 |
CN113887310A (zh) * | 2021-09-03 | 2022-01-04 | 珠高电气检测有限公司 | 工人规范着装识别方法、系统及介质 |
CN113902994A (zh) * | 2021-10-13 | 2022-01-07 | 云南大学 | 基于无人机与英伟达开发板的目标检测方法、系统及装置 |
CN114140750A (zh) * | 2021-12-09 | 2022-03-04 | 浙江浙石油综合能源销售有限公司 | 一种基于YOLOv4-Tiny的加油站安全帽佩戴实时检测方法 |
CN115240117A (zh) * | 2022-07-30 | 2022-10-25 | 福州大学 | 一种在工地施工场景下的安全帽佩戴检测方法 |
Non-Patent Citations (3)
Title |
---|
A Decision Support System for Power Components Based on Improved YOLOv4-Tiny;Yangyang Tian等;Scientific Programming;全文 * |
Single stage architecture for improved accuracy real-time object detection on mobile devices;Dan-Sebastion Bacea等;Image and Vision Computing;全文 * |
基于改进YOLOv4-Tiny的交通车辆实时目标检测;杨志军 等;无线电工程;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116977919A (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110427905B (zh) | 行人跟踪方法、装置以及终端 | |
CN107358149B (zh) | 一种人体姿态检测方法和装置 | |
CN109325964B (zh) | 一种人脸追踪方法、装置及终端 | |
CN109145766B (zh) | 模型训练方法、装置、识别方法、电子设备及存储介质 | |
KR101523740B1 (ko) | 공간 매핑을 이용한 객체 추적 장치 및 방법 | |
CN109740410B (zh) | 一种无需预设模板的列车组故障识别方法及装置 | |
Eweiwi et al. | Temporal key poses for human action recognition | |
CN111753643B (zh) | 人物姿态识别方法、装置、计算机设备和存储介质 | |
US20150262068A1 (en) | Event detection apparatus and event detection method | |
CN112016531A (zh) | 模型训练方法、对象识别方法、装置、设备及存储介质 | |
JP2010262601A (ja) | パターン認識システム及びパターン認識方法 | |
CN106778731B (zh) | 一种车牌定位方法及终端 | |
CN111079519A (zh) | 多姿态人体检测方法、计算机存储介质及电子设备 | |
CN109711287B (zh) | 人脸采集方法及相关产品 | |
CN112686122B (zh) | 人体及影子的检测方法、装置、电子设备、存储介质 | |
CN113705650A (zh) | 一种人脸图片集的处理方法、装置、介质和计算设备 | |
CN116977919B (zh) | 一种着装规范的识别方法、系统、存储介质和电子设备 | |
KR102230559B1 (ko) | 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치 | |
Li et al. | Face detection technology based on combining skin color model with improved adaboost algorithm | |
CN111179343B (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
KR20210031444A (ko) | 데이터 프로그래밍에 기반한 레이블링 모델 생성 방법 및 장치 | |
JP4449483B2 (ja) | 画像解析装置、および画像解析方法、並びにコンピュータ・プログラム | |
CN114359646A (zh) | 一种视频分析方法、装置、系统、电子设备和介质 | |
CN112581525A (zh) | 人体佩戴物品的状态检测方法、装置、设备及存储介质 | |
CN110956097A (zh) | 遮挡人体提取方法及模块、场景转换方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |