[發(fā)明專利]基于人臉識(shí)別的多人場(chǎng)景專注度識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910264000.5
• 申請(qǐng)日: 2019-03-28
• 公開（公告）號(hào): CN110175501B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設(shè)計(jì)）人: 田文龍;董毅
• 申請(qǐng)（專利權(quán)）人: 重慶電政信息科技有限公司
• 主分類號(hào): G06V40/16
• 分類號(hào): G06V40/16;G06V10/82;G06N3/0464
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.基于人臉識(shí)別的多人場(chǎng)景專注度識(shí)別方法，其特征在于，該方法包含以下步驟：

S1：專注度特征數(shù)據(jù)集的建立；

S2：專注度識(shí)別模型的建立；

S3：利用梯度下降算法和專注度特征數(shù)據(jù)集訓(xùn)練專注度識(shí)別模型；

S4：將視頻圖像輸入專注度識(shí)別模型，得到評(píng)價(jià)因子矩陣；

S5：將評(píng)價(jià)因子矩陣輸入聚類模型，得到最終的專注度分類評(píng)估；

步驟S1所述的專注度特征數(shù)據(jù)集的建立具體為：通過視頻數(shù)據(jù)庫(kù)和攝像頭獲取視頻，每隔固定T時(shí)長(zhǎng)提取一幀圖像，判斷該圖像中是否含有人體輪廓，如果有，提取圖像專注度特征，如果沒有，則等待判斷下一次圖像；所述的專注度特征設(shè)置為3類：分別為人臉朝向、身體姿態(tài)、眼睛注視狀態(tài)；其中，人臉朝向又分為正向、側(cè)向、背向三類；身體特征又分為站立、坐下、趴臥三類；眼睛注視狀態(tài)又分為為睜眼、閉眼、無(wú)法觀察三類；

步驟S2所述的專注度識(shí)別模型由一個(gè)卷積神經(jīng)網(wǎng)絡(luò)串連一個(gè)后續(xù)處理層構(gòu)成，所述后續(xù)處理層是由三個(gè)全連接層與一個(gè)卷積層相互作用構(gòu)成的；其工作原理具體為：將圖片通過適當(dāng)?shù)目s放處理為指定大小的后，輸入特征提取神經(jīng)網(wǎng)絡(luò)模型，得到M×N維的特征向量進(jìn)一步，將特征向量輸入3個(gè)并行的全連接層，每個(gè)全連接層的卷積核為1×1，得到M×3×3維的特征矩陣，其中特征矩陣的3×3部分元素即對(duì)應(yīng)這個(gè)人的專注度特征；同時(shí)，將特征向量輸入一個(gè)卷積核大小為3×N的卷積層，得到M×1的權(quán)重矩陣；最后，將該權(quán)重矩陣與特征矩陣每個(gè)人對(duì)應(yīng)行列相作用得到M×3×3維的評(píng)價(jià)因子矩陣；其中M是檢測(cè)到人數(shù)；N是每一個(gè)人對(duì)應(yīng)的特征參數(shù)，根據(jù)識(shí)別精度人為設(shè)定；

步驟S5所述的聚類模型是由M個(gè)并行的分類器串接一個(gè)分類器構(gòu)成的，每一個(gè)分類器可以為支持向量機(jī)(Support?Vector?Machine，SVM)；其工作原理是M個(gè)并行的分類器分別將評(píng)價(jià)因子矩陣中M個(gè)人的3×3維專注度特征進(jìn)行分類，分為專注和不專注兩類；然后，將專注度特征分類結(jié)果輸入到串接的一個(gè)分類器，來(lái)對(duì)場(chǎng)景進(jìn)行分類，分為專注度識(shí)別場(chǎng)景和非專注度識(shí)別場(chǎng)景；最后，將專注度特征分類結(jié)果與場(chǎng)景分類結(jié)果進(jìn)行卷積，得到最終的專注度分類評(píng)估。