[發明專利]基于弱監督協同學習算法的安全帽識別方法及存儲介質

在審

• 申請號: 202011042403.4
• 申請日: 2020-09-28
• 公開（公告）號: CN112183532A
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 吳衍;馬碧芳;郭永寧
• 申請（專利權）人: 福建師范大學福清分校
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06T7/70
• 代理公司: 福州市眾韜專利代理事務所(普通合伙) 35220
• 代理人: 陳智雄

1.一種基于弱監督協同學習算法的安全帽識別方法，其特征在于，包括以下步驟：

步驟1、采用圖像級別標簽圖像對弱監督協同學習算法網絡進行訓練；

步驟2、將待檢測圖像輸入訓練好的所述弱監督協同學習算法網絡進行目標檢測，得到概率向量；

步驟3、根據所述概率向量判定所述待檢測圖像中人物是否正確佩戴安全帽。

2.如權利要求1所述的基于弱監督協同學習算法的安全帽識別方法，其特征在于，所述采用圖像級別的標簽樣本對弱監督協同學習算法網絡進行訓練，包括以下步驟：

步驟11、通過卷積層和ROI池化層對圖像級別標簽圖像進行特征提取，得到包含樣本實例訓練圖片包；

步驟12、弱監督學習模塊根據所述訓練圖片包進行訓練并生成邊界框級別標簽圖像第一實例子集；

步驟13、有監督學習模塊根據所述訓練圖片包以及所述邊界框級別標簽圖像第一實例子集進行訓練并生成邊界框級別標簽圖像第二實例子集；

步驟14、有監督學習模塊對所述邊界框級別標簽圖像第一實例子集以及所述邊界框級別標簽圖像第二實例子集進行計算一致性損失，并根據計算結果更新所述有監督學習模塊的網絡參數。

3.如權利要求2所述的基于弱監督協同學習算法的安全帽識別方法，其特征在于，所述弱監督學習模塊根據所述訓練圖片包進行訓練并生成邊界框級別標簽圖像第一結果集，包括以下步驟：

步驟121、連續實例選擇器對所述訓練圖片包中的樣本實例進行子集劃分；

步驟122、連續評估器根據所述訓練圖片包樣本實例子集劃分結果對所述訓練圖片包中的樣本實例進行評估；

步驟123、將評估后的所述訓練圖片包作為邊界框級別標簽圖像第一結果集。

4.如權利要求3所述的基于弱監督協同學習算法的安全帽識別方法，其特征在于，所述連續實例選擇器對所述訓練圖片包中的樣本實例進行子集劃分，包括以下步驟：

步驟1211、連續實例選擇器計算所述訓練圖片包中每個樣本實例的得分，所述得分的計算公式為：S(t_i,j,σ_s)＝σ_s^T(FV_b-FV_f)，其中，t_ij表示第i個包中的第j個樣本實例，σ_s是實例選擇器的網絡參數，FV_b是樣本實例t_ij中背景的費舍爾向量，FV_f是樣本實例t_ij中前景的費舍爾向量；

步驟1212、從所述訓練圖片包所有樣本實例中選取得分最高且不屬于任何一個邊界框級別標簽圖像實例子集的樣本實例，建立一個新的邊界框級別標簽圖像實例子集；

步驟1213、將與步驟1211中所述得分最高的樣本實例圖片重疊面積大于或等于τ，且不屬于任何一個邊界框級別標簽圖像實例子集的樣本實例歸入相同的邊界框級別標簽圖像實例子集中，其中，τ表示連續參數，取值范圍為[0,1]；

步驟1214、根據已經建立的所述邊界框級別標簽圖像實例子集計算連續實例選擇器的目標函數值，所述連續實例選擇器的目標函數為：

其中，t_i表示第i個訓練圖片包，t_i,β(τ)代表第i個包中的第β(τ)個實例子集，σ_s是實例選擇器的網絡參數，l_i代表第i個訓練圖片包的正負標志，N_β(τ)是實例子集t_i,β(τ)中實例的個數，t_i,j∈t_i,β(τ)；

步驟1215、判斷所述連續實例選擇器的目標函數值是否大于預設的閾值；

步驟1216、若所述連續實例選擇器的目標函數值小于或等于預設的閾值，則跳轉至步驟1212繼續執行；

步驟1217、若所述連續實例選擇器的目標函數值大于預設的閾值，則子集劃分完成。