[發明專利]交警姿態識別方法、裝置、設備及存儲介質

在審

• 申請號: 202011132576.5
• 申請日: 2020-10-21
• 公開（公告）號: CN112215188A
• 公開（公告）日: 2021-01-12
• 發明（設計）人: 吳曉東
• 申請（專利權）人: 平安國際智慧城市科技股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 深圳國新南方知識產權代理有限公司 44374
• 代理人: 李小東

1.一種交警姿態識別方法，其特征在于，包括：

采集多種交通環境下的圖像并對所述圖像進行預處理；

基于kmeans++聚類算法在預處理后的圖像上進行聚類，生成多個錨框；

構建YOLOv3深度學習神經網絡模型并采用交叉熵損失函數與EIOU損失函數訓練所述YOLOv3深度學習神經網絡模型，獲得EIOU-YOLOv3深度學習神經網絡模型；

利用所述EIOU-YOLOv3深度學習神經網絡模型對預處理后的圖像進行交警姿態特征提取及檢測，獲得多個不同尺度的特征圖；

利用所述錨框在所述特征圖上進行交警姿態特征提取及識別，獲得預測框；

采用Soft-NMS算法去除冗余的所述預測框，獲得目標預測框及識別結果。

2.根據權利要求1所述的交警姿態識別方法，其特征在于，所述采集多種交通環境下的圖像并對所述圖像進行預處理的步驟包括：

實時采集多種交通環境下的圖像集合；

從所述圖像集合中選取待識別圖像；

利用標注工具對所述待識別圖像中的交警進行標注處理，獲得標注框；

按照預設比例將標注處理后的所述待識別圖像隨機分成訓練集和測試集。

3.根據權利要求2所述的交警姿態識別方法，其特征在于，所述基于kmeans++聚類算法在預處理后的圖像上進行聚類，生成多個錨框的步驟包括：

從所述訓練集中隨機選取一個所述標注框作為初始聚類中心；

根據預設距離公式計算每個所述標注框與所述初始聚類中心之間的距離，并根據距離計算結果選出下一個聚類中心；

將所述下一個聚類中心作為初始聚類中心并重復執行根據預設距離公式計算每個所述標注框與初始聚類中心之間的距離，并根據距離計算結果選出下一個聚類中心的步驟，直到選出九個初始聚類中心，將所述初始聚類中心作為錨框。

4.根據權利要求1所述的交警姿態識別方法，其特征在于，所述構建YOLOv3深度學習神經網絡模型并采用交叉熵損失函數與EIOU損失函數訓練所述YOLOv3深度學習神經網絡模型，獲得EIOU-YOLOv3深度學習神經網絡模型的步驟包括：

構建YOLOv3深度學習神經網絡模型，將所述YOLOv3深度學習神經網絡模型的殘差連接結構由兩次拼接改進為三次加權求和處理；

計算所述交叉熵損失函數與所述EIOU損失函數之和，獲得總損失函數；

采用所述總損失函數訓練改進后的所述YOLOv3深度學習神經網絡模型，獲得EIOU-YOLOv3深度學習神經網絡模型。

5.根據權利要求4所述的交警姿態識別方法，其特征在于，所述利用所述EIOU-YOLOv3深度學習神經網絡模型對預處理后的圖像進行交警姿態特征提取及檢測，獲得多個不同尺度的特征圖的步驟包括：

將預處理后的圖像的尺寸轉換為預設尺寸；

采用DarkNet53網絡對轉換尺寸后的圖像進行交警姿態特征提取；

對交警姿態特征提取結果進行上采樣處理、加權求和處理以及多次卷積處理，獲得多個不同尺度的特征圖。

6.根據權利要求5所述的交警姿態識別方法，其特征在于，所述對交警姿態特征提取結果進行上采樣處理、加權求和處理以及多次卷積處理，獲得多個不同尺度的特征圖的步驟包括：

對所述DarkNet53網絡輸出的第一特征矩陣進行上采樣處理，獲得第二特征矩陣；

對所述第一特征矩陣和所述第二特征矩陣進行第一次加權求和處理以及多次卷積處理，獲得第一尺度特征圖；

對第一次加權求和處理結果進行上采樣處理，獲得第三特征矩陣；

對所述第一特征矩陣和所述第三特征矩陣進行第二次加權求和處理以及多次卷積處理，獲得第二尺度特征圖；

對第二次加權求和處理結果進行上采樣處理，獲得第四特征矩陣；

對所述第一特征矩陣和所述第四特征矩陣進行第三次加權求和處理以及多次卷積處理，獲得第三尺度特征圖。