[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

本發明公開了一種交警姿態識別方法、裝置、設備及存儲介質，該方法包括：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；利用錨框在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算法去除冗余的預測框，獲得目標預測框及識別結果。通過上述方式，本發明能夠有效提高交警姿態識別的整體準確率和召回率。

技術領域

本發明涉及人工智能技術領域，特別是涉及一種交警姿態識別方法、裝置、設備及存儲介質。

背景技術

交警是維護城市道路交通秩序，保證交通運輸暢通與安全的國家公職人員，在城市道路交通安全中扮演著十分重要的角色。交警姿態的自動檢測識別，成為智能交通安全監控系統中重要的環節之一。常用的道路上交警姿態檢測方法主要包括基于LBP、Haar、HOG等特征建立形變部位模型結合分類器的方法、基于深度學習的方法。基于形變部位模型的識別方法需要建立多個行人的局部模型，計算量大且在復雜的道路環境中魯棒性較差。基于深度學習的方法利用卷積神經網絡能有效提取數據本質的隱性特征，且權值共享，對道路環境中交警姿態具有較好的魯棒性和識別精度。其中，基于YOLOv3的深度學習方法，由于其檢測速度快，成為目前業內比較流行的交警姿態識別算法之一。

基于YOLOv3的深度學習方法在晴天、白天等簡單場景下識別目標的準確率較高，但在霧霾、雨天、夜間等困難場景下，其準確率和召回率都還相對較低，仍存在較大的提升空間。

發明內容

本發明提供一種交警姿態識別方法、裝置、設備及存儲介質，能夠有效提高交警姿態識別的整體準確率和召回率。

為解決上述技術問題，本發明采用的一個技術方案是：提供一種交警姿態識別方法，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。

根據本發明的一個實施例，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。

根據本發明的一個實施例，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；