[發(fā)明專利]一種安全穿戴情況識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011169611.0
• 申請(qǐng)日: 2020-10-27
• 公開（公告）號(hào): CN112257620B
• 公開（公告）日: 2021-10-26
• 發(fā)明（設(shè)計(jì)）人: 李靜;王榮秋;李朝輝
• 申請(qǐng)（專利權(quán)）人: 廣州華微明天軟件技術(shù)有限公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京科億知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11350
• 代理人: 趙蕊紅

1.一種安全穿戴情況識(shí)別方法,其特征在于，包括步驟：

步驟一、收集多張穿戴有安全穿戴物的素材圖像；

步驟二、分別對(duì)步驟一得到的素材圖像進(jìn)行標(biāo)準(zhǔn)穿戴物區(qū)域標(biāo)注，得到多個(gè)標(biāo)準(zhǔn)穿戴物區(qū)域框信息；

步驟三、對(duì)步驟二得到的多個(gè)標(biāo)準(zhǔn)穿戴物區(qū)域框信息進(jìn)行重聚類，得到重聚類分組數(shù)據(jù)；

步驟四、采用darknet框架深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)yolov3算法對(duì)步驟三得到的重聚類分組數(shù)據(jù)和步驟二得到的標(biāo)準(zhǔn)穿戴物區(qū)域框信息進(jìn)行訓(xùn)練得到最優(yōu)模型；

步驟五、將采集區(qū)域內(nèi)的視頻流數(shù)據(jù)進(jìn)行解析，得到多幀圖像，分別將多幀圖像依次輸入步驟四的最優(yōu)模型得到安全穿戴物邊框信息和對(duì)像框信息，然后根據(jù)安全穿戴物邊框信息和對(duì)像框信息得到圖像的安全穿戴情況數(shù)據(jù)；

步驟六、根據(jù)長短記憶算法統(tǒng)計(jì)步驟五的安全穿戴情況數(shù)據(jù)的時(shí)長，得到時(shí)間段內(nèi)對(duì)像的穿戴判斷結(jié)果；

所述標(biāo)準(zhǔn)穿戴物區(qū)域框信息包括標(biāo)準(zhǔn)穿戴物區(qū)域框的中心點(diǎn)坐標(biāo)、框高和框?qū)挘?/p>

所述長短記憶算法包括有長記憶結(jié)構(gòu)和短記憶結(jié)構(gòu)，

所述長記憶結(jié)構(gòu)用于記錄T₁時(shí)間段內(nèi)的安全穿戴情況數(shù)據(jù)，所述短記憶結(jié)構(gòu)用于記錄T₂時(shí)間段內(nèi)的安全穿戴情況數(shù)據(jù)，存在T₁＞T₂＞0。

2.根據(jù)權(quán)利要求1所述的安全穿戴情況識(shí)別方法,其特征在于：所述步驟六具體是根據(jù)長短記憶算法記錄T時(shí)間段內(nèi)步驟五的安全穿戴情況數(shù)據(jù)的累計(jì)時(shí)長t，當(dāng)t≥αT時(shí)，則判斷存在安全穿戴物；當(dāng)t＜αT時(shí)則判斷不存在安全穿戴物，其中α為時(shí)間閥值，且0.1＜α＜0.9，且T≥t＞0。

3.根據(jù)權(quán)利要求2所述的安全穿戴情況識(shí)別方法,其特征在于：當(dāng)視頻流數(shù)據(jù)的時(shí)長小于T₁時(shí)，記錄T₂時(shí)間段內(nèi)步驟五的安全穿戴情況數(shù)據(jù)的累計(jì)時(shí)長t，當(dāng)t≥αT₂時(shí)判斷結(jié)果為對(duì)像穿戴有安全穿戴物；當(dāng)t＜αT₂時(shí)判斷結(jié)果為對(duì)像沒有穿戴安全穿戴物并發(fā)出告警；

當(dāng)視頻流數(shù)據(jù)存在對(duì)像框信息的時(shí)長小于T₁時(shí)，記錄T₂時(shí)間段內(nèi)步驟五的安全穿戴情況數(shù)據(jù)的累計(jì)時(shí)長t，當(dāng)t≥αT₂時(shí)判斷結(jié)果為對(duì)像穿戴有安全穿戴物；當(dāng)t＜αT₂時(shí)判斷結(jié)果為對(duì)像沒有穿戴安全穿戴物并發(fā)出告警；

當(dāng)視頻流數(shù)據(jù)的時(shí)長大于或者等于T₁時(shí)，記錄T₁時(shí)間段內(nèi)步驟五的安全穿戴情況數(shù)據(jù)的累計(jì)時(shí)長t，當(dāng)t≥αT₁時(shí)判斷結(jié)果為對(duì)像穿戴有安全穿戴物；當(dāng)t＜αT₁時(shí)判斷結(jié)果為對(duì)像沒有穿戴安全穿戴物并發(fā)出告警。

4.根據(jù)權(quán)利要求3所述的安全穿戴情況識(shí)別方法,其特征在于：所述步驟三具體是對(duì)步驟二得到的多個(gè)標(biāo)準(zhǔn)穿戴物區(qū)域框信息進(jìn)行kmean重聚類，且K設(shè)置為9，得到重聚類分組數(shù)據(jù)。

5.根據(jù)權(quán)利要求4所述的安全穿戴情況識(shí)別方法,其特征在于：所述步驟四具體為采用darknet框架深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)yolov3算法，根據(jù)訓(xùn)練參數(shù)對(duì)步驟三得到的重聚類分組數(shù)據(jù)和步驟二得到的多個(gè)標(biāo)準(zhǔn)穿戴物區(qū)域框信息進(jìn)行訓(xùn)練得到最優(yōu)模型；

所述訓(xùn)練參數(shù)為起始學(xué)習(xí)率設(shè)置為β，最大訓(xùn)練輪次為B，在輪次為C時(shí)的學(xué)習(xí)率設(shè)置為γ*β；在輪次為D時(shí)的學(xué)習(xí)率為δ*β，B＞D＞C＞1000，β、γ和δ都為正數(shù)；

將在訓(xùn)練輪次中訓(xùn)練輸出的平均損失值至恒定時(shí)，將當(dāng)前訓(xùn)練輪次為起點(diǎn)，選擇±V輪次范圍內(nèi)保存的權(quán)重測試為最優(yōu)模型，存在0＜V。