[發(fā)明專利]一種面向數(shù)據中心的人體行為屬性實時檢測方法和系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202110458747.1
• 申請日: 2021-04-27
• 公開（公告）號: CN113139476A
• 公開（公告）日: 2021-07-20
• 發(fā)明（設計）人: 單鵬飛
• 申請（專利權）人: 山東英信計算機技術有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08;G06N5/04
• 代理公司: 濟南誠智商標專利事務所有限公司 37105
• 代理人: 李修杰

本發(fā)明提出了一種面向數(shù)據中心的人體行為屬性實時檢測方法和系統(tǒng)，該方法包括：獲取數(shù)據中心在不同環(huán)境下不同人體的屬性識別數(shù)據集；標注屬性識別數(shù)據集中的人體目標框及屬性標簽，對標注完成后的數(shù)據集進行劃分；對劃分后數(shù)據集圖片首先采用拼接和裁切的方式進行預處理，然后將人體目標框與屬性識別相結合構建人體屬性識別一體化檢測網絡，通過改進人體屬性損失函數(shù)對檢測網絡進行遷移學習訓練；將訓練后的模型進行部署，實現(xiàn)在線推理與人體屬性預測。基于該方法，本發(fā)明還提出了一種面向數(shù)據中心的人體行為屬性實時檢測系統(tǒng)。本發(fā)明改進了網絡的損失函數(shù)來消除屬性中正負樣本不平衡的問題，為高精度的智能識別提供保障。

技術領域

本發(fā)明屬于數(shù)據中心與人工智能中的圖像識別技術領域，特別涉及一種面向數(shù)據中心的人體行為屬性實時檢測方法和系統(tǒng)。

背景技術

隨著信息技術的不斷發(fā)展以及人工智能技術的不斷進步，數(shù)據中心的智能化發(fā)展已成為新的趨勢。模塊化數(shù)據中心(MDC)是為了適應云計算、虛擬化、集中化的服務器的發(fā)展趨勢而采用的新的設計理念，它采用的模塊化的設計思想，能夠快速部署且易于擴展。運維管理是數(shù)據中心中的重要一環(huán)，對數(shù)據中心中的人員的作業(yè)行為進行監(jiān)測，能夠及時發(fā)現(xiàn)潛在的安全隱患，并及時提供預警機制，保證作業(yè)人員的安全以及數(shù)據中心的安全可靠運行。隨著數(shù)據中心規(guī)模的不斷增大，整體系統(tǒng)變得龐大且復雜，當數(shù)據中心中的一個環(huán)節(jié)發(fā)生異常就會造成整個系統(tǒng)的停機，給企業(yè)生產造成巨大的損失。在數(shù)據中心的狀態(tài)檢測當中，人員檢測是其中的重要環(huán)節(jié)。該環(huán)節(jié)主要是針對作業(yè)過程中的不規(guī)范而造成的安全隱患。具體的這些安全隱患行為包括：未穿靜電服，未佩戴安全帽、吸煙、以及隨意搬運服務器等。如果現(xiàn)場監(jiān)測人員未能發(fā)現(xiàn)作業(yè)人員存在的不規(guī)范行為，將會對數(shù)據中心造成安全隱患，嚴重情況下會對操作人員的安全造成威脅。

傳統(tǒng)的數(shù)據中心的作業(yè)行為規(guī)范主要是通過巡檢人員的安全檢查，即通過現(xiàn)場巡檢或者通常視頻監(jiān)測中的人工識別的方式進行。另外，隨著人工智能與圖像識別技術在數(shù)據中心的應用，基于機器學習與深度學習的人體屬性識別技術開始應用。現(xiàn)有的智能識別方法主要包括基于機器學習的人體行為屬性識別方法以及基于深度學習方法。機器學習的人體行為屬性識別方法主要通過人工提取人體圖像特征，通過手動設計的特征配合監(jiān)督學習方法對行為屬性模型進行訓練，對訓練完成的模型進行離線或在線部署，實現(xiàn)推理預測。深度學習的人體屬性識別利用屬性識別網絡來獲取人體屬性的語義特征，將特征提取后的各個屬性視為獨立的部分或建立屬性之間的內在聯(lián)系，從而建立人體特征與行為屬性之間的非線性映射。

數(shù)據中心采用人工巡檢或者視頻監(jiān)控人工進行行為屬性的監(jiān)測方法效率低下且人工監(jiān)測容易存在漏檢。基于機器學習的人體屬性識別方法通過人工進行特征提取，并配合后續(xù)的識別模型對屬性進行預測。該方法在人工特征提取上較為繁瑣，且人體屬性識別的效果取決于所提取特征的質量，由于在實際應用中，受到人體外觀、行為、姿態(tài)以及光照等因素的影響，傳統(tǒng)的機器學習方法的應用較為困難。基于深度學習的人體屬性識別方法主要采用的策略為首先通過目標檢測方法對人體進行識別，在此基礎上通過獨立的人體屬性識別網絡或關聯(lián)的人體屬性識別網絡對人體行為屬性進行識別，該方法采用了級聯(lián)的方式，即將人體識別與行為屬性識別視為兩個獨立的部分，該方法存在以下缺點：1)采用多級串聯(lián)的網絡方式需要分別對兩級網絡進行單獨訓練，在網絡訓練以及調優(yōu)上存在不便；2)在推理端由于級聯(lián)方式的存在，需要耗費兩部分的網絡推理時間，不利于嵌入式端部署中的實時性要求；3)行為屬性識別端的網絡識別結果受到人體檢測網絡識別結果的影響。因此，傳統(tǒng)的人工現(xiàn)場巡檢或者人工視頻監(jiān)控的方式存在效率低下，且容易存在漏檢的缺點；采用傳統(tǒng)的機器學習以及現(xiàn)有的深度學習的方式由于受到外界環(huán)境或者網絡結構的影響較難在數(shù)據中心現(xiàn)場中應用。

發(fā)明內容

為了解決上述技術問題，本發(fā)明提出了一種面向數(shù)據中心的人體行為屬性實時檢測方法和系統(tǒng)，改進了網絡的損失函數(shù)來消除屬性中正負樣本不平衡的問題，在保證實時性的同時不失精度，能夠達到目前先進的人體屬性識別的模型的精度，為高精度的智能識別提供保障。

實現(xiàn)上述目的，本發(fā)明采用以下技術方案：