[發(fā)明專利]一種禁區(qū)闖入行為識別方法，存儲裝置及服務(wù)器

有效

• 申請?zhí)枺?/td>: 202110605740.8
• 申請日: 2021-05-31
• 公開（公告）號: CN113255533B
• 公開（公告）日: 2022-06-21
• 發(fā)明（設(shè)計）人: 孫德亮
• 申請（專利權(quán)）人: 中再云圖技術(shù)有限公司
• 主分類號: G06V40/20
• 分類號: G06V40/20;G06V10/774;G06V10/762;G06K9/62
• 代理公司: 重慶蘊博君晟知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 50223
• 代理人: 王玉芝

1.一種禁區(qū)闖入識別方法，其特征在于，包括以下步驟，

S1:收集物體檢測圖片數(shù)據(jù),包括人員或貓或狗3類檢測圖片數(shù)據(jù),采用手機或攝像頭拍攝城市中分布的人員或貓或狗照片并作為源數(shù)據(jù)集；

S2:對物體檢測圖片數(shù)據(jù)進行標(biāo)注，使用labelImg數(shù)據(jù)標(biāo)注工具，對圖片中的人員或貓或狗的坐標(biāo)位置和類別進行標(biāo)注，生成xml文件存儲標(biāo)注信息，并轉(zhuǎn)換生成COCO格式數(shù)據(jù)集；

S3:采用零-均值規(guī)范化數(shù)據(jù)預(yù)處理,在處理前對數(shù)據(jù)做數(shù)據(jù)增強；

S4:基于PP-YOLO訓(xùn)練禁區(qū)闖入行為數(shù)據(jù)集得到訓(xùn)練模型，在測試集上選取訓(xùn)練模型，對模型剪裁優(yōu)化模型后轉(zhuǎn)化成推理模型，得到禁區(qū)闖入行為識別模型；

所述步驟S4包括，

使用kmeans算法計算禁區(qū)闖入行為訓(xùn)練數(shù)據(jù)集錨點，模型訓(xùn)練好后根據(jù)mAP指標(biāo)選取模型，使用PaddleSlim對模型剪裁，模型裁剪后導(dǎo)出推理模型；

所述步驟S4中，采用cIoULoss輔助計算目標(biāo)框位置loss；

d表示預(yù)測框和真實框中心點的距離，c表示剛好能包含預(yù)測框和真實框的外接最小框?qū)蔷€長度，b表示真實框坐標(biāo)位置,即[x，y，w，h],b'表示預(yù)測框坐標(biāo)位置,即[x'，y'，w'，h']，π指圓周率,μ用來衡量長寬比一致性,α用于對μ權(quán)重控制，IoU用于表示預(yù)測框與真實框的重疊程度,IoU等于預(yù)測區(qū)域面積S_A與真實標(biāo)注區(qū)域面積S_B交集比并集，并集指S_A與S_B面積之和減去S_A與S_B區(qū)域重疊面積；

在訓(xùn)練時采取第一策略、第二策略，第一策略在訓(xùn)練初期使用，學(xué)習(xí)率從零開始并隨訓(xùn)練次數(shù)逐漸增大，最終增大到指定的學(xué)習(xí)率，即0.0001，第二策略在模型收斂后進一步搜索最優(yōu)值，在訓(xùn)練到一定回聲時逐漸減小學(xué)習(xí)率，

訓(xùn)練一段時間使得網(wǎng)絡(luò)熟悉數(shù)據(jù)后學(xué)習(xí)率再緩慢增大，訓(xùn)練到一定程度后，以設(shè)置的初始學(xué)習(xí)率進行訓(xùn)練,再訓(xùn)練一段時間后學(xué)習(xí)率緩慢減小，學(xué)習(xí)率變化過程：上升——平穩(wěn)——下降；

第二策略訓(xùn)練過程中不同階段設(shè)置不同的學(xué)習(xí)率；

損失優(yōu)化器采用第三優(yōu)化器，基于梯度的移動指數(shù)加權(quán)平均的方法來對網(wǎng)絡(luò)的參數(shù)進行平滑處理的，讓梯度的擺動幅度變得更小，公式如下

W_t+1＝W_t-μ_t

μ_t表示t時刻積攢的加速度，α取值為0.9，θ_t表示學(xué)習(xí)率，W_t表示t時刻模型參數(shù)，i_s∈1，2，3，……，ΔJ表示梯度函數(shù)。

2.如權(quán)利要求1所述的一種禁區(qū)闖入識別方法，其特征在于，所述步驟S4中，PP-YOLO的骨架網(wǎng)絡(luò)采用ResNet50；

采用kmeans算法在禁區(qū)闖入數(shù)據(jù)集上計算禁區(qū)闖入的錨點，作為步驟S4建模過程中描框的可選尺寸集；

模型訓(xùn)練好后根據(jù)mAP指標(biāo)選取在測試集中表現(xiàn)超過預(yù)設(shè)值的模型，使用PaddleSlim對模型剪裁，最后將裁剪后的模型導(dǎo)出為推理模型，完成禁區(qū)闖入的目標(biāo)檢測識別建模。

3.如權(quán)利要求1所述的一種禁區(qū)闖入識別方法，其特征在于，還包括步驟S5：

S5:通過融合算法進一步判定禁區(qū)闖入行為識別模型識別結(jié)果，判斷其是否存在禁區(qū)闖入行為。