CN112347824A - 佩戴物识别方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种佩戴物识别方法、装置、设备及存储介质。包括：获取图像帧；基于预先训练的佩戴物识别模型，从所述图像帧中识别人像轮廓位置特征；基于预先训练的佩戴物识别模型，根据所述人像轮廓位置特征确定佩戴物位置特征和佩戴物分类特征；将所述佩戴物位置特征和对应的所述佩戴物分类特征作为识别结果组合输出。根据本发明实施例，能够通过基于图像识别的佩戴物识别方法自动进行佩戴物监控，提高了识别的准确度和效率。

Description

佩戴物识别方法、装置、设备及存储介质

技术领域

本发明属于图像识别及安全检测领域，尤其涉及一种佩戴物识别方法、装置、设备及存储介质。

背景技术

佩戴物作为一种办公区人员身份识别的基本依据，被广泛应用于各种办公区安全管理中。然而在办公区中，办公人员经常忘记工卡等佩戴物，造成无法识别目标人像身份和陌生人身份的问题，从而导致办公区域的安全性不高。为了更好地避免这种情况，对办公区内目标人像是否佩戴工卡等佩戴物进行检测和告警至关重要。

目前针对目标人像是否佩戴工卡等佩戴物的识别都是基于肉眼判断，无论是观看监控录像还是巡视办公区，都需要设置人力来进行监测，这种方式既费时又费力，监控人员也会因为疲劳而导致漏检，使得办公场所的安全得不到保证。

在物体识别问题方面，传统的基于特征提取算法的物体识别方法在识别准确性及鲁棒性上效果欠佳，容易产生误识别或漏检。

发明内容

本发明实施例提供一种佩戴物识别方法、装置、设备及计算机存储介质，能够通过基于图像识别的佩戴物识别方法自动进行佩戴物监控，减少了因单一重复任务对肉眼产生疲劳而导致的识别误差。

第一方面，本发明实施例提供一种佩戴物识别方法，方法包括：获取图像帧；基于预先训练的佩戴物识别模型，从图像帧中识别人像轮廓位置特征；基于预先训练的佩戴物识别模型，根据人像轮廓位置特征确定佩戴物位置特征和佩戴物分类特征；将佩戴物位置特征和对应的佩戴物分类特征作为识别结果组合输出。

在一种可能的实现中，佩戴物包括：证件、卡片、安全帽。

在一种可能的实现中，识别结果还包括：如果佩戴物分类特征为识别出佩戴物，输出确认标识信息和确认标识信息的置信度值；如果佩戴物分类特征为未识别出佩戴物，输出否认标识信息和否认标识信息的置信度值。

在一种可能的实现中，方法还包括：如果接收到否认标识信息，发出第一告警信息。

在一种可能的实现中，方法还包括：如果接收到的确认标识信息的置信度值小于预设确认标识信息的置信度阈值，发出第二告警信息；或者，如果接收到的否认标识信息的置信度值大于预设否认标识信息的置信度阈值，发出第二告警信息。

在一种可能的实现中，方法还包括：佩戴物识别模型训练包括：获取包含人像和佩戴物的图片帧，以及包含人像不包含佩戴物的图片帧作为训练样本；根据训练样本和预先标记的训练样本的标签对基础识别模型进行训练；基于基础识别模型输出的训练样本对应的标签和预先标记的训练样本的标签，计算佩戴物分类特征识别结果的损失函数值，根据损失函数值调整模型参数；对调整模型参数进行重复操作，确定基础识别模型的最优参数，得到佩戴物识别模型。

在一种可能的实现中，方法还包括：训练样本为包含人像和佩戴物的图片帧，预先标记的训练样本的标签为人像轮廓位置特征标签、佩戴物位置特征标签和佩戴物分类特征标签；训练样本为包含人像不包含佩戴物的图片帧，预先标记的训练样本的标签为人像轮廓位置特征标签。

在一种可能的实现中，方法还包括：如果图像帧没有识别出人像轮廓位置特征，识别结束。可以将这些大量无人像的无用片段过滤掉，提升工作效率。

第二方面，本发明实施例提供了一种处理装置，装置包括：

图像采集模块，用于获取图像帧；人像识别模块，用于基于预先训练的佩戴物识别模型，从图像帧中识别人像轮廓位置特征；佩戴物识别模块，用于基于预先训练的佩戴物识别模型，根据人像轮廓位置特征确定佩戴物位置特征和佩戴物分类特征；结果输出模块，将佩戴物分类特征和对应的佩戴物位置特征作为识别结果组合输出。

第三方面，本发明实施例提供了一种计算设备，设备包括：处理器以及存储有计算机程序指令的存储器；处理器执行计算机程序指令时实现如本发明实施例提供的计算方法。

第四方面，本发明实施例提供了一种计算机存储介质，计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如本发明实施例提供的处理方法。

本发明实施例的佩戴物识别方法、装置、设备及计算机存储介质，通过基于图像识别的佩戴物识别方法可减少因单一重复任务对肉眼产生疲劳而导致的识别误差。识别准确度高、识别效率高，便于人员管理，提高了办公区的安全性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的佩戴物识别方法流程示意图；

图2是本发明实施例提供的工卡识别过程示意图；

图3是本发明实施例提供的工卡识别模型训练过程示意图；

图4是本发明实施例提供的处理装置的结构示意图；

图5是本发明实施例提供的示例性硬件架构的示意图。

具体实施方式

下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

为了提高佩戴物检测效率及精度，本发明实施例提供了一种佩戴物识别方法，下面首先对本发明实施例所提供的佩戴物识别方法进行详细描述。

图1所示为本发明一个实施例提供的用户佩戴物识别方法的流程示意图。如图1所示，该方法的执行主体是服务器，该方法可以包括S101-S104，具体如下所示：

S101，获取图像帧。

在一个实施例中，图像帧包括：定时采集的监控视频画面、定时拍摄的图像，基于监控视频截取的图片。

S102，基于预先训练的佩戴物识别模型，从图像帧中识别人像轮廓位置特征。

在一个实施例中，将图像帧输入预先训练好的佩戴物识别模型，检测图像帧中是否存在人像。

也就是说，先从图像帧中检测到人像在图像帧中可能的位置信息，识别出人像轮廓位置特征，再判断人像轮廓位置特征，即确定图像帧中是有人像还是没有人像。

在一个实施例中，该方法还包括：如果图像帧没有识别出人像轮廓位置特征，识别结束。也就是说，如果在图像帧中没有出现人像，也就不用进行进一步的检测，可以将这些大量无用的无人像空白片段过滤掉，提升工作效率。

S103，基于预先训练的佩戴物识别模型，根据人像轮廓位置特征确定佩戴物位置特征和佩戴物分类特征。

在一个实施例中，从图片帧中检测到人像之后，基于这个人像轮廓位置特征，检测佩戴物在人像轮廓范围内的位置轮廓信息，确定了佩戴物的位置特征。

在一个实施例中，确定了佩戴物的位置特征之后，判断佩戴物位置轮廓信息内是否有佩戴物信息。

在另一种实施例中，佩戴物包括：证件、卡片、安全帽。

在一个实施例中，该方法还包括：佩戴物识别模型训练。

其中，佩戴物识别模型训练包括：获取包含人像和佩戴物的图片帧，以及包含人像不包含佩戴物的图片帧作为训练样本；根据训练样本和预先标记的训练样本的标签对基础识别模型进行训练；基于基础识别模型输出的训练样本对应的标签和预先标记的训练样本的标签，计算佩戴物分类特征识别结果的损失函数值，根据损失函数值调整模型参数；对调整模型参数进行重复操作，确定基础识别模型的最优参数，得到佩戴物识别模型。

在一个实施例中，训练样本包括：第一组图片帧和第二组图片帧，第一组图片帧和第二组图片帧分别包括多个图片帧。第一组图像帧中的每个图片帧中都包含人像和佩戴物；第二组图片帧中的每个图片帧中只包含人像不包含佩戴物。

在一个实施例中，预先标记的训练样本的标签包括对包含人像和佩戴物的图片帧，进行人像位置标记和佩戴物位置标记，并添加确认标识信息。对只包含人像不包含佩戴物的图片帧，进行人像位置标记，并添加否认标识信息。

在一个实施例中，对输入基础识别模型的图片帧进行位置特征检测和分类特征判断，输出图片帧位置特征检测结果和分类特征判断结果。在卷积层可提取出多层次的物体特征，佩戴物识别模型将物体检测与识别进行结合，识别的准确性和鲁棒性均得到提升。

在一个实施例中，将训练样本输入基础识别模型，基础识别模型会输出该样本对应的标签，基于基础识别模型输出的标签和训练样本的预先标记的标签，可计算出基础识别模型的损失函数值，然后根据损失函数值调整基础识别模型参数，不断更新基础识别模型参数，以使损失函数值达到最小。

在一个实施例中，使得损失函数值最小的那一组参数即为佩戴物识别模型的最优参数，最优参数确定即佩戴物识别模型训练完成。

在一个实施例中，该方法还包括：训练样本为包含人像和佩戴物的图片帧，预先标记的训练样本的标签为人像轮廓位置特征标签、佩戴物位置特征标签和佩戴物分类特征标签；训练样本为包含人像不包含佩戴物的图片帧，预先标记的训练样本的标签为人像轮廓位置特征标签。

S104，将佩戴物分类特征和对应的佩戴物位置特征作为识别结果组合输出。

在一个实施例中，识别结果还包括：如果佩戴物分类特征为识别出佩戴物，输出确认标识信息和确认标识信息的置信度值；如果佩戴物分类特征为未识别出佩戴物，输出否认标识信息和否认标识信息的置信度值。

在一个实施例中，该方法还包括：如果接收到否认标识信息，发出第一告警信息。

在一个实施例中，第一告警信息用于指示未佩戴目标佩戴物的人员。工作人员听到或看到第一告警信息时，可以迅速找到未佩戴目标佩戴物的人员。可减少因单一重复任务对肉眼产生疲劳而导致的识别误差。

在另一种实施例中，该方法还包括：如果接收到的确认标识信息的置信度值小于预设确认标识信息的置信度阈值，发出第二告警信息；或者，如果接收到的否认标识信息的置信度值大于预设否认标识信息的置信度阈值，发出第二告警信息。

在另一种实施例中，第一告警信息用于指示佩戴物识别结果不确定的情况。工作人员听到或看到第二告警信息时，可以肉眼确认图片帧中的人像是否佩戴目标佩戴物。通过工作人员对置信度不达标准的识别结果的再次确认，可以防止佩戴物识别模型判断可能出现的误识别情况，提高识别结果精度。

图2示出了本发明一个实施例提供的工卡识别过程示意图。如图1所示，具体如下所示：

当佩戴物为员工工卡时，获取视频文件或者监控视频中的视频帧，然后通过佩戴物识别模型的一次前馈过程，得到结果。

首先，获取图片或者视频帧。

其次，检测输入的图片帧中是否存在员工，识别出的员工轮廓位置信息是基于两个坐标点连成的矩形对角线构成的。

然后，如果存在员工则继续对员工是否佩戴工卡进行检测。

若检测到员工佩戴工卡，则返回其位置信息及“WearID”作为标识，之后的数字为该员工佩戴工卡的置信度。

若员工未佩戴工卡，则返回其位置信息及“UnWearID”作为标识，“UnWearID”之后的数字为该员工未佩戴工卡的置信度。

如果图片帧未检测出员工则结束本次检测。

在一个实施例中，当佩戴物为安全帽时，获取视频文件或者监控视频中的视频帧，然后通过安全帽识别模型的一次前馈过程，得到结果。

识别过程中先检测输入的图片帧中是否存在人像，识别出的人像轮廓位置信息是基于两个坐标点连成的矩形对角线构成的。

如果存在人像则继续对人像是否佩戴安全帽进行检测。

若检测到人像佩戴安全帽，则返回其位置信息及“Wear”作为标识，“Wear”之后的数字为该人像佩戴安全帽的置信度。

若检测到人像未佩戴安全帽，则返回其位置信息及“UnWear”作为标识，“UnWear”之后的数字为该人像未佩戴安全帽的置信度。

如果图片帧中不存在人像则结束本次检测。

在一个实施例中，通过将得到的待识别物品的数据特征分解为分类特征和位置特征，并对分类特征进行置信度值计算，进一步确定了物品的准确位置。

在一个实施例中，深度学习模型为基于卷积神经网络的深度学习模型VGG16，且通过大量样本数据训练得到。

图3示出了本发明一个实施例提供的工卡识别模型训练过程示意图。如图3所示，具体如下所示：

首先，采集训练图片，对训练图片添加标签。

在一个实施例中，获取目标人像未佩戴工卡的图片帧和佩戴工卡的图片帧；对未佩戴工卡的目标人像的图片帧添加目标人像位置识别标签；对佩戴工卡的目标人像的图片帧添加目标人像位置识别标签和工卡位置识别标签。

在一个实施例中，将佩戴工卡的目标人像图片帧作为训练样本输入工卡识别模型，工卡识别模型输出该样本对应的标签；基于工卡识别模型输出的标签和训练样本的已标记标签更新工卡识别模型参数，训练样本的已标记标签为带有目标人像位置识别标签和佩戴物位置识别标签的佩戴工卡的目标人像图片帧；佩戴物位置识别标签为对目标佩戴物在图片帧中的位置进行标注得到的标签。

在一个实施例中，输出带有目标人像位置识别标签的未佩戴工卡的目标人像图片帧；输出带有目标人像位置识别标签和工卡位置识别标签的佩戴工卡的目标人像图片帧。

然后，获取迁移学习模型基础参数，对基础识别模型进行工卡识别训练，获得工卡识别模型。

在一个实施例中，将未佩戴工卡的目标人像图片帧作为训练样本输入基础识别模型，基础识别模型输出该样本对应的标签；基于基础识别模型输出的标签和训练样本的已标记标签更新基础识别模型参数，获得工卡识别模型。

在一个实施例中，将训练样本ImageNet输入基础识别模型，基础识别模型输出该样本ImageNet对应的标签，基于基础识别模型输出的标签和训练样本ImageNet的已标记标签更新基础识别模型参数；作为迁移学习模型补充参数。

在一个实施例中，训练过程主要用来建立工卡识别模型，工卡识别算法通过深度卷积神经网络实现，网络模型为目标检测算法(Single Shot Multibox Detector,SSD)。

在一个实施例中，训练数据为同一员工佩戴工卡图片一张与未佩戴工卡图片一张，并对员工位置与工卡位置进行手工标签。

在一个实施例中，手工标签需要对员工在图片中的位置以及佩戴工牌员工工牌位置等进行标注。

在一个实施例中，训练方式为迁移学习，迁移模型为以图像识别数据库ImageNet为训练数据，VGG16为训练网络生成的模型。

在一个实施例中，为保证迁移学习过程中习得的特征不会丢失，对初始学习率进行了调整，使其相对较小。

在一个实施例中，图像处理方面使用开源计算机视觉库(Open Source ComputerVision Library，Open CV)库进行，主要是对输入图像的读取、添加识别标签和结果输出。

在一个实施例中，在上述方案中，卷积神经网络是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，十分适合处理大型图像，因而基于卷积神经网络的深度学习模型对于图像的处理更加精确。

在一个实施例中，基于VGG16(提供主干参数)的SSD(学习位置和类别)作为网络模型训练，获得最优参数确定佩戴物识别模型。

图4所示为本发明实施例提供的处理装置的结构示意图。如图4所示，该装置400具体包括410-440，具体如下所示：

图像采集模块410，用于获取图像帧。

人像识别模块420，用于基于预先训练的佩戴物识别模型，从图像帧中识别人像轮廓位置特征。

佩戴物识别模块430，用于基于预先训练的佩戴物识别模型，根据人像轮廓位置特征确定佩戴物位置特征和佩戴物分类特征。

结果输出模块440，将佩戴物分类特征和对应的佩戴物位置特征作为识别结果组合输出。

在一个实施例中，本发明实施例中的人像识别模块420具体用于如果图像帧没有识别出人像轮廓位置特征，识别结束。可以将这些大量无用的空白片段过滤掉，提升工作效率。

在另一种实施例中，本发明实施例中的佩戴物识别模块430具体用于佩戴物包括：证件、卡片、安全帽。

在一个实施例中，本发明实施例中的佩戴物识别模块430还用于佩戴物识别模型训练包括：获取包含人像和佩戴物的图片帧，以及包含人像不包含佩戴物的图片帧作为训练样本；根据训练样本和预先标记的训练样本的标签对基础识别模型进行训练；基于基础识别模型输出的训练样本对应的标签和预先标记的训练样本的标签，计算佩戴物分类特征识别结果的损失函数值，根据损失函数值调整基础识别模型参数；对调整基础识别模型参数进行重复操作，确定基础识别模型的最优参数，得到佩戴物识别模型。在卷积层可提取出多层次的物体特征，该佩戴物识别模型将物体检测与识别进行结合，识别的准确性和鲁棒性均得到提升。

在一个实施例中，本发明实施例中的佩戴物识别模块430还用于训练样本为包含人像和佩戴物的图片帧，预先标记的训练样本的标签为人像轮廓位置特征标签、佩戴物位置特征标签和佩戴物分类特征标签；训练样本为包含人像不包含佩戴物的图片帧，预先标记的训练样本的标签为人像轮廓位置特征标签。

在一个实施例中，结果输出模块440，还用于如果佩戴物分类特征为识别出佩戴物，输出确认标识信息和确认标识信息的置信度值；如果佩戴物分类特征为未识别出佩戴物，输出否认标识信息和否认标识信息的置信度值。

在一个实施例中，结果输出模块440，还用于如果接收到否认标识信息，发出第一告警信息。

在另一种实施例中，结果输出模块440，还用于如果接收到的确认标识信息的置信度值小于预设确认标识信息的置信度阈值，发出第二告警信息；或者，如果接收到的否认标识信息的置信度值大于预设否认标识信息的置信度阈值，发出第二告警信息。

该装置的各个单元可以实现图1所示方法，且达到其相应的技术效果，为简洁描述，再此不再赘述。

图5示出了本发明实施例提供的佩戴物识别方法的硬件结构示意图。

处理设备可以包括处理器501以及存储有计算机程序指令的存储器502。

上述处理器501可以包括中央处理器(CPU)，或者特定集成电路(ApplicationSpecific Integrated Circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。

存储器502可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器502可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器502可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器502可在综合网关容灾设备的内部或外部。在特定实施例中，存储器502是非易失性固态存储器。在特定实施例中，存储器502包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。

处理器501通过读取并执行存储器502中存储的计算机程序指令，以实现上述图1至图3所示实施例中的任意一种处理方法。

在一个示例中，处理设备还可包括通信接口503和总线510。其中，如图5所示，处理器501、存储器502、通信接口503通过总线510连接并完成相互间的通信。

通信接口503，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。

总线510包括硬件、软件或两者，将佩戴物识别设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、***组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线510可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。

该处理设备可以执行本发明实施例中的佩戴物识别方法，从而实现结合图1和图4描述的佩戴物识别方法和装置。

另外，结合上述实施例中的佩戴物识别方法，本发明实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种佩戴物识别方法。

需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

以上所述的结构框图中所示的功能块可以实现为软件方式，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或***。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的***、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (11)

1.一种佩戴物识别方法，其特征在于，包括：

获取图像帧；

基于预先训练的佩戴物识别模型，从所述图像帧中识别人像轮廓位置特征；

基于预先训练的佩戴物识别模型，根据所述人像轮廓位置特征确定佩戴物位置特征和佩戴物分类特征；

将所述佩戴物位置特征和对应的所述佩戴物分类特征作为识别结果组合输出。

2.根据权利要求1所述的方法，其特征在于，所述佩戴物包括：证件、卡片、安全帽。

3.根据权利要求1所述的方法，其特征在于，所述识别结果还包括：

如果所述佩戴物分类特征为识别出佩戴物，输出确认标识信息和所述确认标识信息的置信度值；

如果所述佩戴物分类特征为未识别出佩戴物，输出否认标识信息和所述否认标识信息的置信度值。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：如果接收到所述否认标识信息，发出第一告警信息。

5.根据权利要求3所述的方法，其特征在于，所述方法还包括：

如果接收到的所述确认标识信息的置信度值小于预设确认标识信息的置信度阈值，发出第二告警信息；或者，

如果接收到的所述否认标识信息的置信度值大于预设否认标识信息的置信度阈值，发出第二告警信息。

6.根据权利要求1所述的方法，其特征在于，所述佩戴物识别模型训练包括：

获取包含人像和佩戴物的图片帧，以及包含人像不包含佩戴物的图片帧作为训练样本；

根据所述训练样本和预先标记的训练样本的标签对基础识别模型进行训练；

基于所述基础识别模型输出的所述训练样本对应的标签和所述预先标记的训练样本的标签，计算佩戴物分类特征识别结果的损失函数值，根据所述损失函数值调整模型参数；

对所述调整模型参数进行重复操作，确定所述基础识别模型的最优参数，得到所述佩戴物识别模型。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

所述训练样本为所述包含人像和佩戴物的图片帧，所述预先标记的训练样本的标签为人像轮廓位置特征标签、佩戴物位置特征标签和佩戴物分类特征标签；

所述训练样本为所述包含人像不包含佩戴物的图片帧，所述预先标记的训练样本的标签为人像轮廓位置特征标签。

8.根据权利要求1所述的方法，其特征在于，所述方法还包括：若所述图像帧没有识别出所述人像轮廓位置特征，则识别结束。

9.一种佩戴物识别装置，其特征在于，包括：

图像采集模块，用于获取图像帧；

人像识别模块，用于基于预先训练的佩戴物识别模型，从所述图像帧中识别人像轮廓位置特征；

佩戴物识别模块，用于基于预先训练的佩戴物识别模型，根据所述人像轮廓位置特征确定佩戴物位置特征和佩戴物分类特征；

结果输出模块，将所述佩戴物分类特征和对应的所述佩戴物位置特征作为识别结果组合输出。

10.一种计算设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；

所述处理器执行所述计算机程序指令时实现如权利要求1-8任意一项所述的佩戴物识别方法。

11.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-8任意一项所述的佩戴物识别方法。

Images