CN113837138A - 一种着装监控方法、***、介质及电子终端 - Google Patents
一种着装监控方法、***、介质及电子终端 Download PDFInfo
- Publication number
- CN113837138A CN113837138A CN202111165053.5A CN202111165053A CN113837138A CN 113837138 A CN113837138 A CN 113837138A CN 202111165053 A CN202111165053 A CN 202111165053A CN 113837138 A CN113837138 A CN 113837138A
- Authority
- CN
- China
- Prior art keywords
- human body
- dressing
- target
- local
- material characteristics
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供一种着装监控方法、***、介质及电子终端,方法包括:采集素材图片,将素材图片输入预先训练好的特征提取模型进行特征提取,获取服装底库,服装底库包括:人体素材特征和对应的服装类型;获取着装监控任务;根据着装监控任务中的监控服装类型,调用服装底库中的相关人体素材特征;获取待识别图片;将待识别图片输入特征提取模型进行特征提取,获取目标特征关联信息,目标特征关联信息包括:人体整体特征、人体局部特征及与人体局部特征相对应的局部置信度;根据相关人体素材特征和目标特征关联信息,进行着装监控;本发明中的着装监控方法,有效提高着装监控精确度,降低着装监控成本,自动化程度较高,专业度要求较低,实施较方便。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种着装监控方法、***、介质及电子终端。
背景技术
随着计算机技术的发展,图像监控受到了越来越多的关注与重视。在某些特定的应用场景中,需要对在场人员的着装进行监测,判断人员着装是否统一,如邮储需要穿着统一制服、工地需要统一穿着反光衣等。目前,通常采用人工观看监控视频的方式,对出现在视频中的人员的穿着进行监控,判断目标人员的着装是否符合相关规定,然而,通过人员监控的方式,容易导致着装监控的准确率较低,且成本较高,自动化程度较低。
发明内容
本发明提供一种着装监控方法、***、介质及电子终端,以解决现有技术中着装监控的准确率较低,成本较高及自动化程度较低的问题。
本发明提供的着装监控方法,包括:
采集素材图片,将所述素材图片输入预先训练好的特征提取模型进行特征提取,获取服装底库,所述服装底库包括:人体素材特征和对应的服装类型;
获取着装监控任务;
根据所述着装监控任务中的监控服装类型,调用所述服装底库中的相关人体素材特征;
获取待识别图片;
将所述待识别图片输入特征提取模型进行特征提取,获取目标特征关联信息,所述目标特征关联信息包括:人体整体特征、人体局部特征及与人体局部特征相对应的局部置信度;
根据所述相关人体素材特征和目标特征关联信息,进行着装监控。
可选的,获取服装底库的步骤包括:
对所述素材图片进行服装类别标记;
将标记后的素材图片输入所述特征提取模型进行特征提取,获取多个人体素材特征,所述人体素材特征包括:整体素材特征、局部素材特征及与局部素材特征相对应的局部置信度;
所述局部素材特征包括头部区域素材特征和肩腰区域素材特征,获取所述头部区域素材特征和肩腰区域素材特征对应的局部置信度;
判断所述头部区域素材特征和肩腰区域素材特征对应的局部置信度是否超出预设的置信度阈值;
若所述头部区域素材特征的局部置信度和/或肩腰区域素材特征的局部置信度未超出所述置信度阈值,则过滤所述对应的人体目标,完成所述服装底库的获取。
可选的,所述特征提取模型的获取步骤包括:
获取训练集,所述训练集包括:多个训练样本、与训练样本相对应的真实样本特征,以及所述真实样本特征对应的真实置信度;
将所述训练样本输入神经网络进行特征提取,获取预测样本特征,以及所述预测样本特征的预测置信度,所述预测样本特征包括:预测样本整体特征和预测样本局部特征;
根据所述真实样本特征、真实置信度、预测样本特征和预测置信度,对所述神经网络进行训练,获取所述特征提取模型。
可选的,根据所述相关人体素材特征和目标特征关联信息,进行着装监控的步骤包括:
获取所述着装监控任务中的对比方式,所述对比方式包括:白名单对比和黑名单对比;
将所述待识别图片输入所述特征提取模型进行人体目标提取,获取对应的人体目标;
判断所述人体目标是否在预设的目标区域内,对未在所述目标区域内的人体目标进行一次过滤;
判断人体目标的人体局部特征中的头部区域特征的局部置信度和肩腰区域特征的局部置信度是否超出预设的置信度阈值,若所述头部区域特征的局部置信度和/或肩腰区域特征的局部置信度未超出所述置信度阈值,则判定对应的人体目标没有上半身,进而对所述人体目标进行二次过滤;
过滤完成后,将人体整体特征与所述相关人体素材特征中的人体整体素材特征进行一次对比,获取第一相似度;
根据所述对比方式和第一相似度,进行着装监控。
可选的,根据所述对比方式和第一相似度,进行着装监控的步骤包括:
若所述对比方式为白名单对比,则当所述第一相似度未超出预设的相似度阈值时,判定对应的人体目标出现着装异常,并对所述人体目标的着装异常次数累加一次;
当所述第一相似度超出所述相似度阈值时,则将人体局部特征中的肩腰区域特征与相关人体素材特征中的肩腰区域素材特征进行二次对比,获取第二相似度;
判断所述第二相似度是否超出所述相似度阈值,若所述第二相似度未超出所述相似度阈值,则判定对应的人体目标出现着装异常,并对所述人体目标的着装异常次数累加一次;
根据所述着装异常次数,进行着装监控。
可选的,根据所述对比方式和第一相似度,进行着装监控的步骤还包括:
若所述对比方式为黑名单对比,则当所述第一相似度超出预设的相似度阈值时,判定对应的人体目标出现着装异常,并对所述人体目标的着装异常次数累加一次;
当所述第一相似度未超出所述相似度阈值时,则将所述人体局部特征中的肩腰区域特征与相关人体素材特征中的肩腰区域素材特征进行三次对比,获取第三相似度;
判断所述第三相似度是否超出所述相似度阈值,若所述第三相似度超出所述相似度阈值,则判定对应的人体目标出现着装异常,并对所述人体目标的着装异常次数累加一次;
根据所述着装异常次数,进行着装监控。
可选的,根据所述着装异常次数,进行着装监控的步骤包括:
判断所述人体目标的存在时间是否超出预设的行为持续时长阈值;
若所述人体目标的存在时间超出所述行为持续时长阈值,则重置所述着装异常次数,并重新记录该人体目标的存在时间以及重新进行着装异常判断;
若所述人体目标的存在时间未超出所述行为持续时长阈值,则判断所述人体目标的着装异常次数是否大于或等于预设的异常次数阈值;
若所述人体目标的着装异常次数大于或等于所述异常次数阈值,则发出着装异常警示,完成着装监控;
所述异常次数阈值的获取步骤包括:根据所述人体目标的存在时间、预设的图像识别速度和着装异常行为命中率,获取所述异常次数阈值,获取所述异常次数阈值的数学表达为:
C=t×V×β
其中,C为异常次数阈值,t为人体目标当前的存在时间,V为图像识别速度,β为着装异常行为命中率。
本发明还提供一种着装监控***,包括:
预处理模块,用于采集素材图片,将所述素材图片输入预先训练好的特征提取模型进行特征提取,获取服装底库,所述服装底库包括:人体素材特征和对应的服装类型;
资源调度模块,用于获取着装监控任务;根据所述着装监控任务中的监控服装类型,调用所述服装底库中的相关人体素材特征;
着装监控模块,用于获取待识别图片;将所述待识别图片输入特征提取模型进行特征提取,获取目标特征关联信息,所述目标特征关联信息包括:人体整体特征、人体局部特征及与人体局部特征相对应的局部置信度;根据所述相关人体素材特征和目标特征关联信息,进行着装监控;所述预处理模块、资源调度模块和着装监控模块连接。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述方法。
本发明还提供一种电子终端,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如上述任一项所述方法。
本发明的有益效果:本发明中的着装监控方法、***、介质及电子终端,通过采集素材图片,将素材图片输入预先训练好的特征提取模型进行特征提取,获取服装底库,服装底库包括:人体素材特征和对应的服装类型;获取着装监控任务;根据所述着装监控任务中的监控服装类型,调用所述服装底库中的相关人体素材特征;获取待识别图片;将待识别图片输入特征提取模型进行特征提取,获取目标特征关联信息,所述目标特征关联信息包括:人体整体特征、人体局部特征及与人体局部特征相对应的局部置信度;根据所述相关人体素材特征和目标特征关联信息,进行着装监控;较好地实现了服装底库的构建以及对底库资源的调用,在底库资源的基础上,对待识别图片中的人体目标进行识别,并将人体整体特征、人体局部特征及与人体局部特征相对应的局部置信度进行有效结合,提高着装监控的精确度,降低着装监控成本,自动化程度较高,无需进行着装监控模型或着装检测模型等复杂模型的构建,实施较方便。
附图说明
图1是本发明实施例中着装监控方法的流程示意图。
图2是本发明实施例中着装监控方法中获取服装底库的流程示意图。
图3是本发明实施例中着装监控方法中获取特征提取模型的流程示意图。
图4是本发明实施例中着装监控方法中根据相关人体素材特征和目标特征关联信息进行着装监控的流程示意图。
图5是本发明实施例中着装监控***的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
发明人发现,随着计算机技术的发展,图像监控受到了越来越多的关注与重视。在某些特定的应用场景中,需要对在场人员的着装进行监测,判断人员着装是否统一,如邮储需要穿着统一制服、工地需要统一穿着反光衣等。目前,通常采用人工观看监控视频的方式,对出现在视频中的人员的穿着进行监控,判断目标人员的着装是否符合相关规定,然而,通过人员监控的方式,容易导致着装监控的准确率较低,且成本较高,自动化程度较低。因此,发明人提出一种着装监控方法、***、介质及电子终端,通过采集素材图片,将素材图片输入预先训练好的特征提取模型进行特征提取,获取服装底库,服装底库包括:人体素材特征和对应的服装类型;获取着装监控任务;根据所述着装监控任务中的监控服装类型,调用所述服装底库中的相关人体素材特征;获取待识别图片;将待识别图片输入特征提取模型进行特征提取,获取目标特征关联信息,目标特征关联信息包括:人体整体特征、人体局部特征及与人体局部特征相对应的局部置信度;根据相关人体素材特征和目标特征关联信息,进行着装监控;较好地实现了服装底库的构建以及对底库资源的调用,在底库资源的基础上,对待识别图片中的人体目标进行识别,并将人体整体特征、人体局部特征及与人体局部特征相对应的局部置信度进行有效结合,提高着装监控的精确度,降低着装监控成本,自动化程度较高,无需进行着装监控模型或着装检测模型等复杂模型的构建,降低着装监控的专业复杂度,能够在使用较少素材的情况下,得到比单独训练的着装检测模型更好的效果,实施较方便,场景适配速度较快,着装监控效果较好。
如图1所示,本实施例中的着装监控方法,包括:
S101:采集素材图片,将所述素材图片输入预先训练好的特征提取模型进行特征提取,获取服装底库,所述服装底库包括:素材图片、人体素材特征和对应的服装类型;所述素材图片为多张,例如:采集多张包含统一服装不同角度、不同姿态的人体图片作为素材图片,对素材图片进行服装类型标注,将标注后的素材图片输入所述特征提取模型进行人体目标区分,获取多个包含单个人体目标的素材图片,对包含单个人体目标的素材图片进行特征提取,获取人体素材特征,对素材图片、人体素材特征和对应的服装类型进行存储,作为服装底库,完成服装底库的构建。
S102:获取着装监控任务;所述着装监控任务包括:监控服装类型、目标区域的位置和大小、相似度阈值、行为持续时长阈值和着装异常行为命中率,所述监控服装类型如邮储工作制服和反光衣等,所述目标区域为预先设置的图像识别区域。
S103:根据所述着装监控任务中的监控服装类型,调用所述服装底库中的相关人体素材特征;即根据着装监控任务中的监控服装类型,从服装底库中调取与该监控服装类型相同的人体素材特征作为相关人体素材特征,将相关人体素材特征存储于内存,作为目标底库,后续在所述目标底库的基础上,进行着装异常识别与着装监控。
S104:获取待识别图片;所述待识别图片可以从监控视频中获取,如:获取监控视频,对所述监控视频进行图片截取,获取多个待识别图片。
S105:将所述待识别图片输入特征提取模型进行特征提取,获取目标特征关联信息,所述目标特征关联信息包括:人体整体特征、人体局部特征及与人体局部特征相对应的局部置信度;通过将待识别图片输入特征提取模型进行特征提取,能够较好地获取待识别图片中人体目标的特征,包括人体整体特征和人体局部特征,并且,通过获取人体局部特征对应的局部置信度,将所述局部置信度与人体整体特征和人体局部特征进行有机结合,能够较好地提高后续对人体目标进行着装监控的精确度。所述人体局部特征包括:头部区域特征、肩腰区域特征、胯部区域特征和腿部区域特征,所述肩腰区域特征为人体目标肩部到腰部的区域内的特征。
S106:根据所述相关人体素材特征和目标特征关联信息,进行着装监控。通过调用服装底库中的相关人体素材特征,在相关人体素材特征的基础上,结合目标特征关联信息中的人体整体特征、人体局部特征,以及人体局部特征对应的局部置信度,能够较好地提高着装异常识别与着装监控的精确度,降低着装监控的难度,实现对着装异常的实时监控,降低着装监控成本,自动化程度较高。
如图2所示,在一些实施例中,获取服装底库的步骤包括:
S201:对所述素材图片进行服装类别标记;
S202:将标记后的素材图片输入所述特征提取模型进行特征提取,获取多个人体素材特征,所述人体素材特征包括:整体素材特征和局部素材特征,所述局部素材特征具有对应的局部置信度;所述局部素材特征包括头部区域素材特征和肩腰区域素材特征,获取所述头部区域素材特征和肩腰区域素材特征对应的局部置信度;所述局部素材特征还包括:胯部区域素材特征和腿部区域素材特征;
S203:判断所述头部区域素材特征和肩腰区域素材特征对应的局部置信度是否超出预设的置信度阈值;
S204:若所述头部区域素材特征的局部置信度和/或肩腰区域素材特征的局部置信度未超出所述置信度阈值,则过滤所述对应的人体目标,完成所述服装底库的获取。即当头部区域素材特征的局部置信度和/或肩腰区域素材特征的局部置信度未超出预设的置信度阈值时,则判定对应的人体目标没有上半身,进而获取所述人体目标,将过滤后的人体素材特征和对应的局部置信度作为服装底库的数据,完成服装底库的构建。通过根据头部区域素材特征的局部置信度和肩腰区域素材特征的局部置信度,进行人体目标的过滤,有助于提高后续着装异常识别与着装监控的精确度。
如图3所示,为了提高着装监控的精确度,发明人提出,在特征提取模型的训练过程中,增加对局部特征的局部置信度的训练,以此提高着装监控的准确率,并提高体征提取模型的训练效率。所述特征提取模型的获取步骤包括:
S301:获取训练集,所述训练集包括:多个训练样本、与训练样本相对应的真实样本特征,以及所述真实样本特征对应的真实置信度;所述真实样本特征包括:真实整体样本特征、真实局部样本特征,所述真实局部样本特征包括:真实头部区域样本特征、真实肩腰区域样本特征、真实胯部区域样本特征和真实腿部区域样本特征;
S302:将所述训练样本输入神经网络进行特征提取,获取预测样本特征,以及所述预测样本特征的预测置信度,所述预测样本特征包括:预测样本整体特征和预测样本局部特征;所述预测样本局部特征包括:预测头部区域样本特征、预测肩腰区域样本特征、预测胯部区域样本特征和预测腿部区域样本特征;
S303:根据所述真实样本特征、真实置信度、预测样本特征和预测置信度,对所述神经网络进行训练,获取所述特征提取模型。通过在对特征提取模型的训练过程中,增加对局部特征的局部置信度的训练,能够便于后续着装监控的过程中根据局部置信度进行人体目标过滤,以此提高着装监控的精确度,避免出现失误。
如图4所示,在一些实施例中,根据所述相关人体素材特征和目标特征关联信息,进行着装监控的步骤包括:
S401:获取所述着装监控任务中的对比方式,所述对比方式包括:白名单对比和黑名单对比;所述白名单对比为:目标特征关联信息中的特征与相关人体素材特征的相似度越低,则对应的人体目标服装异常的可能性越大;所述黑名单对比为:目标特征关联信息中的特征与相关人体素材特征的相似度越高,则对应的人体目标服装异常的可能性越小;由于本方案的应用场景较为多元化,可以应用于金融行业、工地行业和交通行业等多个行业,不同应用场景所需要的对比方式可能不同,如:针对邮储的统一制服监控通常需要进行白名单对比,即若获取的目标特征关联信息中的特征与相关人体素材特征的相似度越低,则对应的人体目标的服装异常的可能性就越大;针对工地进行光膀检测,通常需要进行黑名单对比,即若获取的目标特征关联信息中的特征与相关人体素材特征的相似度越高,则对应的人体目标的服装异常的可能性就越大,能够较好地适应不同地应用场景。用户在输入着装监控任务时,可以选择相应的对比方式,进而实现对不同应用场景的针对性监控。
S402:将所述待识别图片输入所述特征提取模型进行人体目标提取,获取对应的人体目标;即通过将待识别图片输入特征提取模型进行人体目标提取与区分,确定单个人体目标。
S403:判断所述人体目标是否在预设的目标区域内,对未在所述目标区域内的人体目标进行一次过滤;所述目标区域可以提前设置,目标区域的大小和位置可以根据实际情况进行设置,此处不再赘述。通过对不在目标区域内的人体目标进行一次过滤,能够实现对人体目标的筛选,便于对人体目标进行精准着装监控。
S404:判断人体目标的人体局部特征中的上半身特征的局部置信度是否超出预设的置信度阈值,若所述人体局部特征中的上半身特征对应的局部置信度未超出所述置信度阈值,则判定对应的人体目标没有上半身,进而对所述人体目标进行二次过滤;由于目前着装监控的需求通常针对人体的上半身,因此,通过对人体目标进行二次过滤,去除没有上半身的人体目标,能够有助于提高后续着装监控的精确度,实施较方便。
S405:过滤完成后,将人体整体特征与所述相关人体素材特征中的人体整体素材特征进行一次对比,获取第一相似度;通过获取人体整体特征与人体整体素材特征之间的第一相似度,能够便于确定该人体目标是否出现着装异常。
S406:根据所述对比方式和第一相似度,进行着装监控。
在一些实施例中,根据所述对比方式和第一相似度,进行着装监控的步骤包括:
若所述对比方式为白名单对比,则当所述第一相似度未超出预设的相似度阈值时,判定对应的人体目标出现着装异常,并对所述人体目标的着装异常次数累加一次;
当所述第一相似度超出所述相似度阈值时,则将人体局部特征中的肩腰区域特征与相关人体素材特征中的肩腰区域素材特征进行二次对比,获取第二相似度;通过对人体局部特征中的肩腰区域特征与相关人体素材特征中的肩腰区域素材特征进行二次对比,能够进一步提高服装异常监控的精确度。
判断所述第二相似度是否超出所述相似度阈值,若所述第二相似度未超出所述相似度阈值,则判定对应的人体目标出现着装异常,并对所述人体目标的着装异常次数累加一次;
根据所述着装异常次数,进行着装监控。即着装异常次数,进行着装异常警示或进行上报。通过利用一段时间内所累计的着装异常次数,进行警示或异常着装上报,能够以概率的形式对着装异常的判定结果进行平滑处理,提高着装异常判定与着装监控的精确度,降低误报的概率。
若所述对比方式为黑名单对比,则当所述第一相似度超出预设的相似度阈值时,判定对应的人体目标出现着装异常,并对所述人体目标的着装异常次数累加一次;
当所述第一相似度未超出所述相似度阈值时,则将所述人体局部特征中的肩腰区域特征与相关人体素材特征中的肩腰区域素材特征进行三次对比,获取第三相似度;通过对人体局部特征中的肩腰区域特征与相关人体素材特征中的肩腰区域素材特征进行三次对比,能够有效提高着装监控的精确度。
判断所述第三相似度是否超出所述相似度阈值,若所述第三相似度超出所述相似度阈值,则判定对应的人体目标出现着装异常,并对所述人体目标的着装异常次数累加一次;
根据所述着装异常次数,进行着装监控。
在一些实施例中,还可以通过预先配置特征对比类型的方式,进行特征对比,所述特征对比类型包括:局部特征对比、全特征对比和综合对比,所述局部特征对比包括:肩腰区域特征对比,所述局部特征对比为:对人体目标的局部特征进行对比,以此判断人体目标是否出现着装异常;所述全特征对比为:对人体目标的人体整体特征进行对比,以此判断人体目标是否出现着装异常;所述综合对比为:结合人体整体特征和人体局部特征,进行综合对比,以此判断人体目标是否出现着装异常,例如:先获取人体整体特征与人体整体素材特征之间的第一相似度,若预设的对比方式为白名单对比,则当第一相似度超出预设的相似度阈值时,对人体局部特征中的肩腰区域特征与相关人体素材特征中的肩腰区域素材特征进行二次对比,获取第二相似度,若第二相似度未超出所述相似度阈值,则判定对应的人体目标出现着装异常,若第二相似度超出所述相似度阈值,则进行下一人体目标的判断。
在一些实施例中,根据所述着装异常次数,进行着装监控的步骤包括:
判断所述人体目标的存在时间是否超出预设的行为持续时长阈值;所述行为持续时长阈值可以根据实际情况进行设置,此处不再赘述。
若所述人体目标的存在时间超出所述行为持续时长阈值,则重置所述着装异常次数,并重新记录该人体目标的存在时间以及重新进行着装异常判断;
若所述人体目标的存在时间未超出所述行为持续时长阈值,则判断所述人体目标的着装异常次数是否大于或等于预设的异常次数阈值;
若所述人体目标的着装异常次数大于或等于所述异常次数阈值,则发出着装异常警示或进行着装异常上报,完成着装监控。通过将固定时间段内的着装异常次数和预设的异常次数阈值进行对比,能够从判定成功概率的角度,提高着装监控与着装异常上报的精确度,避免出现误报,精确度较高。
在一些实施例中,所述异常次数阈值的获取步骤包括:根据所述人体目标的存在时间、预设的图像识别速度和着装异常行为命中率,获取所述异常次数阈值,获取所述异常次数阈值的数学表达为:
C=t×V×β
其中,C为异常次数阈值,t为人体目标当前的存在时间,V为图像识别速度,β为着装异常行为命中率。所述着装异常行为命中率为对于未规范着装/服装的行为的命中率。通过上述方式获取异常次数阈值,能够结合图像识别速度和着装异常行为命中率,获取较精准的异常次数阈值,有助于提高着装监控的精确度。所述图像识别速度为对待识别图像进行着装异常判定的速度,如8帧/秒等,所述着装异常行为命中率可以根据实际情况进行设置,也可以根据历史的服装异常判定结果,获取相应的着装异常行为命中率,此处不再赘述。
在符合国家法律法规,且允许进行监控的应用场景下,使用本实施例中的着装监控方法进行着装监控,如邮储统一着装检测、工地反光衣检测和食堂光膀检测等。
实施例一:邮储统一着装检测与监控
当需要对邮储中的工作人员进行统一着装检测时,可以通过相机或摄像头采集被检测人员的统一服装的素材图片,该素材图片为多角度、多姿态,且背景简单的图片,对所述素材图片进行服装类型标记,将标记后的素材图片上传至特征提取模型,进行特征提取,获取人体素材特征,所述人体素材特征包括:整体素材特征和局部素材特征,所述局部素材特征具有对应的局部置信度,对所述素材图片、人体素材特征,以及局部素材特征对应的局部置信度进行存储,完成对服装底库的构建;
获取着装监控任务,所述着装监控任务包括:监控服装类型、目标区域的位置和大小、相似度阈值(如40)、行为持续时长阈值(如30秒)和着装异常行为命中率(如80%),根据所述监控服装类型,从所述服装底库中获取服装类型相同的相关人体素材特征,将相关人体素材特征存储于内存,作为目标底库,在所述目标底库的基础上,进行着装异常识别与着装监控;
获取预先设置的对比方式,邮储检测的对比方式通常为白名单检测;
获取待识别图片,所述待识别图片可以通过对监控视频进行截取或图像帧提取,获取多个待识别图像;
将所述待识别图片输入所述特征提取模型进行人体目标区分与提取,确定对应的人体目标;
判断所述人体目标是否在预设的目标区域内,对未在所述目标区域内的人体目标进行一次过滤;
获取所述人体目标的人体整体特征和人体局部特征,以及与人体局部特征相对应的局部置信度;所述人体局部特征包括:头部区域特征、肩腰区域特征、胯部区域特征和腿部区域特征;
判断人体目标的人体局部特征中的头部区域特征的局部置信度和肩腰区域特征的局部置信度是否超出预设的置信度阈值,若所述头部区域特征的局部置信度和/或肩腰区域特征的局部置信度未超出所述置信度阈值,则判定对应的人体目标没有上半身,进而对所述人体目标进行二次过滤;所述置信度阈值的大小可以根据实际情况进行设置,此处不再赘述。
过滤完成后,获取预先配置的特征对比类型,邮储检测的特征对比类型为全特征对比,将人体整体特征与所述相关人体素材特征中的人体整体素材特征进行对比,获取整体相似度;
判断所述整体相似度是否超出预设的相似度阈值,当所述整体相似度未超出预设的相似度阈值时,判定对应的人体目标出现着装异常,并对所述人体目标的着装异常次数累加一次;
当所述整体相似度超出所述相似度阈值时,则进行下一人体目标的判断;
根据所述着装异常次数,进行着装监控。
根据所述着装异常次数,进行着装监控的步骤包括:
判断所述人体目标的存在时间是否超出预设的行为持续时长阈值;
若所述人体目标的存在时间超出所述行为持续时长阈值,则重置所述着装异常次数,并重新记录该人体目标的存在时间以及重新进行着装异常判断;
若所述人体目标的存在时间未超出所述行为持续时长阈值,则判断所述人体目标的着装异常次数是否大于或等于预设的异常次数阈值;
若所述人体目标的着装异常次数大于或等于所述异常次数阈值,则发出着装异常警示或上报邮储着装不规范告警信息,完成着装监控。
所述异常次数阈值的获取步骤包括:根据所述人体目标的存在时间、预设的图像识别速度和着装异常行为命中率,获取所述异常次数阈值,获取所述异常次数阈值的数学表达为:
C=t×V×β
其中,C为异常次数阈值,t为人体目标当前的存在时间,V为图像识别速度,β为着装异常行为命中率。
实施例二:工地反光衣检测与监控
进行工地反光衣检测时,通过相机或摄像头采集被检测人员的统一服装的素材图片,该素材图片为多角度、多姿态,且背景简单的图片,对所述素材图片进行服装类型标记,将标记后的素材图片上传至特征提取模型,进行特征提取,获取人体素材特征,所述人体素材特征包括:整体素材特征和局部素材特征,所述局部素材特征具有对应的局部置信度,对所述素材图片、人体素材特征,以及局部素材特征对应的局部置信度进行存储,完成对服装底库的构建;
获取着装监控任务,所述着装监控任务包括:监控服装类型、目标区域的位置和大小、相似度阈值(如45)、行为持续时长阈值(如20秒)和着装异常行为命中率(如85%),根据所述监控服装类型,从所述服装底库中获取服装类型相同的相关人体素材特征,将相关人体素材特征存储于内存,作为目标底库,在目标底库的基础上,进行着装异常识别与着装监控;
获取预先设置的对比方式,反光衣检测的对比方式通常为白名单检测;
获取待识别图片;
将所述待识别图片输入所述特征提取模型进行人体目标区分与提取,确定对应的人体目标;
判断所述人体目标是否在预设的目标区域内,对未在所述目标区域内的人体目标进行一次过滤;
获取所述人体目标的人体整体特征和人体局部特征,以及与人体局部特征相对应的局部置信度;所述人体局部特征包括:头部区域特征、肩腰区域特征、胯部区域特征和腿部区域特征;
判断人体目标的人体局部特征中的头部区域特征的局部置信度和肩腰区域特征的局部置信度是否超出预设的置信度阈值,若所述头部区域特征的局部置信度和/或肩腰区域特征的局部置信度未超出所述置信度阈值,则判定对应的人体目标没有上半身,进而对所述人体目标进行二次过滤;
过滤完成后,获取预先配置的特征对比类型,反光衣检测的特征对比类型为肩腰区域特征对比,将肩腰区域特征与所述相关人体素材特征中的肩腰区域素材特征进行对比,获取肩腰特征相似度;
判断所述肩腰特征相似度是否超出预设的相似度阈值,当所述肩腰特征相似度未超出预设的相似度阈值时,判定对应的人体目标出现着装异常,并对所述人体目标的着装异常次数累加一次;
当所述肩腰特征相似度超出所述相似度阈值时,则进行下一人体目标的判断;
根据所述着装异常次数,进行着装监控。
根据所述着装异常次数,进行着装监控的步骤包括:
判断所述人体目标的存在时间是否超出预设的行为持续时长阈值;
若所述人体目标的存在时间超出所述行为持续时长阈值,则重置所述着装异常次数,并重新记录该人体目标的存在时间以及重新进行着装异常判断;
若所述人体目标的存在时间未超出所述行为持续时长阈值,则判断所述人体目标的着装异常次数是否大于或等于预设的异常次数阈值;
若所述人体目标的着装异常次数大于或等于所述异常次数阈值,则发出着装异常警示或上报反光衣穿着不规范告警信息,完成着装监控。
所述异常次数阈值的获取步骤包括:根据所述人体目标的存在时间、预设的图像识别速度和着装异常行为命中率,获取所述异常次数阈值。
实施例三:食堂光膀检测与监控
首先,获取光膀素材图片,该光膀素材图片为多角度、多姿态,且背景简单的图片,对所述素材图片进行服装类型标记,将标记后的素材图片上传至特征提取模型,进行特征提取,获取人体素材特征,所述人体素材特征包括:整体素材特征和局部素材特征,所述局部素材特征具有对应的局部置信度,对所述素材图片、人体素材特征,以及局部素材特征对应的局部置信度进行存储,完成对服装底库的构建;
然后,获取着装监控任务,所述着装监控任务包括:监控服装类型、目标区域的位置和大小、相似度阈值(如20)、行为持续时长阈值(如35秒)和着装异常行为命中率(如75%),根据所述监控服装类型,从所述服装底库中获取服装类型相同的相关人体素材特征,将相关人体素材特征存储于内存,作为目标底库,在目标底库的基础上,进行着装异常识别与着装监控;
获取预先设置的对比方式,光膀检测的对比方式通常为黑名单检测;
获取待识别图片;
将所述待识别图片输入所述特征提取模型进行人体目标区分与提取,确定对应的人体目标;
判断所述人体目标是否在预设的目标区域内,对未在所述目标区域内的人体目标进行一次过滤;
获取所述人体目标的人体整体特征和人体局部特征,以及与人体局部特征相对应的局部置信度;所述人体局部特征包括:头部区域特征、肩腰区域特征、胯部区域特征和腿部区域特征;
判断人体目标的人体局部特征中的头部区域特征的局部置信度和肩腰区域特征的局部置信度是否超出预设的置信度阈值,若所述头部区域特征的局部置信度和/或肩腰区域特征的局部置信度未超出所述置信度阈值,则判定对应的人体目标没有上半身,进而对所述人体目标进行二次过滤;
过滤完成后,获取预先配置的特征对比类型,光膀检测的特征对比类型为全特征对比+肩腰区域特征对比的综合对比类型;
将人体整体特征与所述相关人体素材特征中的人体整体素材特征进行第一对比,获取整体相似度;
当所述整体相似度超出预设的相似度阈值时,则判定对应的人体目标出现着装异常,并对所述人体目标的着装异常次数累加一次;
当所述整体相似度未超出所述相似度阈值时,则将所述人体局部特征中的肩腰区域特征与相关人体素材特征中的肩腰区域素材特征进行第二对比,获取肩腰相似度;
判断所述肩腰相似度是否超出所述相似度阈值,若所述第三相似度超出所述相似度阈值,则判定对应的人体目标出现着装异常,并对所述人体目标的着装异常次数累加一次;
最后,根据所述着装异常次数,进行着装监控。
根据所述着装异常次数,进行着装监控的步骤包括:
判断所述人体目标的存在时间是否超出预设的行为持续时长阈值;
若所述人体目标的存在时间超出所述行为持续时长阈值,则重置所述着装异常次数,并重新记录该人体目标的存在时间以及重新进行着装异常判断;
若所述人体目标的存在时间未超出所述行为持续时长阈值,则判断所述人体目标的着装异常次数是否大于或等于预设的异常次数阈值;
若所述人体目标的着装异常次数大于或等于所述异常次数阈值,则发出着装异常警示或上报光膀告警信息,完成着装监控。所述异常次数阈值的获取步骤包括:根据所述人体目标的存在时间、预设的图像识别速度和着装异常行为命中率,获取所述异常次数阈值。
如图5所示,本实施例还提供一种着装监控***,包括:
预处理模块,用于采集素材图片,将所述素材图片输入预先训练好的特征提取模型进行特征提取,获取服装底库,所述服装底库包括:人体素材特征和对应的服装类型;
资源调度模块,用于获取着装监控任务;根据所述着装监控任务中的监控服装类型,调用所述服装底库中的相关人体素材特征;
着装监控模块,用于获取待识别图片;将所述待识别图片输入特征提取模型进行特征提取,获取目标特征关联信息,所述目标特征关联信息包括:人体整体特征、人体局部特征及与人体局部特征相对应的局部置信度;根据所述相关人体素材特征和目标特征关联信息,进行着装监控;所述预处理模块、资源调度模块和着装监控模块连接。本实施例中的***通过采集素材图片,将素材图片输入预先训练好的特征提取模型进行特征提取,获取服装底库,服装底库包括:人体素材特征和对应的服装类型;获取着装监控任务;根据所述着装监控任务中的监控服装类型,调用所述服装底库中的相关人体素材特征;获取待识别图片;将待识别图片输入特征提取模型进行特征提取,获取目标特征关联信息,所述目标特征关联信息包括:人体整体特征、人体局部特征及与人体局部特征相对应的局部置信度;根据所述相关人体素材特征和目标特征关联信息,进行着装监控;较好地实现了服装底库的构建以及对底库资源的调用,在底库资源的基础上,对待识别图片中的人体目标进行识别,并将人体整体特征、人体局部特征及与人体局部特征相对应的局部置信度进行有效结合,提高着装监控的精确度,降低着装监控成本,自动化程度较高,无需进行着装监控模型或着装检测模型等复杂模型的构建,实施较方便,专业度要求较低,适应性较强。
在一些实施例中,获取服装底库的步骤包括:
对所述素材图片进行服装类别标记;
将标记后的素材图片输入所述特征提取模型进行特征提取,获取多个人体素材特征,所述人体素材特征包括:整体素材特征、局部素材特征及与局部素材特征相对应的局部置信度;
所述局部素材特征包括头部区域素材特征和肩腰区域素材特征,获取所述头部区域素材特征和肩腰区域素材特征对应的局部置信度;
判断所述头部区域素材特征和肩腰区域素材特征对应的局部置信度是否超出预设的置信度阈值;
若所述头部区域素材特征的局部置信度和/或肩腰区域素材特征的局部置信度未超出所述置信度阈值,则过滤所述对应的人体目标,完成所述服装底库的获取。
在一些实施例中,所述特征提取模型的获取步骤包括:
获取训练集,所述训练集包括:多个训练样本、与训练样本相对应的真实样本特征,以及所述真实样本特征对应的真实置信度;
将所述训练样本输入神经网络进行特征提取,获取预测样本特征,以及所述预测样本特征的预测置信度,所述预测样本特征包括:预测样本整体特征和预测样本局部特征;
根据所述真实样本特征、真实置信度、预测样本特征和预测置信度,对所述神经网络进行训练,获取所述特征提取模型。
在一些实施例中,根据所述相关人体素材特征和目标特征关联信息,进行着装监控的步骤包括:
获取所述着装监控任务中的对比方式,所述对比方式包括:白名单对比和黑名单对比;
将所述待识别图片输入所述特征提取模型进行人体目标提取,获取对应的人体目标;
判断所述人体目标是否在预设的目标区域内,对未在所述目标区域内的人体目标进行一次过滤;
判断人体目标的人体局部特征中的头部区域特征的局部置信度和肩腰区域特征的局部置信度是否超出预设的置信度阈值,若所述头部区域特征的局部置信度和/或肩腰区域特征的局部置信度未超出所述置信度阈值,则判定对应的人体目标没有上半身,进而对所述人体目标进行二次过滤;
过滤完成后,将人体整体特征与所述相关人体素材特征中的人体整体素材特征进行一次对比,获取第一相似度;
根据所述对比方式和第一相似度,进行着装监控。
在一些实施例中,根据所述对比方式和第一相似度,进行着装监控的步骤包括:
若所述对比方式为白名单对比,则当所述第一相似度未超出预设的相似度阈值时,判定对应的人体目标出现着装异常,并对所述人体目标的着装异常次数累加一次;
当所述第一相似度超出所述相似度阈值时,则将人体局部特征中的肩腰区域特征与相关人体素材特征中的肩腰区域素材特征进行二次对比,获取第二相似度;
判断所述第二相似度是否超出所述相似度阈值,若所述第二相似度未超出所述相似度阈值,则判定对应的人体目标出现着装异常,并对所述人体目标的着装异常次数累加一次;
根据所述着装异常次数,进行着装监控。
在一些实施例中,根据所述对比方式和第一相似度,进行着装监控的步骤还包括:
若所述对比方式为黑名单对比,则当所述第一相似度超出预设的相似度阈值时,判定对应的人体目标出现着装异常,并对所述人体目标的着装异常次数累加一次;
当所述第一相似度未超出所述相似度阈值时,则将所述人体局部特征中的肩腰区域特征与相关人体素材特征中的肩腰区域素材特征进行三次对比,获取第三相似度;
判断所述第三相似度是否超出所述相似度阈值,若所述第三相似度超出所述相似度阈值,则判定对应的人体目标出现着装异常,并对所述人体目标的着装异常次数累加一次;
根据所述着装异常次数,进行着装监控。
在一些实施例中,根据所述着装异常次数,进行着装监控的步骤包括:
判断所述人体目标的存在时间是否超出预设的行为持续时长阈值;
若所述人体目标的存在时间超出所述行为持续时长阈值,则重置所述着装异常次数,并重新记录该人体目标的存在时间以及重新进行着装异常判断;
若所述人体目标的存在时间未超出所述行为持续时长阈值,则判断所述人体目标的着装异常次数是否大于或等于预设的异常次数阈值;
若所述人体目标的着装异常次数大于或等于所述异常次数阈值,则发出着装异常警示,完成着装监控;
所述异常次数阈值的获取步骤包括:根据所述人体目标的存在时间、预设的图像识别速度和着装异常行为命中率,获取所述异常次数阈值,获取所述异常次数阈值的数学表达为:
C=t×V×β
其中,C为异常次数阈值,t为人体目标当前的存在时间,V为图像识别速度,β为着装异常行为命中率。
本实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本实施例中的任一项方法。
本实施例还提供一种电子终端,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行本实施例中任一项方法。
本实施例中的计算机可读存储介质,本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供的电子终端,包括处理器、存储器、收发器和通信接口,存储器和通信接口与处理器和收发器连接并完成相互间的通信,存储器用于存储计算机程序,通信接口用于进行通信,处理器和收发器用于运行计算机程序,使电子终端执行如上方法的各个步骤。
在本实施例中,存储器可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种着装监控方法,其特征在于,包括:
采集素材图片,将所述素材图片输入预先训练好的特征提取模型进行特征提取,获取服装底库,所述服装底库包括:人体素材特征和对应的服装类型;
获取着装监控任务;
根据所述着装监控任务中的监控服装类型,调用所述服装底库中的相关人体素材特征;
获取待识别图片;
将所述待识别图片输入特征提取模型进行特征提取,获取目标特征关联信息,所述目标特征关联信息包括:人体整体特征、人体局部特征及与人体局部特征相对应的局部置信度;
根据所述相关人体素材特征和目标特征关联信息,进行着装监控。
2.根据权利要求1所述的着装监控方法,其特征在于,获取服装底库的步骤包括:
对所述素材图片进行服装类别标记;
将标记后的素材图片输入所述特征提取模型进行特征提取,获取多个人体素材特征,所述人体素材特征包括:整体素材特征、局部素材特征及与局部素材特征相对应的局部置信度;
所述局部素材特征包括头部区域素材特征和肩腰区域素材特征,获取所述头部区域素材特征和肩腰区域素材特征对应的局部置信度;
判断所述头部区域素材特征和肩腰区域素材特征对应的局部置信度是否超出预设的置信度阈值;
若所述头部区域素材特征的局部置信度和/或肩腰区域素材特征的局部置信度未超出所述置信度阈值,则过滤所述对应的人体目标,完成所述服装底库的获取。
3.根据权利要求1所述的着装监控方法,其特征在于,所述特征提取模型的获取步骤包括:
获取训练集,所述训练集包括:多个训练样本、与训练样本相对应的真实样本特征,以及所述真实样本特征对应的真实置信度;
将所述训练样本输入神经网络进行特征提取,获取预测样本特征,以及所述预测样本特征的预测置信度,所述预测样本特征包括:预测样本整体特征和预测样本局部特征;
根据所述真实样本特征、真实置信度、预测样本特征和预测置信度,对所述神经网络进行训练,获取所述特征提取模型。
4.根据权利要求1所述的着装监控方法,其特征在于,根据所述相关人体素材特征和目标特征关联信息,进行着装监控的步骤包括:
获取所述着装监控任务中的对比方式,所述对比方式包括:白名单对比和黑名单对比;
将所述待识别图片输入所述特征提取模型进行人体目标提取,获取对应的人体目标;
判断所述人体目标是否在预设的目标区域内,对未在所述目标区域内的人体目标进行一次过滤;
判断人体目标的人体局部特征中的头部区域特征的局部置信度和肩腰区域特征的局部置信度是否超出预设的置信度阈值,若所述头部区域特征的局部置信度和/或肩腰区域特征的局部置信度未超出所述置信度阈值,则判定对应的人体目标没有上半身,进而对所述人体目标进行二次过滤;
过滤完成后,将人体整体特征与所述相关人体素材特征中的人体整体素材特征进行一次对比,获取第一相似度;
根据所述对比方式和第一相似度,进行着装监控。
5.根据权利要求4所述的着装监控方法,其特征在于,根据所述对比方式和第一相似度,进行着装监控的步骤包括:
若所述对比方式为白名单对比,则当所述第一相似度未超出预设的相似度阈值时,判定对应的人体目标出现着装异常,并对所述人体目标的着装异常次数累加一次;
当所述第一相似度超出所述相似度阈值时,则将人体局部特征中的肩腰区域特征与相关人体素材特征中的肩腰区域素材特征进行二次对比,获取第二相似度;
判断所述第二相似度是否超出所述相似度阈值,若所述第二相似度未超出所述相似度阈值,则判定对应的人体目标出现着装异常,并对所述人体目标的着装异常次数累加一次;
根据所述着装异常次数,进行着装监控。
6.根据权利要求4所述的着装监控方法,其特征在于,根据所述对比方式和第一相似度,进行着装监控的步骤还包括:
若所述对比方式为黑名单对比,则当所述第一相似度超出预设的相似度阈值时,判定对应的人体目标出现着装异常,并对所述人体目标的着装异常次数累加一次;
当所述第一相似度未超出所述相似度阈值时,则将所述人体局部特征中的肩腰区域特征与相关人体素材特征中的肩腰区域素材特征进行三次对比,获取第三相似度;
判断所述第三相似度是否超出所述相似度阈值,若所述第三相似度超出所述相似度阈值,则判定对应的人体目标出现着装异常,并对所述人体目标的着装异常次数累加一次;
根据所述着装异常次数,进行着装监控。
7.根据权利要求5或6所述的着装监控方法,其特征在于,根据所述着装异常次数,进行着装监控的步骤包括:
判断所述人体目标的存在时间是否超出预设的行为持续时长阈值;
若所述人体目标的存在时间超出所述行为持续时长阈值,则重置所述着装异常次数,并重新记录该人体目标的存在时间以及重新进行着装异常判断;
若所述人体目标的存在时间未超出所述行为持续时长阈值,则判断所述人体目标的着装异常次数是否大于或等于预设的异常次数阈值;
若所述人体目标的着装异常次数大于或等于所述异常次数阈值,则发出着装异常警示,完成着装监控;
所述异常次数阈值的获取步骤包括:根据所述人体目标的存在时间、预设的图像识别速度和着装异常行为命中率,获取所述异常次数阈值,获取所述异常次数阈值的数学表达为:
C=t×V×β
其中,C为异常次数阈值,t为人体目标当前的存在时间,V为图像识别速度,β为着装异常行为命中率。
8.一种着装监控***,其特征在于,包括:
预处理模块,用于采集素材图片,将所述素材图片输入预先训练好的特征提取模型进行特征提取,获取服装底库,所述服装底库包括:人体素材特征和对应的服装类型;
资源调度模块,用于获取着装监控任务;根据所述着装监控任务中的监控服装类型,调用所述服装底库中的相关人体素材特征;
着装监控模块,用于获取待识别图片;将所述待识别图片输入特征提取模型进行特征提取,获取目标特征关联信息,所述目标特征关联信息包括:人体整体特征、人体局部特征及与人体局部特征相对应的局部置信度;根据所述相关人体素材特征和目标特征关联信息,进行着装监控;所述预处理模块、资源调度模块和着装监控模块连接。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法。
10.一种电子终端,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述终端执行如权利要求1至7中任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111165053.5A CN113837138B (zh) | 2021-09-30 | 2021-09-30 | 一种着装监控方法、***、介质及电子终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111165053.5A CN113837138B (zh) | 2021-09-30 | 2021-09-30 | 一种着装监控方法、***、介质及电子终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113837138A true CN113837138A (zh) | 2021-12-24 |
CN113837138B CN113837138B (zh) | 2023-08-29 |
Family
ID=78967983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111165053.5A Active CN113837138B (zh) | 2021-09-30 | 2021-09-30 | 一种着装监控方法、***、介质及电子终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113837138B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113989858A (zh) * | 2021-12-28 | 2022-01-28 | 安维尔信息科技(天津)有限公司 | 一种工作服识别方法及*** |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100030578A1 (en) * | 2008-03-21 | 2010-02-04 | Siddique M A Sami | System and method for collaborative shopping, business and entertainment |
CN106778609A (zh) * | 2016-12-15 | 2017-05-31 | 国网浙江省电力公司杭州供电公司 | 一种电力施工现场人员制服穿着识别方法 |
CN107818489A (zh) * | 2017-09-08 | 2018-03-20 | 中山大学 | 一种基于着装解析及人体检测的多人服装检索方法 |
US20180322333A1 (en) * | 2017-05-04 | 2018-11-08 | Intel Corporation | Method and apparatus for person recognition |
CN109101922A (zh) * | 2018-08-10 | 2018-12-28 | 广东电网有限责任公司 | 作业人员着装分析方法、装置及电子设备 |
CN110188724A (zh) * | 2019-06-05 | 2019-08-30 | 中冶赛迪重庆信息技术有限公司 | 基于深度学习的安全帽定位与颜色识别的方法及*** |
CN110287804A (zh) * | 2019-05-30 | 2019-09-27 | 广东电网有限责任公司 | 一种基于移动视频监控的电力作业人员着装识别方法 |
CN110569722A (zh) * | 2019-08-01 | 2019-12-13 | 江苏濠汉信息技术有限公司 | 基于视觉分析的施工人员着装规范检测方法及装置 |
CN110781976A (zh) * | 2019-10-31 | 2020-02-11 | 重庆紫光华山智安科技有限公司 | 训练图像的扩充方法、训练方法及相关装置 |
CN111401314A (zh) * | 2020-04-10 | 2020-07-10 | 上海东普信息科技有限公司 | 着装信息检测方法、装置、设备及存储介质 |
CN111444767A (zh) * | 2020-02-25 | 2020-07-24 | 华中科技大学 | 一种基于激光雷达的行人检测和追踪方法 |
CN111723844A (zh) * | 2020-05-19 | 2020-09-29 | 上海明略人工智能(集团)有限公司 | 聚类中心的确定方法、***和图片类型的确定方法、装置 |
CN112364734A (zh) * | 2020-10-30 | 2021-02-12 | 福州大学 | 基于yolov4和CenterNet的异常着装检测方法 |
-
2021
- 2021-09-30 CN CN202111165053.5A patent/CN113837138B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100030578A1 (en) * | 2008-03-21 | 2010-02-04 | Siddique M A Sami | System and method for collaborative shopping, business and entertainment |
CN106778609A (zh) * | 2016-12-15 | 2017-05-31 | 国网浙江省电力公司杭州供电公司 | 一种电力施工现场人员制服穿着识别方法 |
US20180322333A1 (en) * | 2017-05-04 | 2018-11-08 | Intel Corporation | Method and apparatus for person recognition |
CN107818489A (zh) * | 2017-09-08 | 2018-03-20 | 中山大学 | 一种基于着装解析及人体检测的多人服装检索方法 |
CN109101922A (zh) * | 2018-08-10 | 2018-12-28 | 广东电网有限责任公司 | 作业人员着装分析方法、装置及电子设备 |
CN110287804A (zh) * | 2019-05-30 | 2019-09-27 | 广东电网有限责任公司 | 一种基于移动视频监控的电力作业人员着装识别方法 |
CN110188724A (zh) * | 2019-06-05 | 2019-08-30 | 中冶赛迪重庆信息技术有限公司 | 基于深度学习的安全帽定位与颜色识别的方法及*** |
CN110569722A (zh) * | 2019-08-01 | 2019-12-13 | 江苏濠汉信息技术有限公司 | 基于视觉分析的施工人员着装规范检测方法及装置 |
CN110781976A (zh) * | 2019-10-31 | 2020-02-11 | 重庆紫光华山智安科技有限公司 | 训练图像的扩充方法、训练方法及相关装置 |
CN111444767A (zh) * | 2020-02-25 | 2020-07-24 | 华中科技大学 | 一种基于激光雷达的行人检测和追踪方法 |
CN111401314A (zh) * | 2020-04-10 | 2020-07-10 | 上海东普信息科技有限公司 | 着装信息检测方法、装置、设备及存储介质 |
CN111723844A (zh) * | 2020-05-19 | 2020-09-29 | 上海明略人工智能(集团)有限公司 | 聚类中心的确定方法、***和图片类型的确定方法、装置 |
CN112364734A (zh) * | 2020-10-30 | 2021-02-12 | 福州大学 | 基于yolov4和CenterNet的异常着装检测方法 |
Non-Patent Citations (2)
Title |
---|
孙懿: "施工现场人员类型识别方法的研究与实现", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 7, pages 042 - 600 * |
潘坚跃等: "人体及穿戴特征识别在电力设施监控中的应用", 《电子设计工程》, vol. 23, no. 10, pages 68 - 71 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113989858A (zh) * | 2021-12-28 | 2022-01-28 | 安维尔信息科技(天津)有限公司 | 一种工作服识别方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113837138B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109765539B (zh) | 室内用户行为监测方法和装置、电器设备和家居监控*** | |
CN112561948B (zh) | 基于时空轨迹的伴随轨迹识别方法、设备及存储介质 | |
CN108256404B (zh) | 行人检测方法和装置 | |
CN108038176B (zh) | 一种路人库的建立方法、装置、电子设备及介质 | |
CN106845352B (zh) | 行人检测方法和装置 | |
CN110674696B (zh) | 一种监控方法、装置、***、监控设备及可读存储介质 | |
CN109426785B (zh) | 一种人体目标身份识别方法及装置 | |
CN110390229B (zh) | 一种人脸图片筛选方法、装置、电子设备及存储介质 | |
CN111210399B (zh) | 一种成像质量评价方法、装置及设备 | |
CN110717358B (zh) | 访客人数统计方法、装置、电子设备及存储介质 | |
CN111225234A (zh) | 视频审核方法、视频审核装置、设备和存储介质 | |
CN111161206A (zh) | 一种图像抓拍方法、监控相机及监控*** | |
CN109670383A (zh) | 视频遮蔽区域选取方法、装置、电子设备及*** | |
CN112001230A (zh) | 睡觉行为的监控方法、装置、计算机设备和可读存储介质 | |
CN108416298B (zh) | 一种场景判断方法及终端 | |
CN111814510A (zh) | 一种遗留物主体检测方法及装置 | |
CN112381054A (zh) | 摄像机的工作状态检测方法及相关设备、*** | |
CN113269046A (zh) | 一种高空坠物识别方法及*** | |
CN115273208A (zh) | 轨迹生成方法、***、装置及电子设备 | |
CN113837138A (zh) | 一种着装监控方法、***、介质及电子终端 | |
CN110808995A (zh) | 安全防护方法和装置 | |
CN110505438B (zh) | 一种排队数据的获取方法和摄像机 | |
CN112115745A (zh) | 一种商品漏扫码行为识别方法、装置及*** | |
CN111753587A (zh) | 一种倒地检测方法及装置 | |
CN114913600A (zh) | 一种电表窃电检测方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |