[发明专利]一种厂区工作人员搜索方法及人员识别模型的训练方法

说明书

本发明公开了一种厂区人员搜索方法，无需对人员区域预先标注，直接输入煤矿区域无标注监控视频生图，先通过本发明提出的多尺度YOLOv4人员检测算法获得煤矿人员的区域边界和位置，再针对煤矿人员统一着装问题，提供一种人员识别模型的训练方法，首先对人员区域采用微调的ResNet50进行特征提取，然后，采用权重约束难样本采样损失函数和边界余弦Softmax损失函数联合监督来训练神经网络识别特征学习，获取检测人员的身份信息识别，实现了较好的一定区域人员的无标注搜索效果。

技术领域

本发明涉及智能监控技术领域，特别是涉及一种区域人员搜索方法。

背景技术

在目前大多数的厂区人员管理中，通过视频监控搜索特定人员进行目标检测和人员身份识别可以提高人员管理效率并提高员工的安全管理和规责管理，然而在现有技术中，因为视频监控摄像头距离目标较远，而厂区内工作人员因穿着统一工作服导致身份难以辨认，加上厂区内还存在大面积遮挡、光照变化等因素影响，导致人员搜索和识别结果不佳，很难满足厂区人员安全管理等多项管理需求。

人员搜索的首要关键任务是目标检测，目前针对目标检测的研究大多分为两步法(Two-stage)和一步法(One-stage)两种方法。其中，区域卷积神经网络(RegionCNN，R-CNN)等两步法将检测过程分为候选区域生成和区域分类两个阶段，导致训练模型不易优化。YOLOv1(Youonlylookonce)是典型的一步法检测，它把检测任务当作一个回归问题，用一个网络直接从图像中输出位置和类别结果，基于整幅图像进行训练和测试，即使在训练集与测试集类型不同时，也能学习到目标的通用表征，与R-CNN等两步法相比降低了计算复杂度，提高了模型的预测准确性和泛化能力。但YOLOv1的预测空间约束限制了预测数量，并且网络损失函数近似方法对于小边界框检测物体的影响较大，导致定位准确性的降低。为解决该问题，YOLOv2提出将检测和分类数据相结合的联合训练算法，YOLOv3采用逻辑回归的边界框预测方法，提升了检测性能。YOLOv4在YOLOv3的基础上总结目标检测技巧并通过大量实验找出最佳组合，可以实现高精度、高速度的煤矿井下人员检测，现有煤矿人员搜索方法的研究，大多也只针对人员检测，而检测仅仅能够获取行人位置及边界信息，无法对其身份进行识别，对实现煤矿安全监控具有一定的局限性。

人员重识别是指对于给定的目标行人图像，在不同的摄像头以及不同的场景下搜索视频中该目标行人的图像，实现人员身份的辨认和识别，结合人员检测可实现煤矿人员搜索。与传统基于手工特征提取和距离度量学习的行人重识别方法相比，基于深度学习的行人重识别能学习到更丰富、更具识别力的特征，并能实现特征提取和度量学习的端对端协同训练。基于深度学习的行人重识别方法主要包括分类模型和验证模型两种，分类模型将人员身份作为类别标签，通过训练分类损失优化网络，验证模型学习人员外观特征，增大不同身份人员之间的距离度量，减小相同身份人员之间的距离度量。但目前关于行人重识别方法的研究大多基于已裁剪好的行人图像，而在实际煤矿场景中，需要先对行人区域进行预先标注才能进行后续的人员重识别工作。

发明内容

为了克服上述现有技术的不足，本发明提供了一种区域人员搜索方法，整体框架如图1所示，无需对人员区域预先标注，获取煤矿井下无标注监控视频生图，输入本方案模型训练方法获得的识别模型，即可实现煤矿人员的无标注搜索。

本发明所采用的技术方案是：

第一方面，本发明提供一种区域人员搜索方法，如图1所示包括：

输入一张包含目标搜索人员的标注监控视频图，并获取特定时间段和区域内监控范围内的无标注监控视频生图；

从所述标注监控视频图中获取目标人员矩形图像截图；

对所述无标注监控视频生图进行人员检测，获得待确定人员矩形图像截图和待确定人员位置信息；