[发明专利]一种多场景反光背心穿戴识别模型创建方法及相关组件

说明书

本申请公开了一种多场景反光背心穿戴识别模型创建方法及相关组件。该方法包括：基于以卷积神经网络为基础的目标检测模块和预先创建的无监督领域自适应模块构建第一待训练网络；基于以卷积神经网络为基础的目标分类模块和无监督领域自适应模块构建第二待训练网络；获取包含行人的场景图像以生成第一训练集，并利用第一训练集训练第一待训练网络以得到适用于多场景的行人检测网络；获取穿戴反光衣的行人图像和未穿戴反光衣的行人图像以生成第二训练集，并利用第二训练集训练第二待训练网络以得到分类网络；连接行人检测网络和分类网络，以得到多场景反光背心穿戴识别模型。通过无监督领域自适应模块实现迁移学习，增强了模型的多场景泛化能力。

技术领域

本发明涉及计算机技术领域，特别涉及一种多场景反光背心穿戴识别模型创建方法、装置、设备及存储介质。

背景技术

当前，在道路施工、工厂监管、车站和机场客流引导等多种工作场景下，为避免事故发生，通常要求工作人员穿着色彩醒目的反光背心，以使设备操作人员能够直观观察场地其他工作人员并及时处理突发状况。但工作环境空间开阔，工作时间有大量人员涌入或滞留，依靠人眼观察并判断工作人员是否穿戴反光背心费时费力，且随光线、角度等环境变化依靠人眼易造成工作人员反光背心穿戴误识别。随深度学习发展，依靠融合深度卷积神经网络的视频监控设备，能够在一定程度识别人员反光背心穿戴情况，减轻人力负担。

现有技术中，基于深度学习的反光背心识别方法多采用传统目标检测模型或目标检测与分类组合模型的方法对反光背心穿戴状态做检测或分类判断，即通过行人检测模型检测出画面中的行人区域图像，再通过分类模型对行人区域图像做分类。但上述方法对数据集统计概率分布要求高，训练集和测试集需近似独立同分布，且为拟合多种不同场景需在各个场景下取不同图像做手动标注并训练，训练所得模型受相机高度、角度、光线、分辨率等环境因素制约强，降低了模型精度，更换场景之后需要重新人工标注训练，费时费力泛化性差。因此，如何构建一种具有良好泛化性，能够简单便捷应用于多场景的反光背心穿戴识别模型是目前亟需解决的问题。

发明内容

有鉴于此，本发明的目的在于提供一种多场景反光背心穿戴识别模型创建方法、装置、设备及介质，能够在目标应用场景下无需人工标注即可实现反光衣穿戴识别，提升了复杂场景下反光衣穿戴识别的精确度。其具体方案如下：

第一方面，本申请公开了一种多场景反光背心穿戴识别模型创建方法，包括：

基于以卷积神经网络为基础的目标检测模块和预先创建的无监督领域自适应模块构建第一待训练网络；

基于以卷积神经网络为基础的目标分类模块和所述无监督领域自适应模块构建第二待训练网络；

获取包含行人的场景图像以生成第一训练集，并利用所述第一训练集训练所述第一待训练网络以得到适用于多场景的行人检测网络；

获取穿戴反光衣的行人图像和未穿戴反光衣的行人图像以生成第二训练集，并利用所述第二训练集训练所述第二待训练网络以得到分类网络；

连接所述行人检测网络和所述分类网络，以得到多场景反光背心穿戴识别模型。

可选的，所述获取包含行人的场景图像以生成第一训练集，并利用所述第一训练集训练所述第一待训练网络以得到适用于多场景的行人检测网络，包括：

获取第一目标场景下包含行人的场景图像作为源域场景图像并对所述源域场景图像添加相应的行人信息标注；所述行人信息标注包括行人标签和目标行人边界框坐标；

获取除所述第一目标场景以外任意场景下包含行人的场景图像作为目标域场景图像，按照第一预设比例从所述目标域场景图像中筛选出部分场景图像作为测试场景图像，并对所述测试场景图像添加相应的行人信息标注以得到第一测试集；

基于所述源域场景图像和筛选后目标域场景图像生成包含多个训练组的第一训练集；其中，每个所述训练组中包括一张所述源域场景图像和一张所述目标域场景图像；