[发明专利]基于改进HigherHRNet模型和DNN网络的地铁违规行为预警方法

说明书

本发明涉及一种基于改进HigherHRNet模型和DNN网络的地铁违规行为预警方法，包括以下步骤：1)对于待检测的地铁行为图像，通过构建HigherHRNet模型提取人体关节特征，包括关节点位置特征、关节点移动的特征以及人体移动的特征；2)根据提取出的人体关节特征构建进行预处理后形成数据集；3)采用DNN深度神经网络对数据集进行违规动作的识别，进而判断是否出现违规行为。与现有技术相比，本发明具有准确识别、区分人像、有效识别躺卧和不戴口罩行为等优点。

技术领域

本发明涉及公共交通目标检测技术领域，尤其是涉及一种基于改进HigherHRNet模型和DNN网络的地铁违规行为预警方法。

背景技术

HigherHRNet模型是目前在多人关节点识别任务bottom-up中最先进的算法，模型不仅在关节点定位上更加准确，还能够识别图片中人物较小的关节点。涉及到定位的任务时，需要在高分辨率时将目标的位置保存下来，然后在反卷积和上采样的过程中加入目标的位置，这样就可以实现目标的定位。例如，PersonLab通过提高输入分辨率来生成高分辨率的热图，Hourglass通过对称的低到高分辨率(symmetric low-to-high process)过程恢复高分辨率。SimpleBaseline采用少量的转置卷积层(transposed convolution layers)来生成高分辨率的表示，然而以上这几种方法无法生成高分辨率的热图，因此无法适应目前对地铁违规行为(不戴口罩)的检测和预警。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于改进HigherHRNet模型和DNN网络的地铁违规行为预警方法。

本发明的目的可以通过以下技术方案来实现：

一种基于改进HigherHRNet模型和DNN网络的地铁违规行为预警方法，包括以下步骤：

1)对于待检测的地铁行为图像，通过构建HigherHRNet模型提取人体关节特征，包括关节点位置特征、关节点移动的特征以及人体移动的特征；

2)根据提取出的人体关节特征构建进行预处理后形成数据集；

3)采用DNN深度神经网络对数据集进行违规动作的识别，进而判断是否出现违规行为。

所述的步骤1)中，对于模糊和不清晰的待检测图像，采用超分辨率重构处理使得重构之后的图像分辨率满足HigherHRNet模型的要求。

所述的步骤1)中，对于在夜晚的地铁车厢中出现地铁窗口镜子反射人影的情况，采用双阈值法判断是否为现实中的人，并剔除反射的人影。

所述的双阈值法通过各关节点之间的连线判断否是反射人影，具体包括以下步骤：

11)将图像中人形或反射的人影对应的n个关节点I₁,I₂,I₃,...I_n进行连线形成n条连线，则有：

其中，S_b为设定的长度阈值，若相邻关节点距离之和c₁大于该长度阈值，则判定为现实中的人，若小于该长度阈值，则判定为反射人影；

12)在步骤11)的判定结果上进一步进行判断，具体为：

W_x＝max(I_1x,I_2x,I_3x...I_nx)-min(I_1x,I_2x,I_3x...I_nx)