[发明专利]一种基于目标检测模型的超时劳动判别方法

说明书

本发明提供了一种基于目标检测模型的超时劳动判别方法，其主要步骤包括：(1)输入待识别的监控视频数据及工作的起止时间；(2)对视频数据作预处理后使用基于深度卷积神经网络的目标检测模型自动检测视频帧画面中的人及人头目标；(3)同时识别视频帧画面中的时间水印；(4)根据检测识别结果判别是否超时劳动；(5)根据判别结果，如果是则截取相应视频片段并保存，反之则重复步骤(2)～(5)直到处理完视频数据。本方法可以快速检测出监控视频场景下的小目标，并能实现对生产车间超过规定劳动时长的自动判别。

技术领域

本发明涉及一种基于目标检测模型的超时劳动判别方法，属于计算机视觉技术领域。

背景技术

在生产车间、特殊场所的视频监控场景下，面临图像方向多变、光照多变、目标物体遮挡、远近距离分布不确定等因素，使得该场景下的目标检测精度不太高，不能较好的满足工程实际需求。视频画面字幕识别是图像字符识别技术的推广应用，传统基于规则的固定区域的字符识别存在漏检率、误识别高等问题，且不能完全自动化实现业务需求。

近年来随着深度学习在计算机视觉领域的广泛应用，基于深度学习的目标检测识别模型极大提高了目标检测的精度和识别效果。为了有效提升视频监控场景下的小目标、多目标检测及图像字幕识别性能，基于深度学习，利用迁移学习的思想，训练视频目标检测模型、视频帧图像字幕识别模型并应用于生产车间、劳动场所等情形下的超时劳动识别，其精度和速度均满足基本业务需求。

发明内容

为解决上述技术问题，本发明提供了一种基于目标检测模型的超时劳动判别方法，该基于目标检测模型的超时劳动判别方法主要使用基于深度学习的目标检测模型并结合规范制度综合判别超时劳动的异常行为。

本发明通过以下技术方案得以实现。

本发明提供的一种基于目标检测模型的超时劳动判别方法，包括以下步骤：

视频数据预处理：对输入的待识别视频数据进行采样并作图像增强、缩放；

视频目标检测与识别：利用迁移学习方法调整基于深度卷积神经网络的目标检测模型，用调整后的目标检测模型对预处理后视频数据中的人及人头目标进行快速检测，同时采用图像文本检测与识别算法训练用于识别视频帧画面中时间水印的图像OCR算法模型；

超时劳动判别及结果处理：基于视频帧画面中检测到的目标及时间水印，与设定的工作起止时间进行对比，判别是否超过规定工作结束时间的阈值，从而判断是否发生超时劳动的现象，如果是则截取对应时间段的视频片段并保存到异常视频库，否则返回视频预处理环节继续处理直到处理完毕。

视频数据预处理具体分为以下步骤：

①输入视频及工作起止时间：输入待识别监控视频数据作为处理对象，同时传入规定的工作起止时间作为判别超时劳动的参照标准；

②视频数据预处理：利用下采样的方式，按设定的间隔帧率采样视频帧，同时对采样视频帧进行图像增强、尺度变换的预处理操作。

视频目标检测与识别具体分为以下步骤：

③采样视频帧目标检测：在大规模图像分类数据集上，基于YOLO 系列算法进行预训练，获取目标检测模型，再使用人头数据集调整目标检测模型，使得目标检测模型能够同时检测视频帧画面中的人及人头目标；

④识别采样视频帧时间水印：基于公开中英文数据集，通过EAST 文本检测算法和CRNN文本识别算法共同实现对视频帧画面中时间水印的识别。

超时劳动判别及结果处理具体分为以下步骤：

⑤判别是否超时劳动：统计视频帧画面中的人及人头目标数，根据画面时间与工作起止时间的对比结果并结合目标检测结果综合判别是否超时劳动；