[发明专利]考虑分类器输出敏感度的变电作业人员着装鲁棒识别方法

说明书

本发明提供一种考虑分类器输出敏感度的变电作业人员着装鲁棒识别方法，涉及图像识别与分析领域，包括：获取人体图像，提取各单元的基于HOG和HOC算子的特征向量；采用K‑均值聚类方法求取径向基神经网络的关于特征向量的基函数中心；选用高斯函数作为径向基神经网络的基函数，并计算方差；采用蒙特卡洛法随机采样各个训练样本邻域中的点，求取各个训练样本的敏感度；根据训练样本敏感度建立考虑分类器输出敏感度的损失函数，并用最小二乘‑牛顿法迭代求解隐含层到输出层的权值，得到在训练样本上的径向基神经网络分类器；根据训练好的分类器对变电站作业人员进行着装识别，输出识别结果。增强了分类器在实际识别应用中的鲁棒性。

技术领域

本发明涉及图像识别与分析方法领域，特别涉及一种考虑分类器输出敏感度的变电作业人员着装鲁棒识别方法。

背景技术

随着视频监控技术的不断完善，智能视频监控系统在电力系统中得到越来越广泛的应用。视频图像的智能分析、检测及识别技术等不断发展，为无人值守的智能变电站发展提供了强有力的技术支撑。智能监控技术应用到变电站后，可通过对施工人员的行为智能分析，并根据需要进行安全告警，能有效地提高施工人员的安全行为和安全督查的效率与准确率。

目前，基于视频系统的对人体的识别和行为分析已经得到了较好的实现和应用，而在变电站内对作业人员的着装分析中，变电站作业环境复杂，经常出现遮挡、光照不均、大小和视角变化等情况，作业人员着装也存在新旧、身材等较大差异，且差异不好量化，在现有的方法中，通常需要收集大量的各类型样本数据来进行模型学习，同时模型需要不断的更新来满足新的变化能够有效识别。大量数据的采集、标记需要消耗很高的成本，并且模型的迭代更新也面临实际应用推广的挑战。

综上所述，现有的作业人员着装分析方法还需要进一步的改进，识别鲁棒性需要进一步提高。

发明内容

本发明的目的在于解决现有的变电作业人员着装分析方法在复杂变化的环境下识别准确率波动的问题，旨在提供一种在变电站应用测试环境下，能够对环境变化保持鲁棒性的作业人员着装分析方法。

本发明提出一种考虑分类器输出敏感度的变电作业人员着装鲁棒识别方法，包括以下步骤：

(1)获取人体图像，把图像按1:4:4的比例分成头盔、上衣和下衣三个单元，提取各单元的基于HOG(Histogram of Oriented Gradient，方向梯度直方图)和HOC(Histogramof Oriented Color，颜色直方图)算子的特征向量hog_i(i＝1,2,3)、hoc_i(i＝1,2,3)；

(2)采用K-均值聚类方法求取径向基神经网络关于训练样本特征向量hog_i(i＝1,2,3)、hoc_i(i＝1,2,3)的基函数中心c_j＝(j＝1,2,...,h)，h为在训练样本中所选取的聚类中心个数；

(3)选用高斯函数作为径向基神经网络的基函数，并计算方差σ_j(j＝1,2,3,...,h)；

(4)采用蒙特卡洛法随机采样各个训练样本邻域中的点，求取各个训练样本的敏感度sen_p(p＝1,2,...,m)，m为训练样本的总个数；

(5)根据训练样本敏感度建立考虑分类器输出敏感度的损失函数，并用最小二乘-牛顿法迭代求解隐含层到输出层的权值，得到在训练样本上的径向基神经网络分类器；

(6)根据训练好的分类器对变电站作业人员进行着装识别，输出识别结果。