[发明专利]基于弱监督协同学习算法的安全帽识别方法及存储介质

权利要求书

1.一种基于弱监督协同学习算法的安全帽识别方法，其特征在于，包括以下步骤：

步骤1、采用图像级别标签图像对弱监督协同学习算法网络进行训练；

步骤2、将待检测图像输入训练好的所述弱监督协同学习算法网络进行目标检测，得到概率向量；

步骤3、根据所述概率向量判定所述待检测图像中人物是否正确佩戴安全帽。

2.如权利要求1所述的基于弱监督协同学习算法的安全帽识别方法，其特征在于，所述采用图像级别的标签样本对弱监督协同学习算法网络进行训练，包括以下步骤：

步骤11、通过卷积层和ROI池化层对图像级别标签图像进行特征提取，得到包含样本实例训练图片包；

步骤12、弱监督学习模块根据所述训练图片包进行训练并生成边界框级别标签图像第一实例子集；

步骤13、有监督学习模块根据所述训练图片包以及所述边界框级别标签图像第一实例子集进行训练并生成边界框级别标签图像第二实例子集；

步骤14、有监督学习模块对所述边界框级别标签图像第一实例子集以及所述边界框级别标签图像第二实例子集进行计算一致性损失，并根据计算结果更新所述有监督学习模块的网络参数。

3.如权利要求2所述的基于弱监督协同学习算法的安全帽识别方法，其特征在于，所述弱监督学习模块根据所述训练图片包进行训练并生成边界框级别标签图像第一结果集，包括以下步骤：

步骤121、连续实例选择器对所述训练图片包中的样本实例进行子集划分；

步骤122、连续评估器根据所述训练图片包样本实例子集划分结果对所述训练图片包中的样本实例进行评估；

步骤123、将评估后的所述训练图片包作为边界框级别标签图像第一结果集。

4.如权利要求3所述的基于弱监督协同学习算法的安全帽识别方法，其特征在于，所述连续实例选择器对所述训练图片包中的样本实例进行子集划分，包括以下步骤：

步骤1211、连续实例选择器计算所述训练图片包中每个样本实例的得分，所述得分的计算公式为：S(t_i,j,σ_s)＝σ_s^T(FV_b-FV_f)，其中，t_ij表示第i个包中的第j个样本实例，σ_s是实例选择器的网络参数，FV_b是样本实例t_ij中背景的费舍尔向量，FV_f是样本实例t_ij中前景的费舍尔向量；

步骤1212、从所述训练图片包所有样本实例中选取得分最高且不属于任何一个边界框级别标签图像实例子集的样本实例，建立一个新的边界框级别标签图像实例子集；

步骤1213、将与步骤1211中所述得分最高的样本实例图片重叠面积大于或等于τ，且不属于任何一个边界框级别标签图像实例子集的样本实例归入相同的边界框级别标签图像实例子集中，其中，τ表示连续参数，取值范围为[0,1]；

步骤1214、根据已经建立的所述边界框级别标签图像实例子集计算连续实例选择器的目标函数值，所述连续实例选择器的目标函数为：

其中，t_i表示第i个训练图片包，t_i,β(τ)代表第i个包中的第β(τ)个实例子集，σ_s是实例选择器的网络参数，l_i代表第i个训练图片包的正负标志，N_β(τ)是实例子集t_i,β(τ)中实例的个数，t_i,j∈t_i,β(τ)；

步骤1215、判断所述连续实例选择器的目标函数值是否大于预设的阈值；

步骤1216、若所述连续实例选择器的目标函数值小于或等于预设的阈值，则跳转至步骤1212继续执行；

步骤1217、若所述连续实例选择器的目标函数值大于预设的阈值，则子集划分完成。