[发明专利]一种实时吸烟打电话识别方法

说明书

本发明公开了一种实时吸烟打电话识别方法，包括以下步骤：S1：建立实时吸烟打电话识别模型；S2：根据目标场景的监控视频，利用多目标追踪算法定位人行区域；S3：根据所述实时吸烟打电话识别模型，对所述人行区域进行吸烟打电话实时识别。本发明以Se‑Res2Block为基础模块构建主干网络，不仅可以融合更多特征还能提高检测速度；针对小目标识别精度低的问题，增大输入图像的分辨率，引入SPP模块和ASFF模块，增强上下文之间的信息交互，提高对小目标的识别精度；现有的吸烟打电话方法大多是单帧检测，误检率高，通过多目标追踪算法引入多帧信息，计算行人区域与手机、香烟矩形框之间的IOU方法可以降低误检率，鲁棒性更高。

技术领域

本发明涉及计算机视觉中的目标检测技术领域，特别涉及一种实时吸烟打电话识别方法。

背景技术

吸烟打电话识别在加油站、化工等领域中具有重要的作用。在实际应用中现有的吸烟打电话识别算法存在以下几个缺点：(1)吸烟打电话检测一般采用目标检测算法，比如：SDD、RCNN等，但是这些算法对GPU资源要求较高，增加部署成本；(2)手机、香烟目标小，难以检测；(3)单帧检测，误检率高，鲁棒性低。

发明内容

针对上述问题，本发明旨在提供一种实时吸烟打电话识别方法。

本发明的技术方案如下：

一种实时吸烟打电话识别方法，包括以下步骤：

S1：建立实时吸烟打电话识别模型；

S2：根据目标场景的监控视频，利用多目标追踪算法定位人行区域；

S3：根据所述实时吸烟打电话识别模型，对所述人行区域进行吸烟打电话实时识别。

作为优选，步骤S1中，建立所述实时吸烟打电话识别模型具体包括以下子步骤：

S11：采集吸烟打电话图片数据获得数据集，对所述数据集中的对象进行标注，并将所述数据集分为训练集、验证集和测试集，所述对象包括行人、手机、香烟；

S12：建立改进YOLOV3模型，具体包括以下子步骤：

S121：以Se-Res2Block作为基础模块构建轻量级主干网络；

S122：在所述轻量级主干网络后引入SPP模块，并调整输入图像的分辨率；

S123：增加ASFF模块，得到所述改进YOLOV3模型；

S13：将所述训练集中的数据通过kmeans聚类算法生成anchors，需要生成的anchor数量为9；

S14：将训练集和验证集的数据作为改进YOLOV3模型的输入，训练和验证所述改进YOLOV3模型；

S15：将测试集的数据作为所述改进YOLOV3模型的输入，测试所述改进YOLOV3模型的准确性；当准确性达到目标阈值时，得到所述实时吸烟打电话识别模型。

作为优选，步骤S11中，对数据集中的对象进行标注时，采用yolomark进行标注。

作为优选，步骤S11中，所述训练集、验证集和测试集的划分比例为8:1:1。

作为优选，步骤S121中，所述Se-Res2Block模块由Res2Bolck模块和通道注意力机制两部分组成，且所述通道注意力机制设置在所述Res2Block模块后。

作为优选，所述轻量级主干网络包括依次相连的两个步长为2的3×3卷积，一个瓶颈层，三个Se-Res2Block模块，卷积核数量为36，一个瓶颈层，三个Se-Res2Block模块，卷积核数量为72，一个瓶颈层，三个Se-Res2Block模块，卷积核数量为144。