[发明专利]一种面向数据中心的人体行为属性实时检测方法和系统

说明书

本发明提出了一种面向数据中心的人体行为属性实时检测方法和系统，该方法包括：获取数据中心在不同环境下不同人体的属性识别数据集；标注属性识别数据集中的人体目标框及属性标签，对标注完成后的数据集进行划分；对划分后数据集图片首先采用拼接和裁切的方式进行预处理，然后将人体目标框与属性识别相结合构建人体属性识别一体化检测网络，通过改进人体属性损失函数对检测网络进行迁移学习训练；将训练后的模型进行部署，实现在线推理与人体属性预测。基于该方法，本发明还提出了一种面向数据中心的人体行为属性实时检测系统。本发明改进了网络的损失函数来消除属性中正负样本不平衡的问题，为高精度的智能识别提供保障。

技术领域

本发明属于数据中心与人工智能中的图像识别技术领域，特别涉及一种面向数据中心的人体行为属性实时检测方法和系统。

背景技术

随着信息技术的不断发展以及人工智能技术的不断进步，数据中心的智能化发展已成为新的趋势。模块化数据中心(MDC)是为了适应云计算、虚拟化、集中化的服务器的发展趋势而采用的新的设计理念，它采用的模块化的设计思想，能够快速部署且易于扩展。运维管理是数据中心中的重要一环，对数据中心中的人员的作业行为进行监测，能够及时发现潜在的安全隐患，并及时提供预警机制，保证作业人员的安全以及数据中心的安全可靠运行。随着数据中心规模的不断增大，整体系统变得庞大且复杂，当数据中心中的一个环节发生异常就会造成整个系统的停机，给企业生产造成巨大的损失。在数据中心的状态检测当中，人员检测是其中的重要环节。该环节主要是针对作业过程中的不规范而造成的安全隐患。具体的这些安全隐患行为包括：未穿静电服，未佩戴安全帽、吸烟、以及随意搬运服务器等。如果现场监测人员未能发现作业人员存在的不规范行为，将会对数据中心造成安全隐患，严重情况下会对操作人员的安全造成威胁。

传统的数据中心的作业行为规范主要是通过巡检人员的安全检查，即通过现场巡检或者通常视频监测中的人工识别的方式进行。另外，随着人工智能与图像识别技术在数据中心的应用，基于机器学习与深度学习的人体属性识别技术开始应用。现有的智能识别方法主要包括基于机器学习的人体行为属性识别方法以及基于深度学习方法。机器学习的人体行为属性识别方法主要通过人工提取人体图像特征，通过手动设计的特征配合监督学习方法对行为属性模型进行训练，对训练完成的模型进行离线或在线部署，实现推理预测。深度学习的人体属性识别利用属性识别网络来获取人体属性的语义特征，将特征提取后的各个属性视为独立的部分或建立属性之间的内在联系，从而建立人体特征与行为属性之间的非线性映射。

数据中心采用人工巡检或者视频监控人工进行行为属性的监测方法效率低下且人工监测容易存在漏检。基于机器学习的人体属性识别方法通过人工进行特征提取，并配合后续的识别模型对属性进行预测。该方法在人工特征提取上较为繁琐，且人体属性识别的效果取决于所提取特征的质量，由于在实际应用中，受到人体外观、行为、姿态以及光照等因素的影响，传统的机器学习方法的应用较为困难。基于深度学习的人体属性识别方法主要采用的策略为首先通过目标检测方法对人体进行识别，在此基础上通过独立的人体属性识别网络或关联的人体属性识别网络对人体行为属性进行识别，该方法采用了级联的方式，即将人体识别与行为属性识别视为两个独立的部分，该方法存在以下缺点：1)采用多级串联的网络方式需要分别对两级网络进行单独训练，在网络训练以及调优上存在不便；2)在推理端由于级联方式的存在，需要耗费两部分的网络推理时间，不利于嵌入式端部署中的实时性要求；3)行为属性识别端的网络识别结果受到人体检测网络识别结果的影响。因此，传统的人工现场巡检或者人工视频监控的方式存在效率低下，且容易存在漏检的缺点；采用传统的机器学习以及现有的深度学习的方式由于受到外界环境或者网络结构的影响较难在数据中心现场中应用。

发明内容

为了解决上述技术问题，本发明提出了一种面向数据中心的人体行为属性实时检测方法和系统，改进了网络的损失函数来消除属性中正负样本不平衡的问题，在保证实时性的同时不失精度，能够达到目前先进的人体属性识别的模型的精度，为高精度的智能识别提供保障。

实现上述目的，本发明采用以下技术方案：