[发明专利]一种基于YOLOV5的危险区域人员监控方法

说明书

本发明公开了一种基于YOLOV5的危险区域人员监控方法，包括以下步骤：步骤1、构建深度学习模型训练集：从矿下监控视频流获取图像，并对图像进行样本标注；步骤2、利用步骤1标注好的样本训练基于YOLOV5的深度学习网络模型，步骤3、构建测试数据集，并传入训练好的深度学习网络模型进行测试，判断深度学习网络模型是否符合工程需求，若是则结束训练，否则修改网络参数重新进行训练；步骤4、利用训练好的深度学习网络模型对矿下视频监控中的人员危险行为进行识别，并输出识别结果。本发明在稳定基础的YOLOV5框架上，引入了更多特征提取和自适应模块，能有效地应用到实际的人员行为监控任务中，极大提高监控的数据解析能力。

技术领域

本发明属于图像检测和图像分割技术领域，特别涉及一种基于YOLOV5的危险区域人员监控方法。

背景技术

目标检测是泛身份识别领域的一个基础性的算法，是智能监控系统的核心部分，以及图像处理和计算机视觉学科的重要分支，同时目标检测对后续的人脸识别、步态识别、人群计数、实例分割等任务起着至关重要的作用。由于深度学习的广泛运用，目标检测算法得到了较为快速的发展。

基于YOLO的目标检测算法将对象检测重新定义为一个回归问题。它将单个卷积神经网络(CNN)应用于整个图像，将图像分成网格，并预测每个网格的类概率和边界框。

目标检测算法对每个类的对象应用一个称为“非最大抑制(Non MaxSuppression)”的方法来过滤出“置信度”小于阈值的边界框，这可以对图像进行预测。

目标检测的边界框可以使用四个描述符进行描述，分别为：边界框的中心、高度、宽度、值映射到对象所属的类。

暗图像增强算法用于增强图像中的有用信息，其目的是要改善图像的视觉效果。目前图像增强常用算法有：直方图均衡化、直方图规定化、基于物理模型图像增强算法、基于偏微分方程和变分的图像增强算法以及变化域图像增强算法等等，随着技术的发展，算法也在不断地改进。

发明内容

本发明的目的在于克服现有技术的不足，提供一种在稳定基础的YOLOV5框架上，引入了更多特征提取和自适应模块，能有效地应用到实际的人员行为监控任务中，可以极大地提高监控的数据解析能力的基于YOLOV5的危险区域人员监控方法。

本发明的目的是通过以下技术方案来实现的：一种基于YOLOV5的危险区域人员监控方法，包括以下步骤：

步骤1、构建深度学习模型训练集：从矿下监控视频流获取图像，并对图像进行样本标注；

步骤2、利用步骤1标注好的样本训练基于YOLOV5的深度学习网络模型，

步骤3、构建测试数据集，并传入训练好的深度学习网络模型进行测试，判断深度学习网络模型是否符合工程需求，若是则结束训练，否则修改网络参数重新进行训练；

步骤4、利用训练好的深度学习网络模型对矿下视频监控中的人员危险行为进行识别，并输出识别结果。

进一步地，所述步骤1包括以下子步骤：

步骤11、从矿下监控视频流获取图像，并对图像进行预处理：将亮度低于设定阈值的图像进行增强；然后对图像进行随机水平/垂直翻转、旋转、裁剪操作；

步骤12、将处理后的图像做样本标注，对每张图像上的人员的位置信息做预先标注。

进一步地，所述深度学习网络模型由三个主要组件组成：

1)Backbone组件：在不同图像细粒度上聚合并形成图像特征的卷积神经网络；

2)Neck组件：一系列混合和组合图像特征的网络层，并将图像特征传递到预测层；

3)Prediction组件：对图像特征进行预测，生成边界框并预测类别。