[发明专利]建筑工地人员识别方法、可读存储介质和电子设备

权利要求书

1.一种建筑工地人员识别方法，其特征在于，所述方法包括：

获取目标区域的待识别图像；

根据深度可分离卷积特征提取模块对待识别图像进行特征提取，得到分级的多通道特征集；

根据特征金字塔模块，对所述分级多通道特征集分级融合，得到分级特征图集；

根据非局部特征增强模块，对所述分级特征图集特征增强，得到增强特征图集；

对增强特征图集进行识别，获得目标区域的识别结果。

2.如权利要求1所述的建筑工地人员识别方法，其特征在于，根据深度可分离卷积特征提取模块对待识别图像进行特征提取，得到分级的多通道特征图集，包括：

根据深度可分离卷积模块对识别图像进行分通道深度卷积，得到中间多通道特征图集；

根据逐点卷积模块对所述中间多通道特征进行线性连接，得到分级的多通道特征图集。

3.如权利要求1所述的建筑工地人员识别方法，其特征在于，根据特征金字塔模块，对所述分级多通道特征集分级融合，得到分级特征图集之前，还包括：

根据空间注意力模块对至少一个分级的多通道特征进行特征聚焦，得到聚焦的多通道特征图集。

4.如权利要求3所述的建筑工地人员识别方法，其特征在于，所述空间注意力模块，其公式表达如下：

f_S＝sigmoid{C^7×7[GAP(f'),GMP(f')}

f'＝F[f,d_conv2(f),d_conv4(f)]

其中，f_S为聚焦特征图，C^7×7表示7×7卷积，GAP表示全局平均池化，GMP表示全局最大池化，sigmoid{*}为激活函数，d_conv2和d_conv4分别表示空洞因子为2和4的空洞卷积，F[*]表示上采样融合操作。

5.如权利要求1所述的建筑工地人员识别方法，其特征在于，根据非局部特征增强模块，对所述分级特征图集特征增强，得到增强特征图集，包括：

将部分所述分级特征图集的初始尺度进行尺度调节，得到统一尺度特征图集；

对所述统一尺度特征图集进行加权融合，得到融合特征图集；

对融合特征图集进行特征增强，得到增强融合特征图集；

将增强融合特征图集还原为初始尺度，并与相应分级特征图集加和，得到增强特征图集。

6.如权利要求5所述的建筑工地人员识别方法，其特征在于，所述非局部特征增强模块算法如下：

其中，P'_i为非局部特征增强模块的输出，P_i为特征金字塔模块第i层的输出，w_j为权重因子，∑_jw_j为归一化后的权重因子，f为Non-Local注意力增强函数，g为特征图尺度调节函数；

Non-Local注意力增强函数如下式：

其中，C(x)为归一化因子，f_nl为相似性度量函数，用于计算特征图x中代表i，j两个点相关关系的标量，使用了嵌入式高斯(embedded Gussian)，g_nl为1×1卷积特征映射函数。

7.如权利要求1所述的建筑工地人员识别方法，其特征在于，对增强特征图集进行识别，获得目标区域的识别结果，包括：

根据增强特征图集，得到水平候选框和锚框生成中心；

对水平候选框进行粗调，得到旋转候选框区域；

根据锚框生成中心，分别进行位置预测和形状预测，得到稀疏的任意形状的目标锚框区域；

根据所述旋转候选框区域和所述稀疏的任意形状的目标锚框区域，获得目标区域的识别结果。

8.如权利要求7所述的建筑工地人员识别方法，根据所述旋转候选框和所述稀疏的任意形状的目标锚框，获得目标区域的识别结果，包括：

根据级联水平目标检测头网络和有向目标检测头网络，对旋转候选框区域所述稀疏的任意形状的目标锚框进行粗粒度到细粒度逐步回归，获得目标区域的识别结果。