[发明专利]一种基于宽度学习的安全帽图像识别算法

摘要

本发明公开了一种基于宽度学习的安全帽图像识别算法，其特征在于具有如下步骤：S1、宽度学习系统的数据准备；S2、基于宽度学习训练安全帽图像识别模型；S3、基于宽度学习系统的安全帽图像检测机制：S31、读取步骤S1得到的图像测试集和步骤S2得到的所述安全帽图像识别模型；S32、将图像测试集中的图像输入到所述安全帽图像识别模型，获得输出值；S33、将有人但无安全帽的图片进行标记，并发出警告。本发明是基于宽度学习系统的安全帽图像识别技术，而宽度学习架构层次较浅，对计算资源要求较低使得其能够在低端设备上进行部署且不会损失太大的精度。

主权项

1.一种基于宽度学习的安全帽图像识别算法，其特征在于具有如下步骤：S1、宽度学习系统的数据准备将从监控视频流中截取的图片进行必要的预处理，将图片分成三类：a.没有人的图片；b.有人但无安全帽的图片；c.有人且有安全帽的图片；将这三类图片分别使用K折交叉验证法从中抽取(K‑1)折作为图像训练集，1折作为图像测试集；S2、基于宽度学习训练安全帽图像识别模型对步骤S1得到的图像训练集进行目标检测，所述安全帽图像识别模型为宽度学习网络结构，为两层网络，包括输入层和输出层；提取图像训练集中图像的特征生成特征节点和特征节点的增强节点，共同作为所述安全帽图像识别模型的输入层；特征节点通过函数得到；若产生n个特征节点，表达如下：其中，X为输入的图像训练集中的图像数据，是权重系数，是偏置项，和都是随机产生的；给定记号Zi≡[Z1...Zi]表示所有的输入的图像训练集中的图像数据映射的特征节点；增强节点通过函数得到，被记为H_j，前j组所有增强节点被记为H^j≡[H₁,...,H_j]，其中，是权重系数，是偏置项，和都是随机产生的，第m组增强节点表示为：此时所述安全帽图像识别模型用如下公式表示：整个所述安全帽图像识别模型的权重参数Wm通过伪逆得到结果，设Y为所述安全帽图像识别模型的输出值，即：Y＝V3×Wm；则通过伪逆得：Wm＝(V3T*V3+In+m*c)‑1*V3T*Y，其中，c为正则化参数，V3是特征节点与增强节点列拼接，共同作为输入层，表达式为：V3＝(Zn Hm)；在所述安全帽图像识别模型训练过程中，Y的值为训练集给定输出值；求解得到Wm，所述安全帽图像识别模型的训练完成；S3、基于宽度学习系统的安全帽图像检测机制S31、读取步骤S1得到的图像测试集和步骤S2得到的所述安全帽图像识别模型；S32、将图像测试集中的图像输入到所述安全帽图像识别模型，获得输出值；S33、将有人但无安全帽的图片进行标记，并发出警告。