[发明专利]车检工位的工作人员检测方法及设备

权利要求书

1.一种车检工位的工作人员检测方法，其特征在于，该方法包括：

获取车检工位的图像，所述车检工位的图像是车检的底盘工位的图像；

判断所述车检工位的图像中是否存在人员区域图像，若不存在人员区域图像，则对所述车检工位的图像对应的人员区域标志位进行标记，并标记为0；若存在人员区域图像，则判断所述人员区域图像中是否存在人员，若不存在人员，则对所述车检工位的图像对应的人员标志位进行标记，并标记为0；若存在人员，获取所述人员区域图像，检测所述人员区域图像中是否存在人脸区域图像，若不存在人脸区域图像，则对所述车检工位的图像对应的人脸标志位进行标记，并标记为0；若存在人脸，则将所述车检工位的图像中的人脸图像与工作人员人脸模版图像进行比对，得到第一比对结果，所述第一比对结果为人脸检测合格时人脸是否合格标志位标记为1的结果或人脸检测不合格时人脸是否合格标志位标记为0的结果；

判断所述车检工位的图像中是否存在服装区域图像，若不存在服装区域图像，则对所述车检工位的图像对应的服装标志位进行标记，并标记为0；若存在服装区域图像，则将所述车检工位的图像中的服装区域图像与工作人员服装模版图像进行比对，判断工作人员服装是否符合规定，得到第二比对结果，所述第二比对结果为工作人员服装检测合格时对应的服装是否合格标志位标记为1的结果或工作人员服装检测不合格时对应的服装是否合格标志位标记为0的结果；

获取所述人员区域图像中人体关键点位置，若未获取到所述人体关键点位置，则对所述车检工位的图像对应的关键点标志位进行标记，并标记为0，若获取到所述人体关键点位置，则将所述车检工位的图像中的人体关键点位置之间的相互位置关系与模版人体关键点位置之间的相互位置关系进行比对，得到第三比对结果，所述第三比对结果为关键点位置检测合格时对应的关键点位置是否合格标志位标记为1的结果或关键点位置检测不合格时对应的关键点位置是否合格标志位标记为0的结果；

基于标记的所述人员区域标志位、人员标志位、人脸标志位、服装标志位、关键点标志位以及第一比对结果中人脸是否合格标志位、第二比对结果中服装是否合格标志位和第三比对结果中关键点位置是否合格标志位，判断车检工位的工作人员检测是否合格，若人员区域标志位、人员标志位、人脸标志位、服装标志位、关键点标志位、人脸是否合格标志位、服装是否合格标志位以及关键点位置是否合格标志位中各标志位分别对应的标记均为1，则确定车检工位的工作人员检测合格，若各标志位分别对应的标记中至少存在一个标志位的标记为0，则确定车检工位的工作人员检测不合格；

所述判断所述车检工位的图像中是否存在人员区域图像，包括：采用基于深度学习网络的人员检测模型，判断所述车检工位的图像中是否存在人员区域图像；若存在人员区域图像，则采用基于深度学习网络的人员分类模型，判断所述人员区域图像中是否存在人员；若存在人员，获取所述人员区域图像，采用基于深度学习网络的人脸检测模型，检测所述人员区域图像中是否存在人脸区域图像；

所述判断所述车检工位的图像中是否存在服装区域图像，包括：采用基于深度学习网络的服装检测模型，判断所述车检工位的图像中是否存在服装区域图像；

所述获取所述人员区域图像中人体关键点位置，包括：采用基于深度学习的人体关键点检测网络模型，在所述人员区域图像中获取人体关键点位置。

2.根据权利要求1所述的方法，其特征在于，采用基于深度学习网络的人员检测模型，判断所述车检工位的图像中是否存在人员区域图像之前，还包括：

获取不同光照、不同拍摄角度下的样本车检工位的图像；

采用矩形框标记所述样本车检工位的图像中人员所在位置，并标记为人员，得到标记后的样本图像；

使用所述标记后的样本图像训练目标检测深度神经网络模型，以获得基于深度学习网络的人员检测模型。

3.根据权利要求2所述的方法，其特征在于，采用基于深度学习网络的人员分类模型，判断所述人员区域图像中是否存在人员之前，还包括：

利用所述基于深度学习网络的人员检测模型，获得所述样本车检工位的图像中不同位置的样本人员区域图像；

对所述样本人员区域图像进行分类，分为有人图像和无人图像两类；

使用所述有人图像和无人图像训练目标分类深度神经网络模型，获得基于深度学习网络的人员分类模型。