[发明专利]基于深度学习的红外热人体姿态识别方法

说明书

本发明揭示了一种基于深度学习的红外热人体姿态识别方法，包括如下步骤：S1、搭建红外图像拍摄平台，使用热像仪制作单人或多人红外热人体姿态图像及视频数据集并将其划分为训练集、验证集及测试集，使用图片标注工具完成所有数据集的标签标注工作，再转换数据格式；S2、对单人或多人红热外人体姿态训练集、验证集进行反复训练、验证，最终得到平均精度均值达标的红外热人体姿态识别模型；S3、利用测试集对模型进行测试，可以批量预测静态人体姿态图像与动态人体姿态视频；本发明将红外热成像检测技术、机器视觉与深度学习技术相融合，实现了对于红热外人体姿态单人或多人多种动作的图像及视频识别，识别率与准确率较高且速度快。

技术领域

本发明为红外热人体姿态估计识别方法，具体涉及一种基于深度学习的红外热人体姿态识别方法设计，属于人工智能和机器学习技术领域。

背景技术

随着近年来人工智能领域的飞速发展，模式识别、机器学习、深度学习等相关技术也日益成熟，并且开始被广泛地应用于人们生产生活各个领域、开始逐步影响和改变人类的生产生活方式。

人体姿态能表达非常丰富的含义，人体姿态估计是指还原给定图片或者视频中人体关节点位置的过程，其对于描述人体姿态，预测人体行为起到至关重要的作用。近年来，随着深度学习技术的发展，人体姿态估计越来越广泛地运用到计算机视觉的各个领域之中，例如人机交互、行为识别以及智能监控等等。

随着市场应用需求的凸显，可见光图片身份识别技术已渐渐无法满足日益复杂的应用环境。与可见光图像相比，红外图像对于解决光照变化、阴影和夜间可视性等影响传统计算机视觉的问题提供了有力的支持。基于可见光图像视频的姿态识别系统仅能在光线充足、视物清晰的条件下正常工作，在亮度不佳以及遭遇恶劣天气环境的情况下便失去作用，难以实现系统不间断的用户需求。基于深度学习的红外热成像人体姿态识别系统不仅能排除烟、尘、雾和雨雪等可见度低的恶劣天气干扰，更能实现昼夜连续工作，其在民用及军事领域的应用会越来越广泛，具有重要的研究价值。

综上所述，设计一种在可见光条件下人体姿态识别技术无法满足需求的情况下，具有识别速度快、抗干扰能力强、有优异识别性能等优点的新的人体姿态识别技术，也就成为了本领域内技术人员所期望解决的一项技术问题。

发明内容

鉴于现有可见光条件下的人体姿态识别技术存在上述缺陷，本发明的目的是提出一种基于深度学习的红外热人体姿态识别方法，具体如下。

一种基于深度学习的红外热人体姿态识别方法，包括如下步骤：

S1、数据集建立步骤，基于机器人视觉感知与控制技术国家工程实验室，采用FLIRA6702sc热像仪拍摄单人或多人红外热人体姿态图像及视频数据集并将其按数据量比例8：1：1随机划分为训练集、验证集以及测试集，采用图片标注工具对以上数据集进行标注，得到数据集的标签xml格式文件，再转换为txt格式进而转换为coco数据格式；

S2、模型建立步骤，采用基于darknet53网络的yolov3目标检测模型作为训练网络模型，设置上述网络模型的超参数并采用基于voc2012数据集的yolov3模型权重作为预训练权重进行迁移学习，随后利用所述网络模型对训练集、验证集内的数据进行反复训练与验证，得到基于红外热人体姿态识别的yolov3模型训练权重，将权重导入预测与评估MAP程序，根据预测及评估结果不断调整网络参数，建立基于深度学习pytorch框架的红外热人体姿态识别模型；

S3、模型使用步骤，使用所述yolov3模型对所述红外热人体姿态数据集内的静态图像及动态视频进行处理，最终得到静态识别以及动态识别结果。

优选地，S1所述数据集建立步骤具体包括：