[发明专利]基于深度学习的电力作业现场工作服识别方法和装置

权利要求书

1.一种基于深度学习的电力作业现场工作服识别方法，其特征在于，包括：

采集大量含有电力作业人员穿着工作服以及未穿工作服信息的图片，同时对采集到所有图片做人工标注，构建第一训练数据集；

使用所述第一训练数据集训练用于检测工作服和未穿工作服的深度神经网络初始模型，以得到深度神经网络模型；

根据人工标注的内容，将第一训练数据集中所有的工作服图片进行裁剪，得到裁剪的工作服图像，构建第二训练数据集；

提取所述第二训练数据集中所有工作服图像的颜色信息，通过提取到的图像颜色信息构建特征颜色矩阵，实际作业穿着的工作服为蓝色或灰色，采集到的图像颜色点也会集中分布在色域的蓝灰色区域，并且分布呈椭球型，通过拟合的方式确定整个椭球型区域所在的位置ζ；

使用所述深度神经网络模型确定待识别图像的目标的位置信息和所述目标作为工作服与非工作服的概率信息p_h1、p_p1，根据所述位置信息对所述待识别图像进行裁剪，统计所述裁剪后的待识别图像的颜色信息，使用聚类算法计算所述颜色信息的k个聚类中心点；

对于第i个聚类中心点d_i，若d_i∈ζ，则令p_di＝1；若设置容忍距离d_tolerance，计算该点到椭球的距离d_real，则该点的

如果p_h1+p_d＞p_p1，则判断穿着为工作服，否则为未穿工作服；

其中，p_di为第i个聚类中心点d_i为工作服的概率信息。

2.根据权利要求1所述的基于深度学习的电力作业现场工作服识别方法，其特征在于，构建第二训练数据集，之前，还包括：

将所述裁剪后的工作服图像统一缩放至相同的尺寸。

3.根据权利要求1所述的基于深度学习的电力作业现场工作服识别方法，其特征在于，构建第一训练数据集，之后，还包括：

调整所述第一训练数据集中的图像亮度。

4.根据权利要求3所述的基于深度学习的电力作业现场工作服识别方法，其特征在于，所述调整所述第一训练数据集中的图像亮度，包括：

将第一训练数据集中所有图像从RGB色域转换到HIS色域，设定图像亮度阈值I_θ，若第一训练数据集中的某图像亮度I＜I_θ，则调整该图像的亮度，使其亮度等于图像亮度阈值I_θ，如果第一训练数据集中的某图像亮度I≥I_θ，则不对其进行调整。

5.根据权利要求1所述的基于深度学习的电力作业现场工作服识别方法，其特征在于，提取所述第二训练数据集中所有工作服图像的颜色信息，通过提取到的图像颜色信息构建特征颜色矩阵，包括：

统计第二训练数据集中所有工作服图像中的像素点颜色出现的次数，构建三维坐标系，三个坐标轴分别为R、G、B，坐标系中每个点的值代表该色彩点在数据集中出现的次数；为了提高颜色模型的鲁棒性，减小杂乱颜色的影响，预设色彩点数量阈值C_θ，去除三维坐标系中值小于C_θ的点。