[发明专利]一种睡岗行为检测方法及系统

权利要求书

1.一种睡岗行为检测方法，其特征在于，包括以下步骤：

步骤S1：采集值班室实景图像，经过嵌入式芯片硬件解码后，将解码出的每一帧RGB图像送入目标检测网络；

步骤S2：采用目标检测网络对每一帧RGB图像进行目标检测，得到每一帧RGB图像的人体检测框；

步骤S3：采用目标跟踪算法对每一帧RGB图像的人体检测框进行目标跟踪，计算T时间内属于同一目标的检测框的中心点变化；

步骤S4：判断中心点变化是否小于第一阈值；

步骤S5：当中心点变化小于第一阈值时，将对应的RGB图像传递给行为识别网络，转到步骤S7；

步骤S6：当中心点大于等于第一阈值时，则输出识别结果为未发现睡岗行为；

步骤S7:采用行为识别网络对所述对应的RGB图像中目标进行图像分类，判定是否属于睡岗行为，若识别为睡岗行为，则输出识别结果为发现睡岗行为并展示睡岗行为对应的RGB图像，若识别为不是睡岗行为，则输出识别结果为未发现睡岗行为；

所述目标检测网络是对YOLO V3算法进行改进，包括40层卷积层以及4个残差层；

所述卷积层包括：具有16个卷积核的第一卷积层、具有16个卷积核的第二卷积层、具有16个卷积核的第三卷积层、2个第一组合卷积层、具有48个卷积核的第八卷积层、4个第二组合卷积层、具有64个卷积核的第十七卷积层、4个第三组合卷积层、具有96个卷积核的第二十六卷积层、7个第四组合卷积层；将所述第三组合卷积层的输出结果输入到Route层，将所述第四组合卷积层的输出结果输入到第三十九卷积层，将所述第三十九卷积层的输出结果输入到上采样层，将上采样层输出结果输入到Route层，将所述Route层输出结果输入到第四十卷积层，所述第三十九卷积层与第四十层卷积层的输出之和确定为改进后的YOLO V3算法的网络输出；

所述第一组合卷积层包括：2个具有32个卷积核的卷积层以及第一残差层；

所述第二组合卷积层包括：2个具有48个卷积核的卷积层以及第二残差层；

所述第三组合卷积层包括：2个具有64个卷积核的卷积层以及第三残差层；

所述第四组合卷积层包括：2个具有96个卷积核的卷积层以及第四残差层。

2.根据权利要求1所述的睡岗行为检测方法，其特征在于，所述第一残差层、第二残差层、第三残差层以及第四残差层均包括：第一残差单元、第二残差单元；

所述第一残差单元、第二残差单元、第一加和单元依次顺序相连接；残差单元的输入分别与第一残差单元、第一加和单元相连接，残差单元的输出与第一加和单元相连接；

残差单元的输入经过第一残差单元、第二残差单元与所述残差单元的输入同时经过第一加和单元，得到残差单元的输出；

所述第一残差单元、第二残差单元均包括：卷积子单元、批标准化层、激活函数子单元；

所述卷积子单元、批标准化层、激活函数子单元依次顺序相连接；

卷积子单元的输入依次经过卷积子单元、批标准化层、激活函数子单元，得到激活函数的输出，即为所述第一残差单元或第二残差单元的输出。

3.根据权利要求2所述的睡岗行为检测方法，其特征在于，所述激活函数子单元设置为ReLU激活函数。

4.根据权利要求1所述的睡岗行为检测方法，其特征在于，所述目标检测网络采用CIoU损失函数Loss_CIoU，公式如下：

其中，iou表示计算真实框与检测框的交并比；b表示检测框，b^gt表示真实框，ρ²(b,b^gt)表示计算检测框和真实框的中心点的欧式距离；c是最小包围两个框的对角线长度；υ衡量两个框的相对比例一致性，α是权重系数。