[发明专利]一种基于卷积神经网络的人员离岗检测方法

摘要

本发明公开了一种基于卷积神经网络的人员离岗检测方法，据监控图像中提取的不同特征，利用图像分类算法对图像进行分类，并通过卷积神经网络训练模型，以检测人员是否离岗。帮助公司监控人员高效地处理监控资料，判断职员的在职情况；能够准确地检测到工作环境下人员的离岗、在岗情况，能够帮助公司监控人员高效地处理监控资料，改进传统的卷积神经网络结构，使其能够应用于公司、企业等室内工作场景，进行人员离岗、在岗的检测，从而使其在我们这个问题上得到了良好的应用。

主权项

1.一种基于卷积神经网络的人员离岗检测方法，其特征在于，包括以下步骤：S01，建立营业厅图像数据库：营业厅图像数据库为在不同的工作背景、监控拍摄角度、光照和图片尺度条件下获取的营业厅图像；S02，标注训练样本：将数据库中的图像进行工位位置画框标注，标注的标签有两类：人员在岗和人员离岗，所述人员离岗为正样本，人员在岗为负样本；S03，归一化训练样本：将步骤一中基于监控视频获取到的营业厅数据库中的图像归一化到256×256大小，在训练时随机截取224×224大小的图像作为训练样本，所述训练样本作为卷积神经网络模型的输入谱；S04，训练卷积神经网络模型：对在ImageNet数据库上预训练得到的模型进行微调；卷积神经网络包括数据层、卷积层、激活函数层、池化层、全连接层、丢弃参数层和损失层；数据层用于接收输入谱；卷积层，输入谱被可学习的卷积核进行卷积，通过激活函数，得到特征谱，每一个特征谱是组合卷积多个输入谱的值，第l层的第j个特征谱的计算公式(1)：M_j为选择的输入谱的集合，表示第l层第j个特征谱，表示卷积核，为第l层第j个特征谱的加性偏置；激活函数层，f(x)为激活函数；f(x)＝max(x,0)池化层，有N个输入谱，就有N个特征谱，计算公式为式(2)：down(x)为下采样函数，为第l层的第j个特征谱的乘性偏置；为第l层第j个特征谱的加性偏置；全连接层进行数据连接，特征谱的维度和输入数据的维度一致，用于得到图像的全局特征；丢弃参数层设定学习率和丢失率，根据丢失率每次迭代时随机丢弃参数；损失层，第l层第j个特征谱的残差计算公式为式(3)：其中第l层为卷积层，第l+1层为池化层，池化层元素与卷积层元素一一对应；up(x)表示上采样函数，表示经过激活函数的特征谱，为第l层第j个特征谱的残差，表示求导后的元素与的对应元素相乘；梯度计算：对于第n个训练样本的误差Eⁿ表示为式(4)：tⁿ为第n个训练样本的标注标签，yⁿ为第n个训练样本的输出值，c为类别数，c＝2，包括离岗和在岗两类；所有样本的误差为单个误差项求和；损失函数对加性偏置求导为式(5)：(u.v)为特征谱的位置坐标，为第l层第j个特征谱的残差；损失函数对权重求导为式(6)：为与逐元素相乘时的块；通过公式(7)反向传播权重更新：W^l为第l层权重，即所述ΔW^l为权重的更新部分，η为学习率；对在ImageNet数据库上预训练得到的模型进行微调具体为：基于VGGNet‑E网络，将人员离岗检测看作二分类问题，设定卷积神经网络结构的第8层参数f_c8的输出为2维；设定卷积神经网络结构的第8层参数f_c8＝2；S05，进行结果的预测；结果预测公式为式(8)：σ(zj)为输出概率归一化后的类概率，c为类别数，e为自然对数的底数；S06，将两个分类的概率与0.5作比较，若该类的后验概率值大于等于0.5，则输出结果为1，提出预警表示离岗；否则，输出结果为0，表示在岗。