考虑分类器输出敏感度的变电作业人员着装鲁棒识别方法与流程
本发明涉及图像识别与分析方法领域，特别涉及一种考虑分类器输出敏感度的变电作业人员着装鲁棒识别方法。
背景技术：
随着视频监控技术的不断完善，智能视频监控系统在电力系统中得到越来越广泛的应用。视频图像的智能分析、检测及识别技术等不断发展，为无人值守的智能变电站发展提供了强有力的技术支撑。智能监控技术应用到变电站后，可通过对施工人员的行为智能分析，并根据需要进行安全告警，能有效地提高施工人员的安全行为和安全督查的效率与准确率。
目前，基于视频系统的对人体的识别和行为分析已经得到了较好的实现和应用，而在变电站内对作业人员的着装分析中，变电站作业环境复杂，经常出现遮挡、光照不均、大小和视角变化等情况，作业人员着装也存在新旧、身材等较大差异，且差异不好量化，在现有的方法中，通常需要收集大量的各类型样本数据来进行模型学习，同时模型需要不断的更新来满足新的变化能够有效识别。大量数据的采集、标记需要消耗很高的成本，并且模型的迭代更新也面临实际应用推广的挑战。
综上所述，现有的作业人员着装分析方法还需要进一步的改进，识别鲁棒性需要进一步提高。
技术实现要素：
本发明的目的在于解决现有的变电作业人员着装分析方法在复杂变化的环境下识别准确率波动的问题，旨在提供一种在变电站应用测试环境下，能够对环境变化保持鲁棒性的作业人员着装分析方法。
本发明提出一种考虑分类器输出敏感度的变电作业人员着装鲁棒识别方法，包括以下步骤：
(1)获取人体图像，把图像按1:4:4的比例分成头盔、上衣和下衣三个单元，提取各单元的基于hog(histogramoforientedgradient，方向梯度直方图)和hoc(histogramoforientedcolor，颜色直方图)算子的特征向量hogi(i＝1,2,3)、hoci(i＝1,2,3)；
(2)采用k-均值聚类方法求取径向基神经网络关于训练样本特征向量hogi(i＝1,2,3)、hoci(i＝1,2,3)的基函数中心cj＝(j＝1,2,...,h)，h为在训练样本中所选取的聚类中心个数；
(3)选用高斯函数作为径向基神经网络的基函数，并计算方差σj(j＝1,2,3,...,h)；
(4)采用蒙特卡洛法随机采样各个训练样本邻域中的点，求取各个训练样本的敏感度senp(p＝1,2,...,m)，m为训练样本的总个数；
(5)根据训练样本敏感度建立考虑分类器输出敏感度的损失函数，并用最小二乘-牛顿法迭代求解隐含层到输出层的权值，得到在训练样本上的径向基神经网络分类器；
(6)根据训练好的分类器对变电站作业人员进行着装识别，输出识别结果。
上述考虑分类器输出敏感度的变电作业人员着装鲁棒识别方法，通过获取人体图像，把图像按比例分成头盔、上衣和下衣三个单元，提取各单元的基于hog和hoc算子的特征向量，采用k-均值聚类方法求取径向基神经网络的关于训练样本特征向量的基函数中心，选用高斯函数作为径向基神经网络的基函数，并计算方差，采用蒙特卡洛法随机采样训练样本邻域中的点，求取各个训练样本的敏感度，根据训练样本敏感度建立考虑分类器输出敏感度的损失函数，并用最小二乘-牛顿法迭代求解隐含层到输出层的权值，得到在训练样本上的径向基神经网络分类器，根据训练好的分类器对变电站作业人员进行着装识别，输出识别结果。本发明考虑分类器在训练样本领域的输出波动，建立径向基神经网络的分类模型，提高了变电站作业人员着装分析器在复杂作业环境中的泛化能力，增强了分类器在实际识别应用中的鲁棒性。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种考虑分类器输出敏感度的变电作业人员着装鲁棒识别方法的流程图；
图2是本发明实施例提供的考虑分类器输出敏感度的径向基神经网络分类器对四个典型正类和负类测试样本的分析结果图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“或/和”包括一个或多个相关的所列项目的任意的和所有的组合。
在一个实施例中，如图1所示，本发明实施例提供的一种考虑分类器输出敏感度的变电作业人员着装鲁棒识别方法，包括以下步骤：
步骤1：获取人体图像，把图像按比例分成头盔、上衣和下衣三个单元，提取各单元的基于hog和hoc算子的特征向量hogi(i＝1,2,3)、hoci(i＝1,2,3)；
其中，i＝1表示头盔单元，i＝2表示上衣单元，i＝3表示下衣单元。
具体的，获取人体图像，把图像按1:4:4的比例分成头盔、上衣和下衣三个单元，提取各单元的基于hog和hoc算子的特征向量hogi(i＝1,2,3)、hoci(i＝1,2,3)；hog表示梯度方向直方图，hoc表示颜色直方图。
步骤2：采用k-均值聚类方法求取径向基神经网络关于训练样本特征向量hogi(i＝1,2,3)、hoci(i＝1,2,3)的基函数中心cj(j＝1,2,...,h)，h为在训练样本中所选取的聚类中心个数；
该步骤2具体包括：
(2-1)网络的初始化：随机选取h个训练样本的特征向量hogi(i＝1,2,3)、hoci(i＝1,2,3)作为训练样本的聚类中心dj(j＝1,2,3,...,h)的初始值，dj为第j个聚类中心；
(2-2)将输入的训练样本集用最近邻规则分组：按照xp与聚类中心dj之间的欧氏距离将输入样本分配到各个聚类集合
(2-3)调整聚类中心：计算各个聚类集合
步骤3：选用高斯函数作为径向基神经网络的基函数，并计算方差σj(j＝1,2,3,...,h)；
具体地，选用高斯函数作为径向基神经网络的基函数时，方差计算公式为：
其中，cmax为所选取径向基神经网络的基函数中心之间的最大距离；
步骤4：采用蒙特卡洛法随机采样训练样本邻域中的点，求取各个样本的敏感度senp(p＝1,2,...,m)，m为训练样本的总个数；
该步骤4具体为：
(4-1)假设在训练样本邻域中的数据点与训练样本的特征向量的差异遵循均值为零、标准差为q的高斯分布，则可记为δx～n(0,q2)，δx＝{δxp|p＝1,2,...,m}，δx为随机采样各个训练样本的领域中的点的特征向量与该训练样本的特征向量的差异的集合，δxp为随机采样第p个训练样本的领域中的点的特征向量与该训练样本的特征向量的差异，q为第p个训练样本的特征向量与该训练样本邻域中的点的差异的标准差；
(4-2)根据高斯分布对训练样本随机加入扰动，在训练样本邻域中采样多个点，分别计算输出差异，并对所有的差异取平均值，得到敏感度大小，
敏感度的定义为：
其中，x＝{xp|p＝1,2,...,m}，δx＝{δxp|p＝1,2,...,m}，且-q≤||δxp||≤q，x为训练样本的特征向量，xp为第p个训练样本的特征向量，θ为径向基神经网络的权值，fθ是以θ为权值的径向基神经网络输出与输入的映射函数；n为在第p个训练样本领域中采样的点的个数，(δxp)k代表在第p个训练样本领域中采样的第k个点的特征向量与该训练样本的特征向量的差异；
步骤5：根据训练样本敏感度建立考虑分类器输出敏感度的损失函数，并用最小二乘-牛顿法迭代求解径向基神经网络的隐含层到输出层的权值，得到在训练样本上的径向基神经网络分类器；
具体地，考虑分类器输出敏感度的损失函数定义为：
其中，yp是第p个训练样本的真实标记，fθ(xp)是第p个训练样本在径向基神经网络模型中的输出值，|yp-fθ(xp)|定义了真实标记和径向基神经网络模型输出之间的差异，为分类误差项，γ是平衡敏感度与分类误差的超参数，senp为第p个训练样本的敏感度；
步骤6：根据训练好的分类器对变电站作业人员进行着装识别，输出识别结果；
具体地使用经训练所得到的径向基神经网络分类器来判别作业人员着装图像是否满足着装要求，并输出识别结果。
上述考虑分类器输出敏感度的变电作业人员着装鲁棒识别方法，首先通过获取人体图像，把图像按比例分成头盔、上衣和下衣三个单元，提取各单元的基于hog和hoc算子的特征向量，然后采用k-均值聚类方法求取径向基神经网络关于样本特征向量的的基函数中心，接着选用高斯函数作为径向基神经网络的基函数，并计算方差；再采用蒙特卡洛法随机采样训练样本邻域中的点，求取各个样本的敏感度，随后根据训练样本敏感度建立考虑分类器输出敏感度的损失函数，并用最小二乘-牛顿法迭代求解隐含层到输出层的权值，得到在训练样本上的径向基神经网络分类器，最后根据训练好的分类器对变电站作业人员进行着装识别，输出识别结果。本发明考虑分类器在训练样本点领域的输出波动，建立径向基神经网络的分类模型，提高了变电站作业人员着装分析器在复杂作业环境中的泛化能力，增强了分析器在实际识别应用中的鲁棒性。
在一个实施例中，在某变电站中的作业人员为例进行系统测试。
本算例中将穿戴黄色安全帽、蓝色工作上衣和蓝色工作下衣定义为正确着装样本，即为正类，将佩戴其他颜色安全帽或者没有佩戴安全帽、上衣或者下衣不是蓝色工作服的定义为非正确着装，即为负类。样本数据主要包括真实变电站数据和模拟采集数据两大类。真实变电站数据是真实变电站场景的数据，数据量较小，但能最真实的反应实际应用场景。模拟采集数据是基于广东某变电站提供的作业人员着装，在非真实作业环境下采集的数据，该部分数据环境单一，着装颜色和外观的变化较小，主要用于实验对比。所有样本进行相同高度的缩放，真实变电站数据的训练数据和测试数据按1:1的比例划分，模拟采集数据的训练数据和测试数据按1:1的比例划分，并用于训练考虑分类器输出敏感度的径向基神经网络分类器和传统的径向基神经网络分类器。考虑分类器输出敏感度的径向基神经网络分类器对四个典型正类和负类测试样本的分析结果如图2所示。
为了对比考虑分类器输出敏感度的径向基神经网络(s-rbfnn)和传统的径向基神经网络(rbfnn)这两种算法对正类和负类样本的识别效果差异，本实施例使用准确率(a)、召回率(r)和虚警率(fa)三个指标来统计并评价该系统着装分析的识别准确率，三个指标的定义式如下：
其中，p和n分别表示样本中正类和负类的样本个数，tp表示预测结果和标签都为正类的数量，tn表示预测结果和标签都为负类的数量，fp表示预测结果为正类、标签为负类的样本数量。
采用上述三个指标评价基于分类器输出敏感度的径向基神经网络(s-rbfnn)和传统的径向基神经网络(rbfnn)这两种方法分别在真实变电站数据集和模拟采集数据集的识别效果，结果如表1和表2所示：
表1在真实变电站数据集上各方法对作业人员着装分析的准确率(％)
由表1可知，rbfnn表示传统的径向基神经网络在真实变电站数据集上对作业人员的着装图像进行识别分析的情况，s-rbfnn表示基于分类器输出敏感度的径向基神经网络在真实变电站数据集上对作业人员的着装图像进行识别分析的情况。
结果表明，基于分类器输出敏感度的径向基神经网络相比传统的径向基神经网络在真实变电站数据集上对作业人员着装分析的准确率提升2个百分点以上，表明引入敏感度后的径向基神经网络在复杂环境下的识别效果整体上有了更好的表现。并且，基于分类器输出敏感度的径向基神经网络相比传统的径向基神经网络在召回率上的提升超过5个百分点，说明当作业人员的着装因为新旧、光照差异、拍摄角度等原因导致的外观和颜色的差异时，传统的径向基神经网络会有较大概率会把正确着装的情况误识为非正确着装，而基于分类器输出敏感度的径向基神经网络，由于其学习过程中考虑了对样本外观和颜色的敏感度，因此在该情况下仍能保持较好的正确着装识别效果。
表1证明了本文所提出的基于分类器输出敏感度的径向基神经网络的有效性，及其对作业人员着装外观、颜色等微小变化的鲁棒性。
表2在模拟采集数据集上各方法对作业人员着装分析的准确率(％)
表2是不同方法在模拟采集数据集上的结果，考虑分类器输出敏感度的径向基神经网络相比传统的径向基神经网络在该数据集识别准确率差1个百分点以内。该结果表明，由于模拟采集数数据存在场景单一、目标人员着装统一、颜色无明显差异的情况，考虑分类器输出敏感度的径向基神经网络由于考虑了敏感度，导致损失的部分最小化错误率在该数据集上带来了负面的影响。
表2表明了在一些场景单一，目标差异较小的应用环境中，考虑分类器输出敏感度的径向基神经网络需要更小的γ(平衡敏感度与分类误差的超参数)与q(各个训练样本与其邻域中的数据点的差异的标准差)，最极端的情况就是将他们设置为0，基于分类器输出敏感度的径向基神经网络退化为传统的径向基神经网络。
结合表1和表2的实验结果，并考虑到在实际应用场景往往会比较复杂，因此，考虑分类器输出敏感度的径向基神经网络能在实际应用中保持较好的鲁棒性，这为该方法应用到实际中提供了可能性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
- 还没有人留言评论。精彩留言会获得点赞！