一种人员坠落风险检测方法、系统及存储介质

1.本发明涉及坠落保护技术领域，尤其涉及一种人员坠落风险检测方法、系统及存储介质。


背景技术：

2.随着建筑技术的快速发展，建筑水平的不断提高，高层建筑越来越多的出现在城市中，由于高层建筑不断增多，因此，为满足高层建筑的施工和维护需求，高空施工人员的数量也越来越多，高空施工人员需要在离地面较高的位置处进行相应的施工维护作业。目前，高空施工人员在进行施工维护作业时，若出现操作不规范的情况，就会存在着坠落的风险，通过实时采集高空施工人员的动作情况，当高空施工人员做出容易发生坠落风险的危险动作时，进行及时告警制止，是有效的提醒手段，但易发生坠落事件的区域地形比较复杂，而且坠落事件的发生过程常常出现在较短的时间内，因此，对识别的速度和准确度有着很高的要求，而现有的检测识别方法很难满足。


技术实现要素：

3.本发明提供了一种人员坠落风险检测方法、系统及存储介质，以解决现有的检测识别方法识别速度慢、识别准确度低的问题。
4.为了实现上述目的，本发明通过如下的技术方案来实现：
5.第一方面，本发明提供一种人员坠落风险检测方法，包括：
6.获取第一训练图像和第二训练图像，并剔除所述第一训练图像和所述第二训练图像中的有效面积得到第一增强图像和第二增强图像，其中，所述有效面积包括第一剔除面积和第二剔除面积；
7.分别对第一增强图像和第二增强图像进行随机裁剪得到第一裁剪图像和第二裁剪图像，并对所述第一裁剪图像和第二裁剪图像进行拼接得到训练图像；
8.将所述训练图像输入待训练神经网络模型中进行训练，得到目标神经网络模型；
9.基于获取的待检测图像生成坠落地点信息和人员位置信息，并将所述坠落地点信息输入目标神经网络模型进行判断生成第一判断结果；
10.在所述第一判断结果为易坠落地点时，将所述人员位置信息输入目标神经网络模型进行判断生成第二判断结果；
11.在所述第二判断结果为易坠落位置时，发出告警信息。
12.可选的，在所述剔除所述第一训练图像和所述第二训练图像中的有效面积得到第一增强图像和第二增强图像之前，所述方法还包括：
13.基于所述第一训练图像的第一面积生成第一剔除面积，并将所述第一剔除面积与第一面积的第一比值与预设最大剔除阈值和最小剔除阈值进行对比；
14.在第一比值大于最小剔除阈值且小于最大剔除阈值时，确定所述第一剔除面积为所述第一训练图像中的有效面积；
15.在第一比值小于最小剔除阈值或大于最大剔除阈值时，重新基于所述第一面积生成新的第一剔除面积；
16.基于所述第二训练图像的第二面积生成第二剔除面积，并将所述第二剔除面积与第二面积的第二比值与预设最大剔除阈值和最小剔除阈值进行对比；
17.在第二比值大于最小剔除阈值且小于最大剔除阈值时，确定所述第二剔除面积为所述第一训练图像中的有效面积；
18.在第二比值小于最小剔除阈值或大于最大剔除阈值时，重新基于所述第二面积生成新的第二剔除面积。
19.可选的，所述剔除所述第一训练图像和所述第二训练图像中的有效面积得到第一增强图像和第二增强图像包括：
20.以第一训练图像第一边的顶点为坐标系原点建立坐标系；
21.选定所述第一训练图像中的点作为第一坐标点，将所述第一坐标点作为第一剔除图像的左上角坐标点，并将所述第一坐标点的横坐标与第一剔除图像的高长相加，将所述第一坐标点的纵坐标与第一剔除图像的宽长相加，确定第一剔除图像的右下角坐标点并作为第二坐标点；
22.将第二坐标点的横坐标与第一训练图像的宽长进行对比，将第二坐标点的纵坐标与第一训练图像的高长进行对比，在所述第二坐标点的横坐标小于或等于所述第一训练图像的宽长，且所述第二坐标点的纵坐标小于或等于第一训练图像的高长时，将所述第一剔除图像从第一训练图像中剔除得到第一增强图像；
23.所述第一剔除图像的高长通过所述第一剔除面积与第一剔除图像长宽比的乘积开根号得到；
24.所述第一剔除图像的宽长通过所述第一剔除面积与第一剔除图像长宽比的比值开根号得到。
25.可选的，所述剔除所述第一训练图像和所述第二训练图像中的有效面积得到第一增强图像和第二增强图像还包括：
26.以第二训练图像第一边的顶点为坐标系原点建立坐标系；
27.选定所述第二训练图像中的点作为第三坐标点，将所述第三坐标点作为第二剔除图像的左上角坐标点，并将所述第三坐标点的横坐标与第二剔除图像的高长相加，将所述第三坐标点的纵坐标与第二剔除图像的宽长相加，确定第二剔除图像的右下角坐标点并作为第四坐标点；
28.将第四坐标点的横坐标与第二训练图像的宽长进行对比，将第四坐标点的纵坐标与第二训练图像的高长进行对比，在所述第四坐标点的横坐标小于或等于所述第二训练图像的宽长，且所述第四坐标点的纵坐标小于或等于第二训练图像的高长时，将所述第二剔除图像从第二训练图像中剔除得到第二增强图像；
29.所述第二剔除图像的高长通过所述第二剔除面积与第二剔除图像长宽比的乘积开根号得到；
30.所述第二剔除图像的宽长通过所述第二剔除面积与第二剔除图像长宽比的比值开根号得到。
31.可选的，所述方法还包括：
32.获取第一增强图像中的第一人员轮廓区域大小，并将所述第一人员轮廓区域大小与预设轮廓大小阈值进行比较，在所述第一人员轮廓区域大小大于或等于预设轮廓大小阈值时，判断所述第一增强图像有效，在所述第一人员轮廓区域大小小于预设轮廓大小阈值时，舍弃所述第一增强图像，并重新生成第一剔除面积；
33.获取第二增强图像中的第二人员轮廓区域大小，并将所述第二人员轮廓区域大小与预设轮廓大小阈值进行比较，在所述第二人员轮廓区域大小大于或等于预设轮廓大小阈值时，判断所述第二增强图像有效，在所述第二人员轮廓区域大小小于预设轮廓大小阈值时，舍弃所述第二增强图像，并重新生成第二剔除面积。
34.可选的，所述将所述训练图像输入待训练神经网络模型中进行训练包括：
35.随机将所述待训练神经网络模型中的神经元划分为训练神经元和待机神经元，并将所述训练图像输入待训练神经网络模型后，通过所述训练神经元基于所述训练图像进行训练，训练完成后，通过所述训练神经元和所述待机神经元基于所述训练图像对训练后的待训练神经网络模型进行验证。
36.可选的，所述方法还包括：
37.将所述待检测图像的下一帧图像中的人员位置信息输入目标神经网络模型中进行判断，并生成第三判断结果；
38.将所述第三判断结果与第二判断结果进行比对生成比对值，并将所述比对值与预设相似度阈值进行比较，在所述比对值大于预设相似度阈值时，不发出告警信息，在所述比对值小于预设相似度阈值时，发出告警信息。
39.可选的，所述告警信息包括现场高音喇叭提醒和移动互联网提醒。
40.第二方面，本技术实施例提供一种人员坠落风险检测系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面中任一所述方法的步骤。
41.第三方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的方法步骤。
42.有益效果：
43.本发明提供的人员坠落风险检测方法，通过将有效面积从第一训练图像和第二训练图像中剔除的方式，使用于训练的图像中目标识别轮廓存在缺失，并利用存在缺失的目标识别轮廓进行训练，能够有效提高检测过程中对真实目标轮廓的识别速度和准确度，从而提高人员位置信息判断的速度和准确度；同时，将经过剪裁的第一剪裁图像和第二剪裁图像进行拼接生成用于训练的训练图像，能够提高检测过程中对坠落地点信息判断的准确性。
44.本发明提供的人员坠落风险检测方法，通过对待检测图像中的坠落地点信息和人员位置信息进行判断，能够检测高空施工人员在进行高空作业过程中的人员位置信息，并对可能会出现坠落危险的人员位置做出及时的报警提醒，减少坠落事故的发送。
附图说明
45.图1为本发明优选实施例的人员坠落风险检测方法流程图；
46.图2为本发明优选实施例的人员坠落风险检测方法逻辑框图；
47.图3为本发明优选实施例的人员坠落风险检测系统架构图。
具体实施方式
48.下面对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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作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。
49.除非另作定义，本发明中使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不表示数量限制，而是表示存在至少一个。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也相应地改变。
50.实施例1：
51.请参见图1-2，本技术实施例提供一种人员坠落风险检测方法，包括：
52.获取第一训练图像和第二训练图像，并剔除所述第一训练图像和所述第二训练图像中的有效面积得到第一增强图像和第二增强图像，其中，所述有效面积包括第一剔除面积和第二剔除面积；
53.分别对第一增强图像和第二增强图像进行随机裁剪得到第一裁剪图像和第二裁剪图像，并对所述第一裁剪图像和第二裁剪图像进行拼接得到训练图像；
54.将所述训练图像输入待训练神经网络模型中进行训练，得到目标神经网络模型；
55.基于获取的待检测图像生成坠落地点信息和人员位置信息，并将所述坠落地点信息输入目标神经网络模型进行判断生成第一判断结果；
56.在所述第一判断结果为易坠落地点时，将所述人员位置信息输入目标神经网络模型进行判断生成第二判断结果；
57.在所述第二判断结果为易坠落位置时，发出告警信息。
58.在上述实施例中，有效面积为从第一训练图像和第二训练图像中剔除的图像面积，剔除的图像面积大小随机生成，在生成用于剔除的图像面积大小后，会对用于剔除的图像面积大小分别与第一训练图像的面积大小和第二训练图像的面积大小进行比对，确保二者的比值不会过大也不会过小，从而避免随机擦除后剩下的图像不会太大导致达不到随机擦除的效果，也不会太小导致无法起到训练效果，当判断用于剔除的图像面积大小合适时，便可将随机生成的用于剔除的图像面积确定为有效面积；将有效面积从第一训练图像和第二训练图像中剔除后，剩下的图像中会存在识别目标轮廓的缺失，利用存在缺失的识别目标轮廓进行识别训练，能够提高目标识别的准确性，确保在实际应用过程中，即使处于复杂状况下依旧能够快速准确的识别目标，提高识别的速度，这便是对图像进行随机擦除想要达到的效果。
59.通过检测高空施工人员在进行高空作业过程中的人员位置信息，并对可能会出现坠落危险的人员位置做出及时的报警提醒，减少坠落事故的发送，同时，在对待训练神经网络模型训练的过程中，通过数据增强的方法对分析模型进行训练，提高了该检测方法在实
际检测过程中的精确度；训练过程中的训练图像主要通过组合随机剪裁和混合不同原图这两种方法，进行组合训练，该方法的目标是结合初始的两个样本，生成新的样本进行训练，从而达到数据增强的目的，该操作的组合公式可表示为：
[0060][0061][0062]
其中，m表示一个二进制掩码，m∈{0,1}
w*h
，该掩码指示从两张图像中裁剪出并填充的位置，1表示掩码填充1的部分，λ表示两个数据点之间的组合比率，该比率是从贝塔分布中采样的beta(0,δ)(这里δ设为1)，(xa,ya)和(xb,yb)分别表示原始训练样本，表示新生成的训练样本，
⊙
表示逐位相乘；
[0063]
为了对二进制掩码m进行采样，我们首先对边框坐标b＝(r
x
,ry,rw,rh)进行采样，区域坐标按下列方法进行均匀采样:
[0064][0065][0066]
其中，(r
x
,ry)表示区域b左上角点坐标，unif(0,w)指r
x
应在0到w内均匀随机采样。rw为区域b宽度，rh为区域b高度。λ表示组合比，在(0,1)内随机均匀采样。本实验为保持区域b与原图形状相同，令剪裁区域比例
[0067]
区域b表示xa和xb的剪裁区域，xa中的区域b被移除掉，然后填充从xb中的区域b剪下的补片。即对于二进制掩码m∈{0,1}
w*h
，其在区域b范围内填充0，其余位置均填充1。
[0068]
在应用过程中，将待检测图像输入目标神经网络模型中，目标神经网络模型会首先对待检测图像中的坠落地点信息进行判断，本方法仅需要在例如高空、边坡、阳台等危险区域检测人员是否有坠落风险，而在其他无坠落风险的安全区域，不管高空施工人员做任何动作，均不会出现坠落事故，因此，只有在对待检测图像中的坠落地点信息进行判断后，并且生成的第一判断结果为易坠落地点时，才会进一步检测待检测图像中的人员位置信息，并对人员位置信息进行判断生成第二判断结果，根据第二判断结果来确定是否有坠落风险，当第二判断结果为易坠落位置时，表面高空施工人员在进行易发生坠落事故的危险动作，从而发出告警信息进行提醒。
[0069]
可选的，在所述剔除所述第一训练图像和所述第二训练图像中的有效面积得到第一增强图像和第二增强图像之前，上述的方法还包括：
[0070]
基于所述第一训练图像的第一面积生成第一剔除面积，并将所述第一剔除面积与第一面积的第一比值与预设最大剔除阈值和最小剔除阈值进行对比；
[0071]
在第一比值大于最小剔除阈值且小于最大剔除阈值时，确定所述第一剔除面积为所述第一训练图像中的有效面积；
[0072]
在第一比值小于最小剔除阈值或大于最大剔除阈值时，重新基于所述第一面积生成新的第一剔除面积；
[0073]
基于所述第二训练图像的第二面积生成第二剔除面积，并将所述第二剔除面积与第二面积的第二比值与预设最大剔除阈值和最小剔除阈值进行对比；
[0074]
在第二比值大于最小剔除阈值且小于最大剔除阈值时，确定所述第二剔除面积为
所述第一训练图像中的有效面积；
[0075]
在第二比值小于最小剔除阈值或大于最大剔除阈值时，重新基于所述第二面积生成新的第二剔除面积。
[0076]
在上述实施例中，为了使目标检测更精确，使用了数据增强方法，包括在训练前将图像中的部分区域随机擦除，实施例中的有效面积就是随机擦除的面积，第一剔除面积和第二剔除面积分别为有效面积在第一训练图像和第二训练图像中的两种不同称呼，数据增强方法是利用随机擦除操作，将有效面积从图像中剔除，并利用剔除后的图像进行训练，来提高目标识别的准确性，达到数据增强的作用，从而提高模型泛化能力，随机擦除的面积随机生成，并存在一个最大阈值和最小阈值，避免随机擦除的面积过大或过小，随机擦除的比率公式可表示为：
[0077][0078]
其中，se表示随机擦除的面积，s表示整张图片的面积，q表示两者之间的比值；通过将该比值q与最大阈值和最小阈值进行比较，只有当该比值q的值大于最小阈值且小于最大阈值时，随机擦除的面积se才能够进行正常的模拟遮挡操作，否则，会出现随机擦除的面积过大导致可识别区域过小或随机擦除的面积过小导致没有起到模拟遮挡效果的情况。
[0079]
可选的，所述剔除所述第一训练图像和所述第二训练图像中的有效面积得到第一增强图像和第二增强图像包括：
[0080]
以第一训练图像第一边的顶点为坐标系原点建立坐标系；
[0081]
选定所述第一训练图像中的点作为第一坐标点，将所述第一坐标点作为第一剔除图像的左上角坐标点，并将所述第一坐标点的横坐标与第一剔除图像的高长相加，将所述第一坐标点的纵坐标与第一剔除图像的宽长相加，确定第一剔除图像的右下角坐标点并作为第二坐标点；
[0082]
将第二坐标点的横坐标与第一训练图像的宽长进行对比，将第二坐标点的纵坐标与第一训练图像的高长进行对比，在所述第二坐标点的横坐标小于或等于所述第一训练图像的宽长，且所述第二坐标点的纵坐标小于或等于第一训练图像的高长时，将所述第一剔除图像从第一训练图像中剔除得到第一增强图像；
[0083]
所述第一剔除图像的高长通过所述第一剔除面积与第一剔除图像长宽比的乘积开根号得到；
[0084]
所述第一剔除图像的宽长通过所述第一剔除面积与第一剔除图像长宽比的比值开根号得到。
[0085]
可选的，所述剔除所述第一训练图像和所述第二训练图像中的有效面积得到第一增强图像和第二增强图像还包括：
[0086]
以第二训练图像第一边的顶点为坐标系原点建立坐标系；
[0087]
选定所述第二训练图像中的点作为第三坐标点，将所述第三坐标点作为第二剔除图像的左上角坐标点，并将所述第三坐标点的横坐标与第二剔除图像的高长相加，将所述第三坐标点的纵坐标与第二剔除图像的宽长相加，确定第二剔除图像的右下角坐标点并作为第四坐标点；
[0088]
将第四坐标点的横坐标与第二训练图像的宽长进行对比，将第四坐标点的纵坐标
与第二训练图像的高长进行对比，在所述第四坐标点的横坐标小于或等于所述第二训练图像的宽长，且所述第四坐标点的纵坐标小于或等于第二训练图像的高长时，将所述第二剔除图像从第二训练图像中剔除得到第二增强图像；
[0089]
所述第二剔除图像的高长通过所述第二剔除面积与第二剔除图像长宽比的乘积开根号得到；
[0090]
所述第二剔除图像的宽长通过所述第二剔除面积与第二剔除图像长宽比的比值开根号得到。
[0091]
在上述实施例中，当确定好用于进行随机擦除的有效面积后，需要将有效面积转化为原图像中的剔除图像，因此，需要根据随机擦除面积来确定随机擦除图像的高长和宽长，随机擦除图像的高长可以表示为：
[0092][0093]
其中，se表示随机擦除的面积，re表示随机擦除矩形区域的长宽比，he表示随机擦除图像的高长；
[0094]
随机擦除图像的宽长可以表示为：
[0095][0096]
其中，se表示随机擦除的面积，re表示随机擦除矩形区域的长宽比，we表示随机擦除图像的宽长；
[0097]
将图像的左侧边作为图像的第一边，以原图像第一边顶点作为坐标系原点建立坐标系后，在原图像中随机选取一个点p＝(xe,ye)作为随机擦除图像第一边的顶点坐标，当xe+we≤w并且ye+he≤h时，说明矩形区域的随机擦除图像所有顶点均位于原图像内，此时，随机擦除图像可以作为原图像的剔除图像满足随机擦除操作的条件，否则，需要重新随机选取点p
[0098]
可选的，所述方法还包括：
[0099]
获取第一增强图像中的第一人员轮廓区域大小，并将所述第一人员轮廓区域大小与预设轮廓大小阈值进行比较，在所述第一人员轮廓区域大小大于或等于预设轮廓大小阈值时，判断所述第一增强图像有效，在所述第一人员轮廓区域大小小于预设轮廓大小阈值时，舍弃所述第一增强图像，并重新生成第一剔除面积；
[0100]
获取第二增强图像中的第二人员轮廓区域大小，并将所述第二人员轮廓区域大小与预设轮廓大小阈值进行比较，在所述第二人员轮廓区域大小大于或等于预设轮廓大小阈值时，判断所述第二增强图像有效，在所述第二人员轮廓区域大小小于预设轮廓大小阈值时，舍弃所述第二增强图像，并重新生成第二剔除面积。
[0101]
在上述实施例中，对图像进行随机擦除后，因为随机擦除可能出现可判别区域全部删除或者全部保留的情况，为了保证删除信息和保留信息之间做一个平衡，从而引入噪声来实现平衡，以达到更好的效果，噪声的引入可以通过以下表达式来实现：
[0102][0103]
k＝1-(1-r)2＝2r-r2；
[0104]
l＝r
×
d；
[0105]
d＝random(d
min
,d
max
)；
[0106]
δ
x
(δy)＝random(0,d-l)；
[0107]
其中，k为我们给定的掩码m的保持比，其由二进制掩码m∈{0,1}
w*h
中1的个数sum(m)与所有像素的个数h
×
w相除所得，h为图像的高长，w为图像的宽长，那么其表示的就是保留图像和原遮盖图像之间区域的比例，r是确定图像输入的比例，r是单位内两个遮挡部分的比率，d是一个单位长度，在参数d
min
,d
max
之间随机取值(random(x,y)函数表示在x，y范围内随机取值)，单位d的长度不影响保持率，但它决定了落下的正方形的大小，l是求得单位长度上未遮挡的长度，δ
x
和δy分别是完整的图像单元的边界(δ
x
和δy可以随机给定r和d的掩码，使掩码覆盖所有可能的情况)。
[0108]
可选的，所述将所述训练图像输入待训练神经网络模型中进行训练包括：
[0109]
随机将所述待训练神经网络模型中的神经元划分为训练神经元和待机神经元，并将所述训练图像输入待训练神经网络模型后，通过所述训练神经元基于所述训练图像进行训练，训练完成后，通过所述训练神经元和所述待机神经元基于所述训练图像对训练后的待训练神经网络模型进行验证。
[0110]
在上述实施例中，通过随机划分的方式，将待训练神经网络模型中的神经元划分为训练神经元和待机神经元，并对训练神经元中的对应参数进行训练，训练过程中，屏蔽掉待机神经元中的参数，从而提高待训练神经网络模型的训练效率，同时，训练完成后进行验证的过程中，训练神经元和待机神经元均参与更新，保障了训练后得到的目标神经网络模型的准确性。
[0111]
可选的，所述方法还包括：
[0112]
将所述待检测图像的下一帧图像中的人员位置信息输入目标神经网络模型中进行判断，并生成第三判断结果；
[0113]
将所述第三判断结果与第二判断结果进行比对生成比对值，并将所述比对值与预设相似度阈值进行比较，在所述比对值大于预设相似度阈值时，不发出告警信息，在所述比对值小于预设相似度阈值时，发出告警信息。
[0114]
在上述实施例中，当输入一段视频流数据后，算法会将视频流按帧拆分进行分析，并对每一帧画面进行目标检测，完成检测之后再将帧图片组合成固定时长的视频流进行输出；这样的处理方式意味着算法可能会对同一对象的一次坠落风险进行频繁地报警；为了避免重复报警，本系统在目标识别算法的基础上扩展了路径跟踪算法；当模型对坠落风险进行检测时，算法会将不同帧的目标识别结果进行比对，如果比对结果表明不同帧的目标具有高于阈值的相似度，则算法会将这一组不同帧的目标视为同一目标的同一个坠落风险，从而减少报警次数。
[0115]
可选的，所述告警信息包括现场高音喇叭提醒和移动互联网提醒。
[0116]
在上述实施例中，将检测出的人员坠落风险预警及时通知给相关人员，预警方式包括当现场有高音喇叭时，通过现场高音喇叭及时做出提醒，当现场没有设置高音喇叭时，也可以通过短信通知，微信及电话进行提醒等等，相关人员包括现场有坠落风险的人员本人、场景区域的负责人、保安和警察等。
[0117]
实施例2：
[0118]
本技术实施例提供一种人员坠落风险检测方法具体的实施步骤如下：
[0119]
步骤1：将指定区域高清摄像头视频流输出到服务器。
[0120]
步骤2：根据步骤1获取的视频流数据将视频中检测可能有坠落风险的危险区域。在检测到危险区域后对该危险区域进行虚拟画线，用于后续步骤判断人员坠落风险。
[0121]
步骤3：由于在进行人员坠落风险预测工作之前，需要对区域内人员进行识别，在识别中本发明采用将目标检测问题转换为直接从图像中提取bounding boxes和类别概率的单个回归问题的方法，只需进行一次操作即可检测目标类别和位置信息。对传入图像分为s
×
s个网格，若一个目标的中心落入格子，该格子就负责检测该目标。
[0122]
步骤4：每一个格子预测bounding box和该box的置信值，置信值代表该框包含一个目标的置信度。置信值定义公式如下：
[0123][0124]
其中，表示第i个格子的第j个bounding box的置信度，pr(object)表示当前box是否有对象的概率，表示真实检测框和预测检测框之间的iou比值；
[0125]
每个网格还预测c个条件类别概率：pr(classi|objec)；
[0126]
某类出现在框中的概率以及预测框拟合目标程度表达式为：
[0127][0128]
其中，classi表示第i类类别。
[0129]
步骤5：为了使目标检测达到更高的识别率和准确率，通过组合随机裁剪和混合不同原图这两种方法，进行图片的原始训练，该方法的目标是结合初始的两个样本，生成新的样本进行训练，从而达到数据增强的目的；
[0130]
新样本坐标的表达式为：
[0131][0132]
其中，m∈{0,1}
w*h
表示一个二进制掩码，该掩码指示从两张图像中裁剪出并填充的位置，1表示掩码填充1的部分，xa和xb分别表示初始样本横坐标；
[0133]
新样本坐标的表达式为：
[0134][0135]
其中，λ表示两个数据点之间的组合比率，该比率是从贝塔分布中采样的beta(0,δ)(这里δ设为1)，ya和yb分别表示初始样本纵坐标。
[0136]
步骤6：为了对上式所描述的二进制掩码m进行采样，我们首先对边框坐标b＝(r
x
,ry,rw,rh)进行采样，xa中的区域b被移除，用xb中的区域b剪下的补片填充，采样的矩形掩模m，其长宽比与原始图像成正比，坐标b在(xa,xb)中按下列方法进行均匀采样:
[0137][0138][0139]
其中，剪裁面积比需要满足λ表示两个数据点之间的组合比率。
[0140]
步骤7：经过前面多个步骤，对区域内危险区域和人员识别之后，需要对人员坠落风险进行检测工作；为了避免重复报警，本系统在目标识别算法的基础上扩展了路径跟踪
算法；当模型对坠落风险进行检测时，算法会将不同帧的目标识别结果进行比对，如果比对结果表明不同帧的目标具有高于阈值的相似度，则算法会将这一组不同帧的目标视为同一目标的同一个坠落风险，从而减少报警次数。
[0141]
步骤8：将检测出的人员坠落风险预警及时通知给相关人员，预警方式包括现场高音喇叭提醒，短信通知，微信及电话等等，相关人员包括现场有坠落风险的人员本人、场景区域的负责人、保安和警察等。
[0142]
请参见图3，本技术实施例还提供一种人员坠落风险检测系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述中任一所述方法的步骤。
[0143]
本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述所述的方法步骤。
[0144]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。