一种穿戴规范识别方法、装置、介质和电子设备与流程

本技术实施例涉及图像检测，尤其涉及一种穿戴规范识别方法、装置、介质和电子设备。

背景技术：

1、近些年来，一些工作场所对于工作人员的穿戴要求严格，他们在特定的场所需要穿戴规范的工服，例如，生产车间、施工场地因安全等因素要求相关的工作人员穿戴相应的工服，穿戴不规范的工作人员会被警告，甚至不允许进入工作场所。

2、随着深度学习快速地发展，一些基于深度学习的技术也被用于工服穿戴规范检测领域。相关技术中，通常是采集特定工作场景下穿戴规范的工服图片，送入网络模型中训练，训练好的网络模型提取待识别工服图片以及注册工服图片的特征，计算两者之间的相似度，从而判断工作人员是否穿戴规范的工服。相关技术中训练的模型应用的工作场景变更时，识别准确率会下降，通用性差。因此，如何提高穿戴规范识别的准确率是亟需解决的问题。

技术实现思路

1、为解决现有存在的技术问题，本技术实施例提供了一种穿戴规范识别方法、装置、介质和电子设备，可以提高穿戴规范识别的准确率。

2、为达到上述目的，本技术实施例的技术方案是这样实现的：

3、第一方面，本技术实施例提供一种穿戴规范识别方法，包括：

4、获取包含待处理人体的待识别人体图像；

5、将所述待识别人体图像输入已训练的服饰穿戴识别模型，得到所述待识别人体图像的第一特征向量；所述服饰穿戴识别模型是采用训练样本数据对特征提取模型进行训练得到的，所述训练样本数据包括带有第一类标签的人体重识别图像和带有第二类标签的服饰识别图像，所述特征提取模型用于获取输入对象的特征向量，且特征提取模型的损失收敛至预设的目标条件时获得已训练的服饰穿戴识别模型；所述第一类标签表征人体身份；所述第二类标签表征服饰种类；

6、将所述第一特征向量和预设的基准特征向量进行相似度计算，得到相似度特征值；所述基准特征向量是将基准服饰图像输入所述已训练的服饰穿戴识别模型，得到的基准服饰的特征向量；

7、根据所述相似度特征值，确定所述待处理人体的服饰穿戴规范评估信息。

8、本技术实施例提供的穿戴规范识别方法，获取包含待处理人体的待识别人体图像；将所述待识别人体图像输入已训练的服饰穿戴识别模型，得到所述待识别人体图像的第一特征向量；所述服饰穿戴识别模型是采用训练样本数据对特征提取模型进行训练得到的，所述训练样本数据包括带有第一类标签的人体重识别图像和带有第二类标签的服饰识别图像，所述特征提取模型用于获取输入对象的特征向量，且特征提取模型的损失收敛至预设的目标条件时获得已训练的服饰穿戴识别模型；所述第一类标签表征人体身份；所述第二类标签表征服饰种类；将所述第一特征向量和预设的基准特征向量进行相似度计算，得到相似度特征值；所述基准特征向量是将基准服饰图像输入所述已训练的服饰穿戴识别模型，得到的基准服饰的特征向量；根据所述相似度特征值，确定所述待处理人体的服饰穿戴规范评估信息。该方法在穿戴规范识别时，通过使训练样本数据包括带有第一类标签的人体重识别图像和带有第二类标签的服饰识别图像，所述第一类标签表征人体身份，所述第二类标签表征服饰种类，并通过该训练样本数据对特征提取模型进行训练，得到已训练的服饰穿戴识别模型，能够提升服饰穿戴识别模型的泛化性，增强对未出现在训练样本数据中的新种类的服饰提取特征向量时的鲁棒性，可以提高穿戴规范识别的准确率。

9、在一种可选的实施例中，所述特征提取模型的输出包括整体全局特征、上半身局部特征和下半身局部特征；所述特征向量由所述整体全局特征、所述上半身局部特征和所述下半身局部特征拼接融合而得到。

10、在一种可选的实施例中，所述人体重识别图像为第一数量，所述服饰识别图像为第二数量；所述第一数量大于所述第二数量。

11、在一种可选的实施例中，得到已训练的所述服饰穿戴识别模型的过程中，所述训练包括如下步骤：

12、获得训练样本数据；所述训练样本数据包括带有第一类标签的人体重识别图像和带有第二类标签的服饰识别图像；所述第一类标签表征人体身份；所述第二类标签表征服饰种类；

13、基于所述训练样本数据，选取批次训练图料；所述批次训练图料由所述服饰识别图像和所述人体重识别图像构成；

14、将批次训练图料输入待训练的服饰穿戴识别模型进行训练，并确定所述待训练的服饰穿戴识别模型的识别损失值；

15、确定所述识别损失值是否收敛至预设的目标值，如果是，则结束训练得到已训练的服饰穿戴识别模型，否则根据确定的识别损失值对待训练的服饰穿戴识别模型的参数进行调整并进行再次训练。

16、在该实施例的方法，在穿戴规范识别时，通过使训练样本数据包括带有第一类标签的人体重识别图像和带有第二类标签的服饰识别图像，所述第一类标签表征人体身份，所述第二类标签表征服饰种类，并通过该训练样本数据对特征提取模型进行训练，得到已训练的服饰穿戴识别模型，能够提升服饰穿戴识别模型的泛化性，增强对未出现在训练样本数据中的新种类的服饰提取特征向量时的鲁棒性，提高穿戴规范识别的准确率。

17、在一种可选的实施例中，所述服饰穿戴识别模型的训练样本数据包含n个颜色类别，n为大于2的整数。

18、在一种可选的实施例中，所述人体重识别图像和所述服饰识别图像均还带有颜色标签；所述颜色标签用于将训练数据集划分为多个颜色样本数据；所述基于所述训练样本数据，选取批次训练图料，包括：

19、逐一选取所述颜色样本数据，每选取一个颜色样本数据，通过当前的服饰穿戴识别模型，构建与当前选取的颜色样本数据对应的类别近邻关系图；所述类别近邻关系图包括同一颜色样本数据中的任意不同的两个类别的向量距离；

20、从所述颜色样本数据中随机选取一个，作为目标颜色样本数据；

21、从所述目标颜色样本数据中随机选取一个类别，作为基准类别；

22、根据所述类别近邻关系图，按照与基准类别的所述向量距离从小到大的顺序，从所述目标颜色样本数据中选取预设的第一数量个类别，作为所述基准类别的目标近邻类别；

23、从所述基准类别中任选预设的第二数量个图像，并从所述基准类别的每个所述目标近邻类别中任选所述第二数量个图像，得到所述批次训练图料。

24、在该实施例中，通过颜色标签将训练数据集划分为多个颜色样本数据；并基于颜色样本数据，构建类别近邻关系图，进而基于类别近邻关系图进行图像选取，得到批次训练图料。该方法，通过为每个颜色的颜色样本数据构建类别近邻关系图，每个批次训练图料由随机选择的类别及其相似的近邻类别组成，使得批次训练图料中的图像的颜色相同或相近，迭代训练后的网络模型对颜色相同或相近服饰的辨识能力更强，提高面对颜色相近的服饰时的区分度，提高穿戴规范识别的准确率。

25、在一种可选的实施例中，所述训练样本数据包括第一训练样本数据和第二训练样本数据；所述第一训练样本数据包括带有所述第一类标签的人体重识别图像，和带有所述第二类标签的服饰识别图像；所述第二训练样本数据是将所述第一训练样本数据去除满足预设条件的所述人体重识别图像后得到的；所述得到已训练的所述服饰穿戴识别模型的过程中，所述训练包括如下步骤：

26、根据所述第一训练样本数据对待训练的服饰穿戴识别模型进行一阶段训练，并确定所述待训练的服饰穿戴识别模型的第一识别损失值；

27、确定所述第一识别损失值是否收敛至预设的第一目标值，如果是，则结束训练得到服饰穿戴中间模型，否则根据确定的第一识别损失值对待训练的服饰穿戴识别模型的参数进行调整并通过所述第一训练样本数据进行再次一阶段训练；

28、根据所述第二训练样本数据对所述服饰穿戴中间模型进行二阶段训练，并确定所述服饰穿戴中间模型的第二识别损失值；其中，所述二阶段训练中，若从所述第二训练样本数据中选取到的服饰识别图像，则对选取到的所述服饰识别图像进行重采样处理；

29、确定所述第二识别损失值是否收敛至预设的第二目标值，如果是，则结束训练得到已训练的服饰穿戴识别模型，否则根据确定的识别损失值对所述服饰穿戴中间模型的参数进行微调并通过所述第二训练样本数据进行再次二阶段训练。

30、在该实施例的方法中，在第一阶段使用全部的行人重识别数据和服饰识别图像训练网络，在第二阶段，训练样本数据为部分行人重识别数据集和全部服饰识别图像，并重采样服饰识别图像，对第一阶段训练完的网络模型的参数进行微调，从而提高网络模型对于工服的辨识能力，提升穿戴规范识别的效率。

31、在一种可选的实施例中，所述服饰穿戴识别模型采用resnet18作为骨干网络。

32、在一种可选的实施例中，所述服饰穿戴识别模型采用交叉熵损失函数进行训练。

33、第二方面，本技术实施例还提供了一种穿戴规范识别装置，包括：

34、图像获取模块，用于获取包含待处理人体的待识别人体图像；

35、向量生成模块，用于将所述待识别人体图像输入已训练的服饰穿戴识别模型，得到所述待识别人体图像的第一特征向量；所述服饰穿戴识别模型是采用训练样本数据对特征提取模型进行训练得到的，所述训练样本数据包括带有第一类标签的人体重识别图像和带有第二类标签的服饰识别图像，所述特征提取模型用于获取输入对象的特征向量，且特征提取模型的损失收敛至预设的目标条件时获得已训练的服饰穿戴识别模型；所述第一类标签表征人体身份；所述第二类标签表征服饰种类；

36、相似度确定模块，用于将所述第一特征向量和预设的基准特征向量进行相似度计算，得到相似度特征值；所述基准特征向量是将基准服饰图像输入所述已训练的服饰穿戴识别模型，得到的基准服饰的特征向量；

37、对标识别模块，用于根据所述相似度特征值，确定所述待处理人体的服饰穿戴规范评估信息。

38、在一种可选的实施例中，所述特征提取模型的输出包括整体全局特征、上半身局部特征和下半身局部特征；所述特征向量由所述整体全局特征、所述上半身局部特征和所述下半身局部特征拼接融合而得到。

39、在一种可选的实施例中，所述人体重识别图像为第一数量，所述服饰识别图像为第二数量；所述第一数量大于所述第二数量。

40、在一种可选的实施例中，所述装置还包括第一模型训练单元；所述第一模型训练单元用于得到已训练的所述服饰穿戴识别模型；所述第一模型训练单元，具体用于：

41、获得训练样本数据；所述训练样本数据包括带有第一类标签的人体重识别图像和带有第二类标签的服饰识别图像；所述第一类标签表征人体身份；所述第二类标签表征服饰种类；

42、基于所述训练样本数据，选取批次训练图料；所述批次训练图料由所述服饰识别图像和所述人体重识别图像构成；

43、将批次训练图料输入待训练的服饰穿戴识别模型进行训练，并确定所述待训练的服饰穿戴识别模型的识别损失值；

44、确定所述识别损失值是否收敛至预设的目标值，如果是，则结束训练得到已训练的服饰穿戴识别模型，否则根据确定的识别损失值对待训练的服饰穿戴识别模型的参数进行调整并进行再次训练。

45、在一种可选的实施例中，所述服饰穿戴识别模型的训练样本数据包含n个颜色类别，n为大于2的整数。

46、在一种可选的实施例中，所述人体重识别图像和所述服饰识别图像均还带有颜色标签；所述颜色标签用于将训练数据集划分为多个颜色样本数据；所述第一模型训练单元，具体用于：

47、逐一选取所述颜色样本数据，每选取一个颜色样本数据，通过当前的服饰穿戴识别模型，构建与当前选取的颜色样本数据对应的类别近邻关系图；所述类别近邻关系图包括同一颜色样本数据中的任意不同的两个类别的向量距离；

48、从所述颜色样本数据中随机选取一个，作为目标颜色样本数据；

49、从所述目标颜色样本数据中随机选取一个类别，作为基准类别；

50、根据所述类别近邻关系图，按照与基准类别的所述向量距离从小到大的顺序，从所述目标颜色样本数据中选取预设的第一数量个类别，作为所述基准类别的目标近邻类别；

51、从所述基准类别中任选预设的第二数量个图像，并从所述基准类别的每个所述目标近邻类别中任选所述第二数量个图像，得到所述批次训练图料。

52、在一种可选的实施例中，所述训练样本数据包括第一训练样本数据和第二训练样本数据；所述第一训练样本数据包括带有所述第一类标签的人体重识别图像，和带有所述第二类标签的服饰识别图像；所述第二训练样本数据是将所述第一训练样本数据去除满足预设条件的所述人体重识别图像后得到的；所述装置还包括第二模型训练单元；所述第二模型训练单元，具体用于：

53、根据所述第一训练样本数据对待训练的服饰穿戴识别模型进行一阶段训练，并确定所述待训练的服饰穿戴识别模型的第一识别损失值；

54、确定所述第一识别损失值是否收敛至预设的第一目标值，如果是，则结束训练得到服饰穿戴中间模型，否则根据确定的第一识别损失值对待训练的服饰穿戴识别模型的参数进行调整并通过所述第一训练样本数据进行再次一阶段训练；

55、根据所述第二训练样本数据对所述服饰穿戴中间模型进行二阶段训练，并确定所述服饰穿戴中间模型的第二识别损失值；其中，所述二阶段训练中，若从所述第二训练样本数据中选取到的服饰识别图像，则对选取到的所述服饰识别图像进行重采样处理；

56、确定所述第二识别损失值是否收敛至预设的第二目标值，如果是，则结束训练得到已训练的服饰穿戴识别模型，否则根据确定的识别损失值对所述服饰穿戴中间模型的参数进行微调并通过所述第二训练样本数据进行再次二阶段训练。

57、在一种可选的实施例中，所述服饰穿戴识别模型采用resnet18作为骨干网络。

58、在一种可选的实施例中，所述服饰穿戴识别模型采用交叉熵损失函数进行训练。

59、第三方面，本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时，实现第一方面的穿戴规范识别方法。

60、第四方面，本技术实施例还提供了一种电子设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，当所述计算机程序被所述处理器执行时，使得所述处理器实现第一方面的穿戴规范识别方法。

61、第二方面至第四方面中任意一种实现方式所带来的技术效果可参见第一方面中对应的实现方式所带来的技术效果，此处不再赘述。