基于傅里叶描述子的吸烟行为检测方法

针对烟雾传感器易受粉尘和水雾影响、视频烟雾采集易受光照和气象条件影响等问题,提出了一种基于傅里叶描述子的吸烟行为检测方法。首先,制定了手部区域获取规则,完成Azure Kinect传感器RGB相机与深度相机的标定和对齐,得到包含烟支的手部目标区域;然后,比较不同颜色模型下的烟支分割效果,选择分割效果更优的YCbCr颜色模型,并提取分割后图片基于傅里叶描述子的形状特征;最后,训练支持向量机(SVM)分类器,以交叉验证的方式选择参数。建立吸烟行为检测数据集,比较了不同的分类器。实验结果表明:本文提出的基于傅里叶描述子与SVM的吸烟检测方法准确率达86%、精确率93%、召回率达82%。本文方法检测效果优,可布置在移动巡检机器人上,为保障石化厂区的安全发挥积极作用。

基于多任务分类的吸烟行为检测

为了及时检测吸烟行为,准确做出状态判断,提出了一种基于多任务分类的吸烟行为检测算法。该算法融合多任务卷积神经网络、级联回归和残差网络,通过多任务卷积神经网络算法和基于梯度提高学习的回归树方法(RET级联回归)快速定位嘴部感兴趣区域(ROI);在此基础上,采用残差网络对ROI内目标进行检测和状态识别。实验结果表明,该算法可以准确检测到吸烟行为的发生并做出状态判断,准确率可以达到87. 5%。

基于人体骨骼关键点的吸烟行为检测算法

针对公共场所的监控视频中烟头目标较小并且吸烟产生的烟雾易发散,仅依靠目标检测算法检测烟头或者烟雾来判定吸烟行为存在较大难度的问题,考虑到利用骨骼关键点来进行姿态估计的算法越来越成熟,提出一种利用人体骨骼关键点和吸烟行为之间的关系来进行吸烟行为检测的算法。该算法首先利用AlphaPose和RetinaFace分别检测出人体骨骼关键点和脸部关键点信息,根据手腕到两嘴角中点和手腕到同侧眼睛的距离之比,提出一种计算人体的吸烟动作比例(SAR)是否属于吸烟动作黄金比例(GRSA)的方法以区分吸烟与非吸烟行为;再利用YOLOv4检测视频中是否存在烟头;最后结合GRSA判定和YOLOv4的结果来确定视频中存在吸烟行为的可能性高低,作出是否有吸烟行为的判定。经过笔者录制的数据集测试,结果表明所提算法可以准确检测到吸烟行为,准确率达到92%。

基于改进RetinaFace和YOLOv4的船舶驾驶员吸烟和打电话行为检测

针对船舶驾驶员值班过程中吸烟和打电话行为造成注意力分散威胁船舶航行安全的问题,提出一种基于改进RetinaFace和YOLOv4的吸烟和打电话行为检测算法。采用改进的RetinaFace网络提取人脸感兴趣区域,使用改进的YOLOv4目标检测模型检测该区域内是否存在香烟或手机,从而识别船舶驾驶员的吸烟和打电话行为。实验结果表明,本文算法具有较高的检测精度和速度,在自建数据集上的类平均精度(mean average precision,MAP)高达98.51%,误检率仅为3.2%。使用PyQt开发图形界面程序。该算法可以准确识别出驾驶员的吸烟和打电话行为,能够较好地适应船舶驾驶台的复杂环境,满足实时检测的要求。