基于近红外图像的嵌入式人员在岗检测系统

在岗检测是现代安防领域中视频分析的一个重要研究方向,应用领域非常广泛。本文设计并实现了一种嵌入式人员在岗检测系统,为了提高此嵌入式系统的运行速度,提出了改进的人脸特征点检测方法;并且为了提高系统的检测准确率,建立了一个近红外人脸样本库。该系统通过近红外摄像头采集实时图像,然后进行人脸特征点检测,获取被检测人的面部信息。根据违规行为判断准则,判断当前是否出现违规动作并且发出警报。实验结果表明:在规定条件下,系统的人脸特征点检测准确率达到了95%,针对两种异常情况的检测准确率也都超过了94%,具有良好的实时性能。

基于视频图像处理的人员在岗检测技术

在一些场景中例如视频监控室等场所,常常由于人员擅自离岗,视频监控区域发生事故没有及时发现,导致不能及时有效的处理问题,造成较大损失或安全问题,因此,对于这些场景需要对人员在岗情况进行实时的监控,以避免因人员非法离岗而存在安全漏洞。本文设计并实现一种基于视频图像处理的人员在岗检测技术,利用OpenCV通过对值班室监控视频中的人员进行运动跟踪检测,判断出进入和离开值班室的人员数目,二者做差进而对值班室里的人员在岗情况进行判断。本方法无需额外借助其他硬件设备,检测成本低,检测效率和准确度高,具有良好的实时性能。

基于ILF-YOLOv3的人员在岗状态检测算法研究

为了解决员工在岗状态的实时监测和管理问题,提出了一种改进YOLOv3的目标检测算法,ILF-YOLOv3(Improve Loss and Feature-YOLOv3).首先,使用二分交叉熵损失函数和添加制衡权重参数的方式对YOLOv3算法的损失函数进行改进;然后,增加了模型多尺度特征检测模块的特征融合密度;最后,针对采样数据集单一性的问题,采用生成式对抗网络对其进行定向增强。实验结果表明,改进后的算法在自制的StaffSData-Strong数据集上mAP值提高了7.9%,召回率提高了14%.