基于YOLO检测模型口罩人脸快速识别技术在无人值守井站的应用

近年来随着无人值守井站在行业内逐渐普及,大大提高了采油巡查的效率,但无人值守井站也面临着一定的安全问题,不法分子为获取利益逃避追责,往往采用蒙面或者戴口罩的方式伪装后对采油设施进行破坏,传统的监控设施无法对不法分子进行准确识别定位。为了消除这一安全隐患,笔者提出了基于YOLO(You Only Look Once)检测模型的人脸快速识别技术,解决嵌入式设备上人脸识别检测算法的检测精度低和检测速度慢的问题,实现了佩戴口罩情况下的人脸快速识别,为无人值守井站的安全提供了有力的保障,在一定程度上降低了石油公司的运营成本。

基于图卷积与规则匹配的单兵动作识别

针对基于骨架数据的动作识别方法存在语义理解方面不足,以及骨架数据获取不全导致识别准确率较低的问题,本文提出了一种基于融合语义分析的图卷积与规则匹配的单兵动作识别方法。首先,使用OpenPose姿态估计模型对士兵作战视频进行骨骼关键点提取;然后,根据有效骨骼关键点提取情况,动态选择基于目标检测模型(You Only Look Once,YOLO)的单兵动作识别方法或基于图卷积的动作识别方法;最后,针对图卷积网络置信度不高的判别结果引入规则匹配算法进一步完成单兵动作识别判定。实验结果表明,与时空图卷积网络(Spatial Temporal Graph Convolutional Networks,ST-GCN)算法和双流自适应图卷积网络(Two-Stream Adaptive Graph Convolutional Networks,2s-AGCN)算法相比,该方法在单兵动作识别任务中准确率分别提高了约38%与11%。

基于YOLO与改进的DLIB多角度遮挡人脸判别方法

针对ATM机上违法犯罪分子通过遮挡面部进行犯罪活动进而无法追踪的问题,提出了一种基于YOLO与改进的DLIB多角度遮挡人脸判别方法。通过将基于YOLO模型的多目标检测改成单一人脸检测,并调整其损失函数中人脸置信度损失计算方式,提高了人脸定位的准确性与时效性,完成了从原始图像的输入到任意人脸位置的回归,再结合改进的DLIB多角度人脸68个关键点检测算法在回归出的人脸位置上进行遮挡判别的新方法。测试结果验证了新方法优于传统方法,能够有效并快速地判别出各类遮挡,实现了ATM机上遮挡人脸判别的实时性与鲁棒性,具有较高的应用价值。