根据神经网络训练提取建筑工地外来人员的工作方法

摘要

本发明提出了一种根据神经网络训练提取建筑工地外来人员的工作方法，包括如下步骤：S1，获取建筑施工人员直方图，对运动轨迹进行跟踪处理，形成建筑施工人员的身体尺寸直方图判断值评分；S2，对直方图中的人脸数据提取有效图像区域，通过窗口匹配算法对人脸图像进行初步筛选处理；S3，初步筛选之后对人脸图像进行姿态感知模型训练输出，输出的人脸数据进行相似度匹配；S4，匹配结果中对特征缺失通过缺失补足模型进行判断，从而推荐远程终端匹配人脸的可能性阈值。

说明书

技术领域

本发明涉及大数据分析领域，尤其涉及一种根据神经网络训练提取建筑工地外来人员的工作方法。

背景技术

城市建设过程中，对于建筑施工数据会积累海量的基础数据，其中包括工程运输数据，施工人员数据，尤其在施工人员数据中，包含了进出建筑施工现场的工作人员，对于大型楼盘施工过程中，会有海量的施工工作人员进出施工现场，通过图像采集设备获取工作人员人脸信息后，现有的工作方法只是简单的图像统计，并不能对发生图像差异的数据进行有效提取和推荐，这就亟需本领域技术人员解决相应的技术问题。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种根据神经网络训练提取建筑工地外来人员的工作方法。

为了实现本发明的上述目的，本发明提供了一种根据神经网络训练提取建筑工地外来人员的工作方法，包括：

S1，通过数据平台多节点采集建筑施工人员进出数据，获取建筑施工人员直方图，对运动轨迹进行跟踪处理，形成建筑施工人员的身体尺寸直方图判断值评分；

S2，对直方图中的人脸数据提取有效图像区域，通过窗口匹配算法对人脸图像进行初步筛选处理；

S3，初步筛选之后对人脸图像进行姿态感知模型训练输出，输出的人脸数据进行相似度匹配；

S4，匹配结果中对特征缺失通过缺失补足模型进行判断，从而推荐远程终端匹配人脸的可能性阈值。

优选的，所述S1包括：

S1-1，通过图像采集设备收集建筑施工人员的身体尺寸样本特征，根据身体尺寸样本特征匹配得到经过收敛判断的候选直方图，收敛判断阈值z

z

p为训练身体尺寸的模型参数，H

S1-2，对于每一个身体尺寸的缩放计算，通过缩放比例模型获得：

优选的，所述S1还包括：

S1-3，因为获取身体尺寸数据中x和y的坐标值，根据身体尺寸的差异而存在获取数据偏差，当最终缩放比例模型需要经过协调平衡得到具有差异的身体尺寸幅值时，计算候选缩放判断值，根据身体尺寸的对象目标计算判断值Q

Q

其中，u

优选的，所述S2包括：

S2-1，提取n个直方图中人脸窗口图像区域数据M

优选的，所述S2包括：

S2-2，计算当前人脸窗口图像序列对(M

其中，avg(*)当前人脸窗口图像序列的Lab颜色空间校验平均值，A表示Lab颜色空间的任意通道L、a、b，δ为校验系数；

S2-3，通过计算人脸窗口图像序列对的渐变尺度的值

优选的，所述S2包括：

S2-4，将当前人脸窗口图像序列对的渐变尺度的值D与先前窗口对里获得平均颜色变化度C比较，通过判断阈值T时，则对疑似非人脸窗口图像序列对进行删除，然后移动到下一个窗口对，直到最后一个窗口判断完毕；

其中，

优选的，所述S2包括：

S2-5，通过Lab颜色空间校验平均值计算相应序列对之后，对颜色进行平均值校验，从而实现人脸的初步筛选，确定人员信息，然后根据面部合成方法完成人脸识别，将无约束面部识别变换成正面面部识别，从模糊轮廓面重建人脸正面，将人脸面部进行旋转成为正面人脸姿态，然后进行正面人脸平面对齐，由于双眼作为标定点，以及嘴的两个嘴角的标定点，四个点形成倒梯形，四个点连接的对角线位置区域为鼻子的标定点，进行两张人脸窗口图像的对齐操作；排除正梯形和对角线区域未发现鼻子标定点的人脸窗口图像。

优选的，所述S3包括：

S3-1，通过建筑施工人员所采集的人脸图像窗口序列正脸和用户实际人脸图像窗口的侧脸的相关度进行统一，通过姿态感知模型对相关度进行衡量计算：通过姿态偏差权重β来平衡正脸和侧脸相关度衡量结果

S[T

其中S[T

优选的，所述S3包括：

S3-2，人脸头部转动角度在偏航轴上发生变化，通过使用人脸偏航角获取人脸的姿态角，人脸对齐过程和五官部分聚合过程将进行迭代重合变化，通过人脸偏航角θ从而均衡人脸姿态分类数目为S

人脸姿态分类结果

W

S3-3，经过人脸偏航角深度变换对应人脸的对齐表现，在多任务深度变换学习(DTL)中提取出有辨别性的人脸特征，通过目标优化函数进行对齐优化；

其中，

优选的，所述S4包括：

S4-1，通过目标优化函数之后，对匹配结果中的i种和j种尺寸人脸图像特征缺失进行缺失补足，通过宏观相似度补足计算对眼部缺失和耳部缺失特征集合进行补足，

S4-2，在缺失补足状态下标注的所有人脸图像信息包括眼部缺失特征和耳部缺失特征两个集合，两个集合之间的相似性为两个集合交集的元素个数绝对值除以并集的元素个数绝对值，

S4-3，通过设置人脸图像特征评分和人脸图像特征总分进行阈值判断，将符合阈值的人脸特征图像推荐到远程终端；

通过缺失补足之后的i种尺寸人脸图像和j种尺寸人脸图像进行缺失判断，

如果人脸图像样本的i种尺寸人脸图像集合为空，函数f

在i种尺寸人脸图像集合中含有有效人脸图像特征c

j种尺寸人脸图像的缺失特征得分为J，

在j种尺寸人脸图像集合中含有有效人脸图像特征c

宏观总分G＝I+J，如果G值超过设定阈值则判断，i种尺寸人脸图像和j种尺寸人脸图像集合缺失严重，如果G值未超过设定阈值则判断，i种尺寸人脸图像和j种尺寸人脸图像集合无明显缺失。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

通过对图像生成直方图，在图像中直方图的运行轨迹中抓取人脸的有效图像区域，通过窗口匹配算法以及色彩度判断方法进行初步筛选操作；通过相似度匹配进行人脸数据输出，对于输出的结果通过缺失补足模型进行判断，从而发送到远程终端进行推荐整合处理。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明总体示意图；

图2是本发明实施示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

如图1和2所示，本发明公开一种根据神经网络训练提取建筑工地外来人员的工作方法，包括如下步骤：

S1，通过数据平台多节点采集建筑施工人员进出数据，获取建筑施工人员直方图，对运动轨迹进行跟踪处理，形成建筑施工人员的身体尺寸直方图判断值评分；

S2，对直方图中的人脸数据提取有效图像区域，通过窗口匹配算法对人脸图像进行初步筛选处理；

S3，初步筛选之后对人脸图像进行姿态感知模型训练输出，输出的人脸数据进行相似度匹配；

S4，匹配结果中对特征缺失通过缺失补足模型进行判断，从而推荐远程终端匹配人脸的可能性阈值。

所述S1包括：

S1-1，通过图像采集设备收集建筑施工人员的身体尺寸样本特征，根据身体尺寸样本特征匹配得到经过收敛判断的候选直方图，收敛判断阈值z

z

p为训练身体尺寸的模型参数，H

S1-2，对于每一个身体尺寸的缩放计算，通过缩放比例模型获得：

S1-3，因为获取身体尺寸数据中x和y的坐标值，根据身体尺寸的差异而存在获取数据偏差，当最终缩放比例模型需要经过协调平衡得到具有差异的身体尺寸幅值时，计算候选缩放判断值，根据身体尺寸的对象目标计算判断值Q

Q

其中，u

当获得的候选直方图的判断值，其为身体尺寸在图像范围内的最高值，也是具有目标像素邻域的最高值，为了减少最高值过于集中某一图像区域而可能导致候选直方图发生偏移的现象；因此选择像素点进行匹配时，使得最终候选直方图具有身体尺寸在图像范围内的最高值，也是目标像素邻域的最高值。

所述S2包括：

S2-1，提取n个直方图中人脸窗口图像区域数据M

S2-2，计算当前人脸窗口图像序列对(M

其中，avg(*)当前人脸窗口图像序列的Lab颜色空间校验平均值，A表示Lab颜色空间的任意通道L、a、b，δ为校验系数；

S2-3，通过计算人脸窗口图像序列对的渐变尺度的值

S2-4，将当前人脸窗口图像序列对的渐变尺度的值D与先前窗口对里获得平均颜色变化度C比较，通过判断阈值T时，则对疑似非人脸窗口图像序列对进行删除，然后移动到下一个窗口对，直到最后一个窗口判断完毕；

其中，

S2-5，通过Lab颜色空间校验平均值计算相应序列对之后，对颜色进行平均值校验，从而实现人脸的初步筛选，确定人员信息，然后根据面部合成方法完成人脸识别，将无约束面部识别变换成正面面部识别，从模糊轮廓面重建人脸正面，将人脸面部进行旋转成为正面人脸姿态，然后进行正面人脸平面对齐，由于双眼作为标定点，以及嘴的两个嘴角的标定点，四个点形成倒梯形，四个点连接的对角线位置区域为鼻子的标定点，进行两张人脸窗口图像的对齐操作；排除正梯形和对角线区域未发现鼻子标定点的人脸窗口图像，

所述S3包括：

S3-1，通过建筑施工人员所采集的人脸图像窗口序列正脸和用户实际人脸图像窗口的侧脸的相关度进行统一，通过姿态感知模型对相关度进行衡量计算：通过姿态偏差权重β来平衡正脸和侧脸相关度衡量结果

S[T

其中S[T

S3-2，人脸头部转动角度在偏航轴上发生变化，通过使用人脸偏航角获取人脸的姿态角，人脸对齐过程和五官部分聚合过程将进行迭代重合变化，通过人脸偏航角θ从而均衡人脸姿态分类数目为S

人脸姿态分类结果

W

S3-3，经过人脸偏航角深度变换对应人脸的对齐表现，在多任务深度变换学习(DTL)中提取出有辨别性的人脸特征，通过目标优化函数进行对齐优化；

其中，

所述S4包括：

S4-1，通过目标优化函数之后，对匹配结果中的i种和j种尺寸人脸图像特征缺失进行缺失补足，通过宏观相似度补足计算对眼部缺失和耳部缺失特征集合进行补足，因为在获取人脸图像过程中，会造成一只眼睛遮挡或者一只耳朵遮挡；

S4-2，在缺失补足状态下标注的所有人脸图像信息包括眼部缺失特征和耳部缺失特征两个集合，两个集合之间的相似性为两个集合交集的元素个数绝对值除以并集的元素个数绝对值，

S4-3，通过设置人脸图像特征评分和人脸图像特征总分进行阈值判断，将符合阈值的人脸特征图像推荐到远程终端；

通过缺失补足之后的i种尺寸人脸图像和j种尺寸人脸图像进行缺失判断，

如果人脸图像样本的i种尺寸人脸图像集合为空，函数f

在i种尺寸人脸图像集合中含有有效人脸图像特征c

j种尺寸人脸图像的缺失特征得分为J，

在j种尺寸人脸图像集合中含有有效人脸图像特征c

宏观总分G＝I+J，如果G值超过设定阈值则判断，i种尺寸人脸图像和j种尺寸人脸图像集合缺失严重，如果G值未超过设定阈值则判断，i种尺寸人脸图像和j种尺寸人脸图像集合无明显缺失。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。