技术摘要：
本发明公开了一种基于人体姿态识别煤矿工作人员不安全行为的方法，该方法首先通过预设若干种煤矿工作人员不安全行为，获取前述不安全行为视频信息，通过人体检测器确定前述视频信息内的人体关节的位置和类别，计算出不安全行为中各组相邻人体关节的亲和矢量场，作为阈 全部
背景技术：
在煤矿生产中，由于人的行为不规范，违章作业、违章指挥和违反劳动纪律造成的 事故反映的是人员经常性的行为的必然结果。“三违”的主体是人，现场管理人员和操作职 工“三违”现象时有发生，屡禁不止，严重地威胁了矿井的安全生产和职工的生命安全。 目前煤矿行业对“三违”行为的监督主要是通过视频监控和现场人工监督，也有少 数矿区引进自动监控系统，建立“三违”行为人工智能模型进行安全行为报警。但由于煤矿 井下环境的特殊性和计算机目标识别算法、卷积神经网络深度学习算法效率问题，普通的 “三违”行为感知方法存在如下缺陷： 1、普通目标识别算法效率有待提高，井下光线黑暗，情况复杂，为满足计算机视觉 算法需要，必须重新安装较昂贵的高清摄像头。 2、在较黑暗的光线或者安全帽不是常规种类时，不能识别安全帽。 3、对远距离模糊的人脸较难识别，违章者的身份难以确认。 4、煤矿工人姿态分析结果中姿态结构化数据的解析识别成行为的过程容易受井 下环境及光线、遮挡等因素的干扰，“三违”行为存在误报情况。针对数据的多样性与复杂 性，需要增加一种鲁棒性很强的行为识别算法。 5、普通深度学习模型为降低过拟合，需要大量数据进行模型训练，常规煤矿生产 过程中难以提供足够多的数据集，“三违”行为种类繁多，亟需小样本数据也能训练出准确 率较高的“三违”行为人工智能模型。 为有效减少和杜绝“三违”现象，从安全意识、素质提升、现场环境及现场管理等多 方面入手，急需一种低成本、高效率、高准确性的用于煤矿井下人员“三违”行为感知的深度 学习人工智能模型进行实时分析预警的装备。
技术实现要素：
针对现实中存在的缺陷，本发明提供一种基于人体姿态识别煤矿工作人员不安全 行为的方法。 为了解决上述技术问题，本发明的技术方案为： 一种基于人体姿态识别煤矿工作人员不安全行为的方法，该方法包含以下步骤： S1，预设若干种煤矿工作人员不安全行为，获取前述不安全行为视频信息，通过人 体检测器确定前述视频信息内的人体关节的位置和类别，计算出不安全行为中各组相邻人 体关节的亲和矢量场，作为阈值； S2，通过摄像头获取煤矿工作人员的工作图像，使用回归方法预测工作图像中人 体关节的位置和类别； 4 CN 111611927 A 说 明 书 2/5 页 S3，计算出工作图像中相邻人体关节的亲和矢量场与阈值进行对比，二者在一定 差值范围内判定为，工作人员行为违规，进行报警；不在该范围即判定为行为不违规。 优选的，在S2步骤中，获取工作图像以后，首先将彩色原图输入VGG-16的前十层中 得到一张Feature map，之后再输入到第一次循环当中，分别得到部位检测图S1和亲和矢量 场L1，之后的循环当中以前一次的循环结果S1和L1加上Feature map作为输入，若干循环后 得到最终结果St和Lt，然后对获得的St和Lt使用回归方法预测工作图像中人体关节的位置 和类别。 优选的，所述亲和矢量场计算函数如下， 优选的，S3步骤中，计算工作图像中相邻人体关节的亲和矢量场时，相邻关节点之 间计算完全二部图所有边的链接趋势(E)，计算出最优匹配， 其计算公式如下： 优选的，所述人体关节位置预测的函数如下： 5 CN 111611927 A 说 明 书 3/5 页 优选的，所述S2步骤中使用回归方法预测工作图像中人体关节的位置，在较大的 图像范围中采用若干个较小的anchor提取每个关节位置的特征。 优选的，所述人体关节类别包含如下部位：包括左右足、左右膝、左右腰、左右首、 左右肘、左右肩、左右耳、左右目关节与鼻关节和位于左右肩中间的首关节。 采用上述技术方案，具有以下有益效果： 1、数据采集完全基于原有摄像头，节省硬件开支，避免了重复建设。 2、自主研发的计算机视觉目标检测算法准确率更高，在较黑暗的光线下可准确识 别各种安全帽。 3、自主研发的计算机视觉目标检测算法准确率更高，远距离模糊的人脸可准确识 别并定位。 4、采用结构化数据集的深度神经网络分类算法改进“三违”行为感知深度学习人 工智能模型，误报率大大降低。 5、采用结构化数据集的深度神经网络分类算法改进“三违”行为感知深度学习人 工智能模型，可以用更少的数据训练出更准确的模型。 6、基于多尺度特征图像的检测：在多个尺度的卷积特征图上进行预测，以检测不 同大小的目标，一定程度上提升了小目标物体的检测精度。 7、在不同尺度的特征图上采样候选区域，一定程度上提升了检测的召回率以及小 目标的检测效果。 附图说明 图1为本发明中目标检测网络结构图； 图2为目标坐标及类别信息示意图； 图3为亲和矢量场示意图； 图4为相邻关节点之间计算完全二部图所有边的链接趋势图； 图5为关节位置数据的label图； 图6为循环示意图； 图7为人体关节类别示意图。
