申请/专利权人：北京惠朗时代科技有限公司

申请日：2021-06-21

公开（公告）日：2024-03-29

公开（公告）号：CN113344095B

主分类号：G06V40/16

分类号：G06V40/16;G06V10/762;G06V10/774;G06V10/50;G06V10/46

优先权：

专利状态码：有效-授权

法律状态：2024.03.29#授权;2021.09.21#实质审查的生效;2021.09.03#公开

摘要：本发明公开了一种基于多特征算子的K‑means工人疲劳简易判别方法，涉及疲劳判别技术领域，该方法通过分别对选取的正训练样本图像和负训练样本图像进行多尺度图像细节优化处理；分别对优化处理后的正训练样本图像和负训练样本图像进行SIFT特征提取、GIST特征提取、HOG特征提取；分别利用K‑means聚类算法对待检测图像进行判别是否为疲劳图片或非疲劳图片；这样的方法，通过多尺度图像细节优化处理、多特征算子特征提取、K‑means算法等方法充分结合，更加全面、精准、鲁棒地对工人疲劳进行判别；整个系统使用的模型较为简易，没有较大的计算资源消耗，极大地节省了相关资源并降低了运算时间。

主权项：1.一种基于多特征算子的K-means工人疲劳简易判别方法，其特征在于，包括以下步骤：选取多个非疲劳工人的面部图像作为正训练样本图像；选取多个疲劳工人的面部图像作为负训练样本图像；分别对选取的正训练样本图像和负训练样本图像进行多尺度图像细节优化处理得到优化处理后正训练样本图像和负训练样本图像；分别对优化处理后的正训练样本图像和负训练样本图像进行SIFT特征提取，利用SIFT特征算子实现对待检测图像进行表征，得到第一表征图像；分别对优化处理后的正训练样本图像和负训练样本图像进行GIST特征提取，利用GIST特征算子实现对待检测图像进行表征，得到第二表征图像；分别对优化处理后的正训练样本图像和负训练样本图像进行HOG特征提取，利用HOG特征算子实现对待检测图像进行表征，得到第三表征图像；利用K-means聚类算法分别对第一表征图像、第二表征图像和第三表征图像进行判别得到三个判别结果；若三个判别结果中有两个及以上结果被判定为非疲劳图片，则将其最终判定为非疲劳图片；若三个判别结果中有两个及以上结果被判定为疲劳图片，则将其最终判定为疲劳图片；其中，利用K-means聚类算法分别对第一表征图像、第二表征图像和第三表征图像进行判别包括以下步骤：将表征图像、多个正训练样本图像和多个负训练样本图像放入一起，从中随机选取2个初始聚类中心；其中，表征图像为第一表征图像、第二表征图像或第三表征图像；计算每个表征图像、多个正训练样本图像和多个负训练样本图像到各聚类中心的距离，将每个表征图像、多个正训练样本图像和多个负训练样本图像归到其距离最近的聚类中心；对每个簇，以所有表征图像、多个正训练样本图像和多个负训练样本图像的均值作为簇的新的聚类中心；重复上述步骤,直到聚类中心不再变化；若表征图像被聚类为正样本类别，将其判定为非疲劳图像；若表征图像被聚类为负样本类别，将其判定为疲劳图像。

全文数据：

权利要求：

百度查询： 北京惠朗时代科技有限公司 一种基于多特征算子的K-means工人疲劳简易判别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD