一种长距离人脸定位识别算法及巡检机器人制造技术

本发明专利技术公开了一种长距离人脸定位识别算法及巡检机器人，采集现场图像后执行如下步骤：首先，进行图像预处理以改善图像质量，处理后的图像经过人脸检测后，输出与每张图像对应的2D提取框的坐标和大小；然后，对每个所述2D提取框中的人脸进行人脸特征提取，并通过资信库匹配及排班检查实现所提取人脸特征与人脸特征库的特征匹配及排班检查。本发明专利技术可在检修现场20

【技术实现步骤摘要】
一种长距离人脸定位识别算法及巡检机器人


[0001]本专利技术属于电力作业现场安全管控
，尤其涉及以沿地线巡检机器人为载体的长距离人脸定位识别算法。

技术介绍

[0002]传统的现场安全管控基本依靠人工的监护和稽查，安全监督人员数量有限，且存在效率低、作业周期长、精准度差、漏查情况严重等问题。因此，利用设备逐步代替人工进行安全管控已成为电力行业的最新趋势。沿地线巡检机器人可有效解决上述人工监督的问题，并大幅降低电力运维成本。
[0003]近年来，由于未授权人员进入作业现场产生了一定的隐患，输电线路安全管控中的人员资信审核问题已引起了研究人员的高度重视。尽管目前输电线路施工现场基本上能保证视频监控系统全覆盖，但并未专门设置人脸识别功能。如何利用沿地线巡检机器人这个载体，通过长距离人脸定位识别完成对电力作业人员的资信审核就成了该领域亟待解决的问题。

技术实现思路

[0004]针对现有技术的缺陷，本专利技术所要解决的技术问题就是提供一种长距离人脸定位识别算法，通过长距离人脸定位识别完成对电力作业人员的资信审核。
[0005]为解决上述技术问题，本专利技术采用如下技术方案：
[0006]一种长距离人脸定位识别算法，采集现场图像后执行如下步骤：
[0007]首先，进行图像预处理以改善图像质量，处理后的图像经过人脸检测后，输出与每张图像对应的2D提取框的坐标和大小；
[0008]然后，对每个所述2D提取框中的人脸进行人脸特征提取，并通过资信库匹配及排班检查实现所提取人脸特征与人脸特征库的特征匹配及排班检查。
[0009]优选的，所述图像预处理采用基于中值滤波和高斯滤波的频率域图像增强法。
[0010]优选的，所述人脸检测基于RetinaFace算法实现。
[0011]优选的，所述特征提取基于InsightFace算法实现，采用深度卷积神经网络，通过姿态正则化，将人脸图像变成一个类内距离小而类间距离大的特征。
[0012]优选的，所述资信库匹配及排班检查，首先将从图像中提取到的人脸特征与人脸特征库中特征一一匹配，并返回匹配度最高的图像所对应的身份信息，然后对该信息对应的排班表进行核查，确定现场是否符合既定的排班要求。
[0013]优选的，所述资信库匹配及排班检查在沿地线巡检机器人本体完成，仅将最后结果反馈给云服务器，并在发现异常时向云服务器发送报警信息和现场照片。
[0014]本专利技术还提供了一种巡检机器人，包括可见光采集设备、处理器和存储器，所述可见光采集设备用于采集图像，所述存储器存储计算机执行指令；所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行所述的一种长距离人脸定位识别算法。
[0015]本专利技术采用的技术方案，在搭载可见光采集设备的沿地线巡检机器人上内嵌长距离人脸定位识别算法，与云服务器相连接，可在检修现场20
‑
30米处，对电力现场的作业人员进行资信审核，若发现未授权作业人员，则向云服务器报警并上传现场的照片。
[0016]本专利技术采用的具体技术方案及其带来的有益效果将会在下面的具体实施方式中结合附图中予以详细的揭露。
附图说明
[0017]下面结合附图和具体实施方式对本专利技术作进一步描述：
[0018]图1是本专利技术一种长距离人脸定位识别算法的算法流程图。
[0019]图2是本专利技术中人脸检测模块的结构框图。
具体实施方式
[0020]下面结合本专利技术实施例的附图对本专利技术实施例的技术方案进行解释和说明，但下述实施例仅为本专利技术的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其他实施例，都属于本专利技术的保护范围。
[0021]实施例一
[0022]参阅图1，一种长距离人脸定位识别算法，采集现场图像后执行如下步骤：图像预处理、人脸检测、特征提取、资信库匹配及排班检查。
[0023]首先从可见光采集设备中按照既定程序实时采集图像，然后进行图像预处理以改善图像质量。处理后的图像经过人脸检测后，输出与每张图像对应的2D提取框的坐标和大小。然后，对每个所述2D提取框中的人脸进行人脸特征提取，并通过资信库匹配及排班检查实现所提取人脸与人脸特征库的特征匹配及排班检查。检查结果通过4G/5G网络与云服务器进行交互，并在发现异常时向云服务器报警。
[0024]图像采集硬件上由搭载于沿地线巡检机器人上的可见光采集设备实现，软件上的逻辑控制由巡检机器人实现。巡检机器人根据预设的规则调整图像采集的分辨率和采集帧率，并将修改后的采集命令通过串口发送至可见光采集设备上，控制其工作。
[0025]进行所述图像采集时，沿地线巡检机器人通过内置的单目相机测距算法和机器人运动控制算法，与现场作业人员保持20
‑
30米的距离，避免影响作业安全，同时沿地线巡检机器人上所搭载的旋转云台将自动调整可见光采集设备的方位角，以获得最佳的图像采集角度。
[0026]图像预处理目的在于增强图像中的有效信息，改善图像视觉效果，以应对室外不同的光照条件和气候条件。图像预处理有许多种方法，在本专利技术中采用了基于中值滤波和高斯滤波的频率域图像增强法，分别抑制图像中的脉冲噪声和高斯噪声，改善图像质量。其中，高斯滤波的算子是二维高斯分布：
[0027][0028]式中，μ为高斯均值通常取0，σ为标准差，在高斯滤波中体现为滤波通道宽度。本专利技术还引入了暗光增强算法，在自然光不足的场景中，对图像亮度进行补偿。
[0029]如图2所示，人脸检测基于RetinaFace算法实现，其结构包含了ResNet、特征金字
塔、上下文模块和多任务学习。人脸检测开始时，ResNet根据预处理后的图像产生5
‑
6个残差层，传入特征金字塔模块。
[0030]特征金字塔模块对ResNet产生的残差层使用自上而下和横向连接，得到下面4个金字塔层，最上层通过对第二残差层进行以步幅2进行3
×
3卷积得到。
[0031]上下文模块跟在五个特征金字塔层后面，使用可变卷积网络来增强在欧几里得网格中的感受域和刚性上下文建模的能力，增加了算法对长距离条件下采集图像的人脸检测能力。
[0032]多任务学习阶段将计算上下文模块中每个锚点的多任务损失函数L：
[0033][0034]式中，p
i
为第i个锚点是人脸的预测概率，为1时表示阳性锚点，为0时表示阴性锚点，L
cls
函数为人脸分类损失函数，选择了二分类问题中的softmax函数；t
i
和t
i
*分别表示预测框的坐标和阳性锚点的真值框的坐标，人脸框回归损失函数其中R是鲁棒损失函数(smooth
‑
L1)；l
i
和l
i
*分别表示预测的五面部特征点和与阳性锚点关联的真值，五面部特征点回归损失函数L
p本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种长距离人脸定位识别算法，其特征在于，采集现场图像后执行如下步骤：首先，进行图像预处理以改善图像质量，处理后的图像经过人脸检测后，输出与每张图像对应的2D提取框的坐标和大小；然后，对每个所述2D提取框中的人脸进行人脸特征提取，并通过资信库匹配及排班检查实现所提取人脸特征与人脸特征库的特征匹配及排班检查。2.根据权利要求1所述的一种长距离人脸定位识别算法，其特征在于，所述图像预处理采用基于中值滤波和高斯滤波的频率域图像增强法。3.根据权利要求1所述的一种长距离人脸定位识别算法，其特征在于，所述人脸检测基于RetinaFace算法实现。4.根据权利要求1所述的一种长距离人脸定位识别算法，其特征在于，所述特征提取基于InsightFace算法实现，采用深度卷积神经网络，通过姿态正则化，将人脸图像变成一个类内距离小而类...

【专利技术属性】
技术研发人员：倪宏宇，宋金根，周辉，姚建立，黄苏，林祖荣，颜文旭，储杰，
申请(专利权)人：江南大学国网浙江省电力有限公司，
类型：发明
国别省市：