本發(fā)明涉及視頻檢測(cè)領(lǐng)域，更具體地，涉及一種離崗檢測(cè)方法及系統(tǒng)。
背景技術(shù)：
：在一些關(guān)系到國計(jì)民生的重要公共設(shè)施、企業(yè)（如核電站）等重要地方會(huì)在室外設(shè)置崗哨以保衛(wèi)重要目標(biāo)的安全。為了消除哨兵擅自離開崗哨而造成的不必要的危害以及實(shí)現(xiàn)對(duì)哨兵在崗?fù)ぶ姓緧彽闹悄芑c規(guī)范化管理，需要對(duì)哨兵離崗的情況進(jìn)行實(shí)時(shí)監(jiān)測(cè)?，F(xiàn)有的離崗檢測(cè)技術(shù)主要通過提取前景運(yùn)動(dòng)目標(biāo)并對(duì)前景運(yùn)動(dòng)目標(biāo)的軌跡進(jìn)行分析，以確定目標(biāo)是否離開崗哨。此類方法缺陷較為明顯，其容易把室外光線變化、樹葉抖動(dòng)等誤檢為前景運(yùn)動(dòng)目標(biāo)，而且當(dāng)目標(biāo)動(dòng)作微小或不動(dòng)時(shí)，容易把前景目標(biāo)誤認(rèn)為背景，致使在離崗檢測(cè)時(shí)產(chǎn)生誤報(bào)。公開號(hào)為“cn104408406a”的發(fā)明專利提出了一種基于幀差法和減背景法的人員離崗檢測(cè)方法，其利用減背景法計(jì)算出每一幀圖像與背景幀圖像的差值圖像，通過判斷檢測(cè)區(qū)域是否出現(xiàn)運(yùn)動(dòng)目標(biāo)且未出現(xiàn)差值圖像，表示當(dāng)前幀人員未在崗，否則表示當(dāng)前幀人員在崗。此方法容易受室外環(huán)境變化的影響，且當(dāng)目標(biāo)不動(dòng)時(shí)，容易把前景目標(biāo)誤認(rèn)為背景，以致產(chǎn)生誤報(bào)。公開號(hào)為“cn104346802a”的發(fā)明專利提出了一種人頭檢測(cè)與運(yùn)動(dòng)目標(biāo)檢測(cè)相結(jié)合的方法，其確定多個(gè)視頻圖像幀中特定區(qū)域內(nèi)與頭部特征相匹配的視頻圖像幀的個(gè)數(shù)，以及特定區(qū)域內(nèi)存在運(yùn)動(dòng)目標(biāo)的視頻圖像幀的個(gè)數(shù)，從而確定特定區(qū)域所對(duì)應(yīng)的實(shí)際區(qū)域中的人員是否離崗。這種方法只適應(yīng)于室內(nèi)場(chǎng)景，且當(dāng)目標(biāo)長(zhǎng)時(shí)間不動(dòng)時(shí)，檢測(cè)不到運(yùn)動(dòng)目標(biāo)，容易產(chǎn)生誤報(bào)。技術(shù)實(shí)現(xiàn)要素：本發(fā)明為克服上述現(xiàn)有技術(shù)所述的至少一種缺陷（不足），提供一種提高目標(biāo)檢測(cè)精度的離崗檢測(cè)方法及系統(tǒng)。為解決上述技術(shù)問題，本發(fā)明的技術(shù)方案如下：一種離崗檢測(cè)方法，包括：模型訓(xùn)練步驟：對(duì)包括各種類型人頭、左右耳、人體上半身、人全身圖像的訓(xùn)練集樣本進(jìn)行訓(xùn)練獲得人頭模型、左右耳模型、人體上半身模型和人全身模型；離崗檢測(cè)步驟：獲取崗?fù)ひ曨l幀序列，利用人頭模型、左右耳模型、人體上半身模型、人全身模型對(duì)崗?fù)ひ曨l幀序列進(jìn)行檢測(cè)，至少檢測(cè)到人頭、左右耳、人體上半身、人全身中的一種，否則判斷為離崗狀態(tài)。本發(fā)明的離崗監(jiān)測(cè)方法融合了多個(gè)模型，其利用人頭模型、左右耳模型、人體上半身模型、人全身模型對(duì)崗?fù)ぶ械纳诒M(jìn)行檢測(cè)，以確定哨兵是否離崗或者在崗，相對(duì)于現(xiàn)有技術(shù)中以運(yùn)動(dòng)目標(biāo)為檢測(cè)對(duì)象來說，本發(fā)明的方法由于以人體多個(gè)部位為檢測(cè)目標(biāo)進(jìn)行哨兵檢測(cè)，受相機(jī)安裝角度以及周圍環(huán)境影響?。ㄈ绻饩€變化、樹葉抖動(dòng)等），能準(zhǔn)確對(duì)人員離崗做出檢測(cè)，而且當(dāng)哨兵只有微小動(dòng)作或者長(zhǎng)時(shí)間不動(dòng)時(shí)本發(fā)明的方法仍然能夠檢測(cè)哨兵的身體部位，大大降低了誤檢的概率，大大提高了檢測(cè)的準(zhǔn)確率。上述方案中，所述模型訓(xùn)練步驟具體包括如下步驟：從實(shí)際應(yīng)用場(chǎng)景中獲取各種類型人頭、左右耳、人體上半身、人全身圖像形成訓(xùn)練集樣本；對(duì)訓(xùn)練集樣本進(jìn)行標(biāo)注，得到圖像中人頭、左右耳、人體上半身、人全身的目標(biāo)區(qū)域和所屬類別；使用訓(xùn)練集樣本進(jìn)行訓(xùn)練獲得人頭模型、左右耳模型、人體上半身模型、人全身模型。本發(fā)明的方法中，通過采集各種類型人身體部位的圖像樣本進(jìn)行訓(xùn)練，可以使模型可以適應(yīng)相機(jī)的拍攝范圍從上半身到全身進(jìn)行變化的應(yīng)用情況，提高模型檢測(cè)的準(zhǔn)確度。上述方案中，利用harr特征與級(jí)聯(lián)adaboost算法對(duì)訓(xùn)練集樣本進(jìn)行訓(xùn)練獲得人頭模型、左右耳模型。上述方案中，利用級(jí)聯(lián)的dpm算法對(duì)訓(xùn)練集樣本進(jìn)行訓(xùn)練獲得人體上半身模型、人全身模型。上述方案中，離崗檢測(cè)步驟具體包括如下步驟：s21.獲取視頻幀序列；s22.利用人頭模型、左右耳模型、人體上半身模型、人全身模型中的任一種模型對(duì)視頻幀序列中的哨兵進(jìn)行檢測(cè)，若檢測(cè)不到目標(biāo)則執(zhí)行步驟s23，否則執(zhí)行步驟s21；s23.利用人頭模型、左右耳模型、人體上半身模型、人全身模型中除去步驟s22所使用模型外的任一種模型對(duì)視頻幀序列中的哨兵進(jìn)行檢測(cè)，若檢測(cè)不到目標(biāo)則執(zhí)行步驟s24，否則執(zhí)行步驟s21；s24.利用人頭模型、左右耳模型、人體上半身模型、人全身模型中除去步驟s22、s23所使用模型外的任一種模型對(duì)視頻幀序列中的哨兵進(jìn)行檢測(cè)，若檢測(cè)不到目標(biāo)則執(zhí)行步驟s25，否則執(zhí)行步驟s21；s25.利用人頭模型、左右耳模型、人體上半身模型、人全身模型中除去步驟s22、s23、s24所使用模型外的剩余模型對(duì)視頻幀序列中的哨兵進(jìn)行檢測(cè)，若檢測(cè)不到目標(biāo)則判斷為離崗狀態(tài)，否則執(zhí)行步驟s21。本發(fā)明的方法中，只有在利用人頭模型、左右耳模型、人體上半身模型、人全身模型進(jìn)行離崗檢測(cè)都沒有檢測(cè)到目標(biāo)時(shí)，方可判斷哨兵為離崗狀態(tài)，否則在檢測(cè)到哨兵人頭、左右耳、上半身、全身中的任一項(xiàng)時(shí)均判斷為哨兵在崗狀態(tài)?？紤]到實(shí)際當(dāng)中，崗?fù)ぶ腥说呐臄z范圍從上半身到全身進(jìn)行變化，且為了減少室外環(huán)境的影響（如光線變化、樹葉抖動(dòng)等）以及站崗人員只有微小動(dòng)作或長(zhǎng)時(shí)間不動(dòng)造成的誤檢，因此本文采用多模型的融合的方法對(duì)站崗人員是否在崗進(jìn)行正判斷，其大大地減少了誤檢情況的出現(xiàn)，提高了離崗檢測(cè)的準(zhǔn)確率。上述方案中，所述方法在判斷為離崗狀態(tài)后還產(chǎn)生離崗告警信息。本發(fā)明在判斷出離崗狀態(tài)后進(jìn)行離崗告警，以便及時(shí)向外通知離崗的信息。一種離崗檢測(cè)系統(tǒng)，包括：模型訓(xùn)練模塊，用于對(duì)包括各種類型人頭、左右耳、人體上半身、人全身圖像的訓(xùn)練集樣本進(jìn)行訓(xùn)練獲得人頭模型、左右耳模型、人體上半身模型和人全身模型；離崗檢測(cè)模塊，用于獲取崗?fù)ひ曨l幀序列，利用人頭模型、左右耳模型、人體上半身模型、人全身模型對(duì)崗?fù)ひ曨l幀序列進(jìn)行檢測(cè)，至少檢測(cè)到人頭、左右耳、人體上半身、人全身中的一種，否則判斷為離崗狀態(tài)。本發(fā)明的離崗監(jiān)測(cè)系統(tǒng)融合了多個(gè)模型，其利用人頭模型、左右耳模型、人體上半身模型、人全身模型對(duì)崗?fù)ぶ械纳诒M(jìn)行檢測(cè)，以確定哨兵是否離崗或者在崗，相對(duì)于現(xiàn)有技術(shù)中以運(yùn)動(dòng)目標(biāo)為檢測(cè)對(duì)象來說，本發(fā)明的系統(tǒng)由于以人體多個(gè)部位為檢測(cè)目標(biāo)進(jìn)行哨兵檢測(cè)，受周圍環(huán)境影響小，能準(zhǔn)確對(duì)人員離崗做出檢測(cè)，而且當(dāng)哨兵只有微小動(dòng)作或者長(zhǎng)時(shí)間不動(dòng)時(shí)本發(fā)明的系統(tǒng)仍然能夠檢測(cè)哨兵的身體部位，大大降低了誤檢的概率，大大提高了檢測(cè)的準(zhǔn)確率。而且本發(fā)明的系統(tǒng)中，只有在利用人頭模型、左右耳模型、人體上半身模型、人全身模型進(jìn)行離崗檢測(cè)都沒有檢測(cè)到目標(biāo)時(shí)，方可判斷哨兵為離崗狀態(tài)，否則在檢測(cè)到哨兵人頭、左右耳、上半身、全身中的任一項(xiàng)時(shí)均判斷為哨兵在崗狀態(tài)?？紤]到實(shí)際當(dāng)中，崗?fù)ぶ腥说呐臄z范圍從上半身到全身進(jìn)行變化，且為了減少室外環(huán)境的影響（如光線變化、樹葉抖動(dòng)等）以及站崗人員只有微小動(dòng)作或長(zhǎng)時(shí)間不動(dòng)造成的誤檢，因此本文采用多模型的融合的方法對(duì)站崗人員是否在崗進(jìn)行正判斷，其大大地減少了誤檢情況的出現(xiàn)，提高了離崗檢測(cè)的準(zhǔn)確率。上述方案中，所述模型訓(xùn)練模塊具體包括：樣本獲取模塊，用于獲取各種類型人頭、左右耳、人體上半身、人全身圖像，形成訓(xùn)練集樣本；預(yù)處理模塊，用于對(duì)訓(xùn)練集樣本進(jìn)行標(biāo)注，得到圖像中人頭、左右耳、人體上半身、人全身的目標(biāo)區(qū)域和所屬類別；訓(xùn)練模塊，用于對(duì)訓(xùn)練集樣本進(jìn)行訓(xùn)練獲得人頭模型、左右耳模型、人體上半身模型、人全身模型。上述方案中，訓(xùn)練模塊具體利用harr特征與級(jí)聯(lián)adaboost算法對(duì)訓(xùn)練集樣本本進(jìn)行訓(xùn)練獲得人頭模型、左右耳模型，以及利用級(jí)聯(lián)的dpm算法對(duì)訓(xùn)練集樣本進(jìn)行訓(xùn)練獲得人體上半身模型、人全身模型。上述方案中，所述系統(tǒng)還包括告警模塊，用于在判斷為離崗狀態(tài)后還產(chǎn)生離崗告警信息。本發(fā)明在判斷出離崗狀態(tài)后進(jìn)行離崗告警，以便及時(shí)向外通知離崗的信息。與現(xiàn)有技術(shù)相比，本發(fā)明技術(shù)方案的有益效果是：本發(fā)明針對(duì)現(xiàn)有離崗檢測(cè)技術(shù)的不足，提出了一種更有效的方法和系統(tǒng)，其在大量數(shù)據(jù)樣本支撐的前提下，利用harr特征與adaboost算法訓(xùn)練人頭、左右耳模型以及利用dpm（deformablepartsmodel）訓(xùn)練上半身、全身模型，從而實(shí)現(xiàn)對(duì)哨兵的檢測(cè)，進(jìn)而準(zhǔn)確地判斷哨兵是否離崗。本發(fā)明受相機(jī)安裝角度以及周圍環(huán)境影響小，能準(zhǔn)確對(duì)人員離崗作出告警，且當(dāng)站崗人員只有微小動(dòng)作或長(zhǎng)時(shí)間不動(dòng)時(shí)不會(huì)產(chǎn)生誤報(bào)，算法在實(shí)際應(yīng)用中誤報(bào)率低，大大地提高了目標(biāo)的檢測(cè)精度。附圖說明圖1為本發(fā)明一種離崗檢測(cè)方法具體實(shí)施例的流程圖。圖2為本發(fā)明具體實(shí)施例中人頭模型、左右耳模型的訓(xùn)練步驟和檢測(cè)步驟的流程圖。圖3為本發(fā)明具體實(shí)施例中人體上半身模型、人全身模型的訓(xùn)練步驟和檢測(cè)步驟的流程圖。圖4為本發(fā)明一種離崗檢測(cè)系統(tǒng)具體實(shí)施例的架構(gòu)圖。具體實(shí)施方式附圖僅用于示例性說明，不能理解為對(duì)本專利的限制；為了更好說明本實(shí)施例，附圖某些部件會(huì)有省略、放大或縮小，并不代表實(shí)際產(chǎn)品的尺寸；對(duì)于本領(lǐng)域技術(shù)人員來說，附圖中某些公知結(jié)構(gòu)及其說明可能省略是可以理解的。在本發(fā)明的描述中，需要理解的是，此外，術(shù)語“第一”、“第二”僅用于描述目的，而不能理解為指示或暗示相對(duì)重要性或隱含所指示的技術(shù)特征的數(shù)量。由此，限定的“第一”、“第二”的特征可以明示或隱含地包括一個(gè)或者更多個(gè)該特征。在本發(fā)明的描述中，除非另有說明，“多個(gè)”的含義是兩個(gè)或兩個(gè)以上。在本發(fā)明的描述中，需要說明的是，除非另有明確的規(guī)定和限定，術(shù)語“安裝”、“連接”應(yīng)做廣義理解，例如，可以是固定連接，也可以是可拆卸連接，或一體地連接；可以是機(jī)械連接，也可以是電連接；可以是直接相連，也可以是通過中間媒介間接連接，可以說兩個(gè)元件內(nèi)部的連通。對(duì)于本領(lǐng)域的普通技術(shù)人員而言，可以具體情況理解上述術(shù)語在本發(fā)明的具體含義。下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步的說明。實(shí)施例1如圖1所示，為本發(fā)明一種離崗檢測(cè)方法具體實(shí)施例的流程圖。參見圖1，本具體實(shí)施例一種離崗檢測(cè)方法分兩個(gè)階段進(jìn)行，第一個(gè)階段是人頭、左右耳、人體上半身、人全身的模型訓(xùn)練階段，第二階段是離崗檢測(cè)階段；具體為：s1.模型訓(xùn)練階段：對(duì)包括各種類型人頭、左右耳、人體上半身、人全身圖像的訓(xùn)練集樣本進(jìn)行訓(xùn)練獲得人頭模型、左右耳模型、人體上半身模型和人全身模型；s2.離崗檢測(cè)階段：獲取崗?fù)ひ曨l幀序列，利用人頭模型、左右耳模型、人體上半身模型、人全身模型對(duì)崗?fù)ひ曨l幀序列進(jìn)行檢測(cè)，至少檢測(cè)到人頭、左右耳、人體上半身、人全身中的一種，否則判斷為離崗狀態(tài)。在具體實(shí)施過程中，步驟s1的具體步驟包括：s11.獲取各種類型人頭、左右耳、人體上半身、人全身圖像形成訓(xùn)練集樣本；圖像的采集從現(xiàn)實(shí)場(chǎng)景中獲取，以保證樣本貼合實(shí)際應(yīng)用。s12.對(duì)訓(xùn)練集樣本進(jìn)行標(biāo)注，得到圖像中人頭、左右耳、人體上半身、人全身的目標(biāo)區(qū)域和所屬類別；s13.對(duì)訓(xùn)練集樣本進(jìn)行訓(xùn)練獲得人頭模型、左右耳模型、人體上半身模型、人全身模型。其中，可以利用harr特征與級(jí)聯(lián)adaboost算法對(duì)訓(xùn)練集樣本進(jìn)行訓(xùn)練獲得人頭模型、左右耳模型，以及利用級(jí)聯(lián)的dpm算法對(duì)訓(xùn)練集樣本進(jìn)行訓(xùn)練獲得人體上半身模型、人全身模型。在具體實(shí)施過程中，步驟s2的離崗檢測(cè)階段具體包括如下步驟：s21.獲取視頻幀序列；在此步驟之前還可以預(yù)先進(jìn)行roi區(qū)域的初始化。s22.利用人頭模型、左右耳模型、人體上半身模型、人全身模型中的任一種模型對(duì)視頻幀序列中的哨兵進(jìn)行檢測(cè)，若檢測(cè)不到目標(biāo)則執(zhí)行步驟s23，否則執(zhí)行步驟s21；s23.利用人頭模型、左右耳模型、人體上半身模型、人全身模型中除去步驟s22所使用模型外的任一種模型對(duì)視頻幀序列中的哨兵進(jìn)行檢測(cè)，若檢測(cè)不到目標(biāo)則執(zhí)行步驟s24，否則執(zhí)行步驟s21；s24.利用人頭模型、左右耳模型、人體上半身模型、人全身模型中除去步驟s22、s23所使用模型外的任一種模型對(duì)視頻幀序列中的哨兵進(jìn)行檢測(cè)，若檢測(cè)不到目標(biāo)則執(zhí)行步驟s25，否則執(zhí)行步驟s21；s25.利用人頭模型、左右耳模型、人體上半身模型、人全身模型中除去步驟s22、s23、s24所使用模型外的剩余模型對(duì)視頻幀序列中的哨兵進(jìn)行檢測(cè)，若檢測(cè)不到目標(biāo)則判斷為離崗狀態(tài)，否則執(zhí)行步驟s21。本具體實(shí)施例一檢測(cè)到人頭、左右耳、上半身、全身中的任一項(xiàng)時(shí)均判斷為哨兵在崗狀態(tài)，使本發(fā)明的方法以多個(gè)檢測(cè)目標(biāo)相結(jié)合的方式進(jìn)行離崗狀態(tài)的判斷，大大減小了環(huán)境對(duì)檢測(cè)的影響，降低了誤檢概率，提高了離崗檢測(cè)的準(zhǔn)確率。在一種優(yōu)選的實(shí)施方式中，如圖1所示，在離崗檢測(cè)階段中，先利用人頭模型進(jìn)行人頭的檢測(cè)，如果檢測(cè)到人頭則以隔一幀的方式再次獲取輸入的視頻序列重新進(jìn)行人頭的檢測(cè)，若檢測(cè)不到，則利用左右耳模型進(jìn)行左右耳的檢測(cè)，如果檢測(cè)到左右耳則以隔一幀的方式再次獲取輸入的視頻序列重新進(jìn)行人頭、左右耳檢測(cè)，如若二者皆檢測(cè)不到，則利用上半身模型進(jìn)行上半身的檢測(cè)，如果檢測(cè)到上半身則以隔一幀的方式再次獲取輸入的視頻序列重新進(jìn)行人頭、左右耳以及上半身的檢測(cè)，如三者都檢測(cè)不到，則利用人全身模型進(jìn)行全身的檢測(cè)，如果檢測(cè)到全身則以隔一幀的方式再次獲取輸入的視頻訓(xùn)練重新進(jìn)行人頭、左右耳、人的上半身和全身的檢測(cè)，如這四種模型都不能檢測(cè)到，則判斷為離崗狀態(tài)，并產(chǎn)生告警信息向外通報(bào)離崗狀態(tài)。。此檢測(cè)順序可以節(jié)省離崗檢測(cè)算法對(duì)每幀圖像檢測(cè)的時(shí)間，原因在于當(dāng)哨兵站崗位置靠近相機(jī)時(shí)，在圖像中通常只能看到哨兵的上半身，而且人頭模型的檢測(cè)速度很快，因此首先采用人頭模型檢測(cè)，然后再采用左右耳或上半身模型，其次是上半身或左右耳模型，最后是人的全身模型，如此可以節(jié)省離崗檢測(cè)的時(shí)間。下面結(jié)合圖2和圖3所示的具體訓(xùn)練和檢測(cè)步驟對(duì)本發(fā)明的方法進(jìn)行進(jìn)一步的說明。如圖2所示，為利用harr特征與級(jí)聯(lián)adaboost算法對(duì)訓(xùn)練集樣本進(jìn)行訓(xùn)練獲得人頭模型、左右耳模型的具體步驟以及進(jìn)行人頭、左右耳檢測(cè)的具體步驟。參見圖2，人頭/左右耳模型的訓(xùn)練過程為：對(duì)人頭/左右耳的訓(xùn)練集樣本進(jìn)行圖像預(yù)處理，經(jīng)過圖像預(yù)處理后計(jì)算積分圖，根據(jù)矩形特征圓形計(jì)算矩形特征值并獲得特征集；確定閾值，由矩形特征生成對(duì)應(yīng)的弱分類器，進(jìn)而得到弱分類器集；使用adaboost算法挑選最優(yōu)的弱分類器構(gòu)成強(qiáng)分類器；強(qiáng)分類器組合為級(jí)聯(lián)分類器作為人頭/左右耳的模型。人頭/左右耳的檢測(cè)步驟具體為：從視頻序列中提取圖片，將該圖片進(jìn)行圖像預(yù)處理，然后計(jì)算積分圖，基于級(jí)聯(lián)分類器計(jì)算矩形特征并利用級(jí)聯(lián)分類器對(duì)人頭/左右耳進(jìn)行分類識(shí)別，從而判斷出是否從圖片中檢測(cè)到人頭/左右耳。如圖3所示，為利用級(jí)聯(lián)的dpm算法對(duì)訓(xùn)練集樣本進(jìn)行訓(xùn)練獲得人體上半身模型、人全身模型的具體步驟以及進(jìn)行人體上半身、人全身檢測(cè)的具體步驟。參見圖3，上半身/人全身模型的訓(xùn)練過程為：對(duì)人體上半身/全身的訓(xùn)練集樣本進(jìn)行hog特征金字塔的處理，接著進(jìn)行l(wèi)svm的訓(xùn)練，最終生成上半身/人全身模型。上半身/人全身模型的檢測(cè)步驟具體為：從視頻序列中獲取測(cè)試圖像，對(duì)測(cè)試圖像進(jìn)行hog特征金字塔的處理，然后利用生成的上半身/人全身模型結(jié)合動(dòng)態(tài)規(guī)劃算法以及廣義距離變換得到部件的最優(yōu)位置，最后對(duì)上半身/人全身目標(biāo)進(jìn)行定位，從而判斷是否檢測(cè)到上半身/人全身。利用本具體的實(shí)施例進(jìn)行實(shí)驗(yàn)時(shí)，將相機(jī)安裝在崗?fù)ぶ?，畫面為崗?fù)に诜秶?，且相機(jī)安裝及角度與人幾乎垂直，崗?fù)ぶ械娜说呐臄z范圍從上半身到全身進(jìn)行變化。利用本發(fā)明的方法在不同日期、同一天不同時(shí)段對(duì)崗?fù)ぶ械纳诒M(jìn)行離崗判斷，得到的結(jié)果如下表所示：表1多模型融合的方法離崗檢測(cè)結(jié)果算法類型準(zhǔn)確率（正確告警次數(shù)/離崗次數(shù)）誤報(bào)率（誤報(bào)次數(shù)/離崗次數(shù)）基于多模型融合框架下的離崗檢測(cè)方法96.296%7.407%由表1可知，本發(fā)明提出的基于多模型融合框架下的離崗檢測(cè)方法可在哨兵離崗時(shí)能正確產(chǎn)生告警且誤報(bào)率低。實(shí)施例2在實(shí)施例1的基礎(chǔ)上，本發(fā)明還提供了一種離崗檢測(cè)系統(tǒng)。如圖4所示，為本具體實(shí)施例一種離崗檢測(cè)系統(tǒng)的架構(gòu)圖。參見圖4，本具體實(shí)施例一種離崗檢測(cè)系統(tǒng)具體包括：模型訓(xùn)練模塊110，用于對(duì)包括各種類型人頭、左右耳、人體上半身、人全身圖像的訓(xùn)練集樣本進(jìn)行訓(xùn)練獲得人頭模型、左右耳模型、人體上半身模型和人全身模型；離崗檢測(cè)模塊120，用于獲取崗?fù)ひ曨l幀序列，利用人頭模型、左右耳模型、人體上半身模型、人全身模型對(duì)崗?fù)ひ曨l幀序列進(jìn)行檢測(cè)，至少檢測(cè)到人頭、左右耳、人體上半身、人全身中的一種，否則判斷為離崗狀態(tài)。告警模塊130，用于在判斷為離崗狀態(tài)后產(chǎn)生離崗告警信息。本發(fā)明在判斷出離崗狀態(tài)后進(jìn)行離崗告警，以便及時(shí)向外通知離崗的信息。本具體實(shí)施例的離崗監(jiān)測(cè)系統(tǒng)融合了多個(gè)模型，其利用人頭模型、左右耳模型、人體上半身模型、人全身模型對(duì)崗?fù)ぶ械纳诒M(jìn)行檢測(cè)，以確定哨兵是否離崗或者在崗，相對(duì)于現(xiàn)有技術(shù)中以運(yùn)動(dòng)目標(biāo)為檢測(cè)對(duì)象來說，本發(fā)明的系統(tǒng)由于以人體多個(gè)部位為檢測(cè)目標(biāo)進(jìn)行哨兵檢測(cè)，受相機(jī)安裝角度以及周圍環(huán)境影響小，能準(zhǔn)確對(duì)人員離崗做出檢測(cè)，而且當(dāng)哨兵只有微小動(dòng)作或者長(zhǎng)時(shí)間不動(dòng)時(shí)本發(fā)明的系統(tǒng)仍然能夠檢測(cè)哨兵的身體部位，大大降低了誤檢的概率，大大提高了檢測(cè)的準(zhǔn)確率。而且本具體實(shí)施例的系統(tǒng)中，只有在利用人頭模型、左右耳模型、人體上半身模型、人全身模型進(jìn)行離崗檢測(cè)都沒有檢測(cè)到目標(biāo)時(shí)，方可判斷哨兵為離崗狀態(tài)，否則在檢測(cè)到哨兵人頭、左右耳、上半身、全身中的任一項(xiàng)時(shí)均判斷為哨兵在崗狀態(tài)。考慮到實(shí)際當(dāng)中，崗?fù)ぶ腥说呐臄z范圍從上半身到全身進(jìn)行變化，且為了減少室外環(huán)境的影響（如光線變化、樹葉抖動(dòng)等）以及站崗人員只有微小動(dòng)作或長(zhǎng)時(shí)間不動(dòng)造成的誤檢，因此本文采用多模型的融合的方法對(duì)站崗人員是否在崗進(jìn)行正判斷，其大大地減少了誤檢情況的出現(xiàn)，提高了離崗檢測(cè)的準(zhǔn)確率。如圖2所示，在具體實(shí)施過程中，所述模型訓(xùn)練模塊110具體包括：樣本獲取模塊111，用于獲取各種類型人頭、左右耳、人體上半身、人全身圖像形成訓(xùn)練集樣本；圖像的采集從現(xiàn)實(shí)場(chǎng)景中獲取，以保證樣本貼合實(shí)際應(yīng)用。預(yù)處理模塊112，用于對(duì)訓(xùn)練集樣本進(jìn)行標(biāo)注，得到圖像中人頭、左右耳、人體上半身、人全身的目標(biāo)區(qū)域和所屬類別；訓(xùn)練模塊113，用于對(duì)訓(xùn)練集樣本進(jìn)行訓(xùn)練獲得人頭模型、左右耳模型、人體上半身模型、人全身模型。其中，可以利用harr特征與級(jí)聯(lián)adaboost算法對(duì)訓(xùn)練集樣本進(jìn)行訓(xùn)練獲得人頭模型、左右耳模型，以及利用級(jí)聯(lián)的dpm算法對(duì)訓(xùn)練集樣本進(jìn)行訓(xùn)練獲得人體上半身模型、人全身模型。在具體實(shí)施過程中，訓(xùn)練模塊113在進(jìn)行人頭/左右耳的訓(xùn)練時(shí)具體用于：對(duì)人頭/左右耳的訓(xùn)練集樣本進(jìn)行圖像預(yù)處理，經(jīng)過圖像預(yù)處理后計(jì)算積分圖，根據(jù)矩形特征圓形計(jì)算矩形特征值并獲得特征集；確定閾值，由矩形特征生成對(duì)應(yīng)的弱分類器，進(jìn)而得到弱分類器集；使用adaboost算法挑選最優(yōu)的弱分類器構(gòu)成強(qiáng)分類器；強(qiáng)分類器組合為級(jí)聯(lián)分類器作為人頭/左右耳的模型。在具體實(shí)施過程中，訓(xùn)練模塊113在進(jìn)行上半身/全身的訓(xùn)練時(shí)具體用于：對(duì)人體上半身/全身的訓(xùn)練集樣本進(jìn)行hog特征金字塔的處理，接著進(jìn)行l(wèi)svm的訓(xùn)練，最終生成上半身/人全身模型。在具體實(shí)施過程中，離崗檢測(cè)模塊120進(jìn)行人頭/左右耳的檢測(cè)時(shí)具體用于：從視頻序列中提取圖片，將該圖片進(jìn)行圖像預(yù)處理，然后計(jì)算積分圖，基于級(jí)聯(lián)分類器計(jì)算矩形特征并利用級(jí)聯(lián)分類器對(duì)人頭/左右耳進(jìn)行分類識(shí)別，從而判斷出是否從圖片中檢測(cè)到人頭/左右耳。在具體實(shí)施過程中，離崗檢測(cè)模塊120進(jìn)行上半身/人全身的檢測(cè)時(shí)具體用于：從視頻序列中獲取測(cè)試圖像，對(duì)測(cè)試圖像進(jìn)行hog特征金字塔的處理，然后利用生成的上半身/人全身模型結(jié)合動(dòng)態(tài)規(guī)劃算法以及廣義距離變換得到部件的最優(yōu)位置，最后對(duì)上半身/人全身目標(biāo)進(jìn)行定位，從而判斷是否檢測(cè)到上半身/人全身。相同或相似的標(biāo)號(hào)對(duì)應(yīng)相同或相似的部件；附圖中描述位置關(guān)系的用于僅用于示例性說明，不能理解為對(duì)本專利的限制；顯然，本發(fā)明的上述實(shí)施例僅僅是為清楚地說明本發(fā)明所作的舉例，而并非是對(duì)本發(fā)明的實(shí)施方式的限定。對(duì)于所屬領(lǐng)域的普通技術(shù)人員來說，在上述說明的基礎(chǔ)上還可以做出其它不同形式的變化或變動(dòng)。這里無需也無法對(duì)所有的實(shí)施方式予以窮舉。凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明權(quán)利要求的保護(hù)范圍之內(nèi)。當(dāng)前第1頁12