一种人员制服识别负样本图像生成方法与流程

本申请涉及计算机视觉、深度学习图像生成及目标识别，具体涉及一种人员制服识别负样本图像生成方法。

背景技术：

1、人员制服智能识别是政企安防、园区值守等场景中的核心需求，其检测精度高度依赖深度学习模型的训练质量，而训练效果又直接取决于是否有足量、多样且真实的正负样本数据集。其中，正样本为规范穿戴制服的合规图像，可通过在工作现场架设相机、监控抓拍等方式便捷地大批量获取，数据采集成本低、效率高。然而，负样本指代制服错配、部件混搭、穿戴不规范等各类不合规着装图像，在真实场景中发生频率低、样式不可控，无法通过常规现场采集自然大量获得。若强制采用人工摆拍方式构建负样本，不仅需要组织大量人员反复换装、调整搭配、模拟各种违规姿态，时间与人力成本极高，且受限于场地和模特数量，所能覆盖的服装搭配组合、光照条件、人体姿态、体型差异等场景维度十分有限，难以满足模型对多样化负样本的泛化要求。

2、为降低负样本获取难度，当前部分方案采用图像拼接合成技术，人工将不同制服部件剪切后拼贴到目标人体图像上。该方式虽可快速产生大量组合，但因缺乏对人体的结构化理解，合成结果普遍存在边缘生硬、过渡不自然、姿态与服装错位、衣物纹理与褶皱缺失等问题；尤其是在复杂光照条件下，拼贴部件与原始图像的光源方向、色温分布及阴影层次严重割裂，局部偏色、泛白或明暗反差明显，真实感很差，训练出的模型对真实场景的鉴别能力有限，易出现大量误报或漏报。

3、近年来，生成对抗网络（gan）在图像生成领域取得显著进展，也被尝试用于直接生成完整的负样本图像。但现有基于全局gan的生成方案大多从随机噪声出发整体合成图像，生成图像经常出现人体与制服错位、身体比例失调、服装缺少自然褶皱、光影与背景环境违和等严重缺陷，生成样本的真实度和可用性不高，难以直接投入模型训练。

4、因此，亟需一种能够自动、快速生成大量高真实度负样本的方法，以解决负样本获取困难、成本高、多样性和真实度不足的问题。

技术实现思路

1、本申请实施例提供一种人员制服识别负样本图像生成方法，仅依托现场采集的合规正样本，通过人体检测、姿态关键点、部件分割掩码、原服装抠除、部件重组形变、gan生成合成、判别器迭代优化全链路，快速、低成本、自动化生成大批量高真实度负样本图像，满足制服识别模型训练需求。

2、为达到上述目的，本申请采用如下技术方案：

3、第一方面，本申请提供人员制服识别负样本图像生成方法，该方法包括：

4、获取穿着规范制服的人员的多张正样本图像，对每张正样本图像进行如下处理，包括：

5、对正样本图像进行人体区域分割，得到人体区域图像；

6、对人体区域图像进行人体姿态关键点检测，提取人体骨骼关键点，进而建立人体姿态几何约束关系；

7、采用预设的人体解析模型，对正样本图像进行语义分割，分割为多个独立区域，针对每个独立区域，生成对应的掩码，并对独立区域中的制服部件区域进行局部标注，标注为正样本部件，其中，独立区域至少包括上衣、下装、帽子制服部件区域，掩码边缘贴合对应区域的轮廓；

8、基于制服部件区域的掩码，从正样本图像中抠除原有的制服部件区域，保留人体轮廓及裸露皮肤区域，形成人体基底图像，并标注抠除原有的制服部件的抠除范围；

9、从多幅不同正样本图像的正样本部件中随机抽取制服部件，进行跨样本组合，并基于人体姿态几何约束关系和抠除范围，对跨样本组合中每个制服部件进行几何形变，以适应人体基底图像；

10、利用生成对抗网络的生成器，在预设约束条件下，将形变后的制服部件与人体基底图像融合，生成负样本图像；

11、利用生成对抗网络的判别器，对负样本图像进行真实度判别，若判别结果低于预设阈值，则调整生成器的参数重新生成负样本图像，迭代直至获得合格的负样本图像。

12、第二方面，本申请提供人员制服识别负样本图像生成系统，该系统包括：

13、正样本获取与标注模块，用于获取穿着规范制服的人员的多张正样本图像，对正样本图像进行人体区域分割，得到人体区域图像；

14、人体姿态提取模块，用于对人体区域图像进行人体姿态关键点检测，提取人体骨骼关键点，进而建立人体姿态几何约束关系；

15、部件分割与掩码模块，用于采用预设的人体解析模型，对正样本图像进行语义分割，分割为多个独立区域，针对每个独立区域，生成对应的掩码，并对独立区域中的制服部件区域进行局部标注，标注为正样本部件，其中，独立区域至少包括上衣、下装、帽子制服部件区域，掩码边缘贴合对应区域的轮廓；

16、服装移除模块，用于基于制服部件区域的掩码，从正样本图像中抠除原有的制服部件区域，保留人体轮廓及裸露皮肤区域，形成人体基底图像，并标注抠除原有的制服部件的抠除范围；

17、部件形变对齐模块，用于从多幅不同正样本图像的正样本部件中随机抽取制服部件，进行跨样本组合，并基于人体姿态几何约束关系和抠除范围，对跨样本组合中每个制服部件进行几何形变，以适应人体基底图像；

18、生成器，用于在预设约束条件下，将形变后的制服部件与人体基底图像融合，生成负样本图像；

19、判别器，用于对负样本图像进行真实度判别，若判别结果低于预设阈值，则调整生成器的参数重新生成负样本图像，迭代直至获得合格的负样本图像。

20、第三方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现第一方面的人员制服识别负样本图像生成方法。

21、第四方面，提供一种计算机可读存储介质，该计算机可读存储介质包括存储计算机程序或指令，当该计算机程序或指令被运行时，使得该第一方面的人员制服识别负样本图像生成方法被执行。

22、在本申请实施例中，该人员制服识别负样本图像生成方法，仅需现场便捷采集合规正样本，即可全自动批量生成高真实度的负样本图像，摆脱了人工摆拍负样本的高成本与低效率问题，解决了负样本天然稀缺的行业瓶颈；此外，通过引入人体姿态约束、部件语义掩码、自适应形变对齐及同源光影色温匹配，再由gan生成器补全纹理褶皱，从源头避免了姿态错位、比例失调、光影割裂等传统合成缺陷，生成图像视觉自然、违和感极低；跨样本部件随机混搭与多维几何变换相结合，可海量产出制服错配、穿戴不规范等各类异常样本，覆盖模型训练所需的多样化场景，并且生成器与判别器迭代筛选形成闭环质控，确保输出负样本质量稳定可靠，显著提升了人员制服识别模型的泛化能力与落地效果。

23、本申请的其它特征和优点将在随后的具体实施方式部分予以详细说明。

1.一种人员制服识别负样本图像生成方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的人员制服识别负样本图像生成方法，其特征在于，所述预设约束条件包括：在形变后制服部件与所述人体基底图像融合时，确保所述形变后制服部件贴合所述人体基底图像的人体轮廓，以及添加制服部件的的纹理细节和衣物褶皱，并基于原正样本图像的光源方向、色温和阴影特征对制服部件进行光影一致性匹配。

3.根据权利要求1所述的人员制服识别负样本图像生成方法，其特征在于，所述多个独立区域还包括皮肤、头发、鞋子、背景。

4.根据权利要求1所述的人员制服识别负样本图像生成方法，其特征在于，所述几何形变，采用仿射变换与网格扭曲相结合的方式，进行缩放、旋转、扭曲，以适应所述人体基底图像。

5.根据权利要求1所述的人员制服识别负样本图像生成方法，其特征在于，所述人体姿态关键点至少包括肩、肘、髋、膝四类骨骼关键点。

6.根据权利要求1所述的人员制服识别负样本图像生成方法，其特征在于，所述生成对抗网络的判别器是预先经过训练的，具体的训练步骤为：

7.根据权利要求1所述的人员制服识别负样本图像生成方法，其特征在于，所述预设阈值为0.75，预设最大迭代次数为100次。

8.根据权利要求1所述的人员制服识别负样本图像生成方法，其特征在于，所述多张正样本图像采集分辨率不低于1080p。

9.一种人员制服识别负样本图像生成系统，其特征在于，包括：

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8任一项所述人员制服识别负样本图像生成方法的步骤。