图像识别方法、装置、电子设备和存储介质与流程

1.本发明涉及计算机技术领域，尤其涉及一种图像识别方法、装置、电子设备和存储介质。


背景技术：

2.在一些高危工作现场，由于现场环境复杂、多工种交叉生产、多方协作、施工地点分散，且人员流动性大，对施工现场进行有序管理尤为困难。
3.为保证施工现场的人员安全，需要施工人员严格遵守相应的安全措施，例如佩戴安全帽、穿戴安全背心和佩戴安全绳。然而，时常有工作人员进入施工现场时未遵守安全措施。
4.目前，多数施工现场仍然依靠人工巡检或者以人工巡检为主、视频监控为辅的方式进行安全监管，但是效果并不理想。另外施工现场的视频监控多使用高空低分辨率摄像头拍摄，成像质量差，无法适配目前的视觉分析方法。


技术实现要素：

5.本发明提供一种图像识别方法、装置、电子设备和存储介质，用以解决现有技术中人工巡检的安全管理效果不理想，且施工现场成像质量差的缺陷。
6.本发明提供一种图像识别方法，包括：
7.对现场图像进行人员检测，得到所述现场图像中的人员区域图像；
8.对所述人员区域图像进行超分辨率重建，基于超分辨率重建所得的超分辨率重建特征进行安全属性识别，得到所述人员区域图像中对应人员的安全属性识别结果。
9.根据本发明提供的一种图像识别方法，所述基于超分辨率重建所得的超分辨率重建特征进行安全属性识别，包括：
10.基于所述超分辨率重建特征，或基于所述超分辨率重建特征和所述人员区域图像的区域图像特征，确定待识别特征；
11.对所述待识别特征进行安全属性识别。
12.根据本发明提供的一种图像识别方法，所述对所述待识别特征进行安全属性识别，包括：
13.对所述待识别特征分别进行多种安全属性的属性识别，所述多种安全属性包括安全帽佩戴状态、安全背心穿戴状态、安全绳佩戴状态中的至少两种。
14.根据本发明提供的一种图像识别方法，所述对所述待识别特征分别进行多种安全属性的属性识别，包括：
15.对所述待识别特征分别进行每一安全属性下的属性特征提取；
16.基于通道注意力机制和空间注意力机制，分别对每一安全属性下的属性特征进行属性识别。
17.根据本发明提供的一种图像识别方法，所述对所述人员区域图像进行超分辨率重
建，基于超分辨率重建所得的超分辨率重建特征进行安全属性识别，得到所述人员区域图像中对应人员的安全属性识别结果，包括：
18.将所述人员区域图像输入至多安全属性识别模型，得到所述多安全属性识别模型输出的所述安全属性识别结果；
19.所述多安全属性识别模型为端到端模型，所述多安全属性识别模型是基于样本人员区域图像，以及所述样本人员区域图像中所有安全属性的属性标签训练得到的。
20.根据本发明提供的一种图像识别方法，所述安全属性的属性标签表示标注的安全属性状态或者未标注对应的安全属性。
21.根据本发明提供的一种图像识别方法，所述对现场图像进行人员检测，得到所述现场图像中的人员区域图像，包括：
22.对所述现场图像进行重叠滑窗，得到多个现场图像块；
23.对每一现场图像块进行人员检测，得到每一现场图像块的人员检测结果；
24.合并每一现场图像块的人员检测结果，得到所述现场图像中的人员区域图像。
25.本发明还提供一种图像识别装置，包括：
26.人员检测单元，用于对现场图像进行人员检测，得到所述现场图像中的人员区域图像；
27.属性识别单元，用于对所述人员区域图像进行超分辨率重建，基于超分辨率重建所得的超分辨率重建特征进行安全属性识别，得到所述人员区域图像中对应人员的安全属性识别结果。
28.本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述图像识别方法的步骤。
29.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述图像识别方法的步骤。
30.本发明提供的图像识别方法、装置、电子设备和存储介质，对人员区域图像进行超分辨率重建，解决了拍摄的图像成像质量差，无法适配目前的视觉分析方法的问题，保证了安全属性识别的可实现性；将超分辨率重建特征直接应用于安全属性识别，省略了应用超分辨率重建特征进行图像重建，根据重建所得的高分辨率图像进行特征提取的步骤，减小了算法的复杂度，缩短了计算流程。
附图说明
31.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
32.图1是本发明提供的图像识别方法的流程示意图；
33.图2是本发明提供的安全属性识别方法的流程示意图；
34.图3是本发明提供的多安全属性识别模型的模型结构图；
35.图4是本发明提供的目标检测方法的流程示意图；
36.图5是本发明提供的图像识别方法的总体流程图；
37.图6是本发明提供的图像识别装置的结构示意图；
38.图7是本发明提供的电子设备的结构示意图。
具体实施方式
39.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
40.目前，在施工现场佩戴安全帽、穿戴安全背心和佩戴安全绳是防止安全事故发生的有效措施。安全帽、安全背心和安全绳能够对人体受坠落物及其他特定因素引起的伤害起到防护作用。工地管理明确规定，任何人进入施工现场都必须佩戴安全帽、穿戴安全背心和佩戴安全绳。但在实际工作过程中，施工人员时常在未遵照工地管理明确规定的情况下，直接进入施工现场，施工人员安全意识薄弱，而监管人员又无法对施工现场进行全程监督，这导致施工人员在施工现场施工时有很大的安全风险。
41.传统方案中，在施工现场使用闸机来严格控制相关人员的进出，通过采集模块采集人过闸机时的图片进行检测，但是，绝大部分的不佩戴安全帽、不穿戴安全背心和不佩戴安全绳的事件发生在施工现场而不是闸机口。因此，通过闸机并不能对施工现场的施工人员是否遵照工地管理明确规定进行严格管控。另外存在通过人体姿态估计算法分析图像中是否包含人体关键点，并根据检测到的人体关键点例如头部，调用安全帽佩戴分类模型对人体的头部区域进行分类识别，从而判断施工人员是否佩戴安全帽的方案。上述方案需要多个不同功能的模型联合实现，十分复杂，且人体姿态估计算法 分类的组合也无法解决施工现场成像质量低，目标小，无法清晰识别人体关键点的问题。
42.针对上述情况，为保证施工人员在施工过程中的安全，本发明提供一种图像识别方法，图1是本发明提供的图像识别方法的流程示意图，如图1所示，该方法包括：
43.步骤110，对现场图像进行人员检测，得到现场图像中的人员区域图像。
44.此处，现场图像为施工现场的图像，可通过设置于施工现场的图像采集设备对施工现场进行图像采集的方式获取。此处的图像采集设备可以是高空摄像头，也可以是在施工现场巡航的无人机摄像头等，本发明实施例对此不作具体限定。获取现场图像后，可以对现场图像进行人员检测，即以人员作为目标进行目标检测，从而判断现场图像中是否包含人员，并检出现场图像中所包含人员的位置信息，从而从现场图像中截取包含人员的人员区域图像，例如可以根据目标检测所得的人员检测框进行人员区域图像的截取。针对单帧现场图像，其人员区域图像可以是一张也可以是多张，每张人员区域图像对应一个人员。
45.步骤120，对人员区域图像进行超分辨率重建，基于超分辨率重建所得的超分辨率重建特征进行安全属性识别，得到人员区域图像中对应人员的安全属性识别结果。
46.考虑到施工人员在施工现场施工时所处的环境为高空环境，施工现场高空摄像头拍摄的现场图像中，针对个人的区域图像尺寸小，清晰度低。在做较小的目标检测时，难以识别出检测目标。对于上述情况，本发明实施例提供了一种结合超分辨率重建的安全属性识别方法。
47.此处，安全属性识别即识别人员区域图像的安全属性，此处的安全属性可以是安全帽佩戴状态，也可以是安全背心穿戴状态，还可以是安全绳佩戴状态，本发明实施例对此不做具体限定。安全属性识别结果即对人员区域图像进行安全属性识别后得到的结果，例如，人员区域图像中的人员佩戴安全帽、穿戴安全背心、佩戴安全绳。
48.超分辨率重建是将给定的低分辨率图像通过特定的算法恢复成相应的高分辨率图像，具体在本发明实施例中，通过超分辨率重建技术可以将低分辨率的人员区域图像进行重建，得到重建后的超分辨率重建特征，从而保证后续安全属性识别的可实现性。
49.需要说明的是，步骤120中对人员区域图像进行超分辨率重建，无需完成重建流程得到与人员区域图像对应的高分辨率图像，仅需获取超分辨率重建过程中生成高分辨率图像所需的超分辨率重建特征。在得到超分辨率重建特征之后，可以直接应用包含了更高分辨率图像细节的超分辨率重建特征进行安全属性识别。
50.其中，对人员区域图像进行超分辨率重建即对人员区域图像进行特征提取，对提取到的人员区域图像的特征进行超分辨率重建，得到超分辨率重建特征。此后，即可对超分辨率重建特征进行安全属性识别，从而确定人员区域图像的安全属性识别结果。
51.步骤120相较于传统的超分辨率重建流程，只需执行到得到超分辨率重建特征即可，无需再应用超分辨率重建特征进行图像重建，更不必对重建所得的高分辨率图像进行特征提取，在保证后续安全属性识别的可实现性的同时，有效降低了安全属性识别所需的计算量。
52.需要说明的是，对超分辨率重建特征进行安全属性识别时，超分辨率重建特征中可能包含一种安全属性，也可能包含多种安全属性，无论是包含一种安全属性还是包含多种安全属性，都能够根据超分辨率重建所得的超分辨率重建特征进行安全属性识别。当包含多种安全属性时，需识别出超分辨率重建特征中各安全属性分别属于何种安全属性类型。
53.本发明提供的图像识别方法，对人员区域图像进行超分辨率重建，解决了拍摄的图像成像质量差，无法适配目前的视觉分析方法的问题，保证了安全属性识别的可实现性；将超分辨率重建特征直接应用于安全属性识别，省略了应用超分辨率重建特征进行图像重建，根据重建所得的高分辨率图像进行特征提取的步骤，减小了算法的复杂度，缩短了计算流程。
54.基于上述实施例，步骤120中，对人员区域图像进行超分辨率重建包括：
55.基于srcnn(super
‑
resolution convolutional neural networks)网络对人员区域图像进行超分辨率重建。
56.具体地，srcnn是end
‑
to
‑
end(端到端)的超分算法，在实际应用中不需要任何人工干预或者多阶段的计算。srcnn网络包含三个模块分别为：patch extraction and representation(块提取和特征表示)、non
‑
linear mapping(非线性映射)和reconstruction(重建)。这三个模块对应三层卷积操作。srcnn网络将输入的人员区域图像进行双立方插值(bicubic interpolation，双三次插值)，将其放大至目标尺寸，而后通过卷积神经网络去拟合非线性映射，得到超分辨率重建特征，无需进行最后一步由超分辨率重建特征重建得到高分辨率图像。
57.本发明实施例提供的图像识别方法，通过srcnn网络实现了对图像中细小特征的
提取，解决了使用高空低分辨率摄像头拍摄，成像质量差的问题。基于上述实施例，图2是本发明提供的安全属性识别方法的流程示意图，如图2所示，步骤120中，基于超分辨率重建所得的超分辨率重建特征进行安全属性识别，包括：
58.步骤210，基于超分辨率重建特征，或基于超分辨率重建特征和人员区域图像的区域图像特征，确定待识别特征；
59.步骤220，对待识别特征进行安全属性识别。
60.此处，人员区域图像的区域图像特征即对人员区域图像进行特征提取后得到的特征，例如，人员区域图像中人体的头部特征、人体的关键点特征。对人员区域图像进行特征提取的方式有多种，例如可以通过残差网络resnet50、卷积神经网络(convolutional neural networks，cnn)等对人员区域图像进行特征提取。
61.待识别特征即用于对人员区域图像进行安全属性识别的特征。
62.具体地，针对超分辨率重建所得的超分辨率重建特征，可以直接将超分辨率重建特征作为待识别特征，也可以对超分辨率重建特征做进一步的特征提取得到待识别特征，或者也可以将超分辨率重建特征和人员区域图像的区域图像特征进行融合，将融合后的特征作为待识别特征，还可以是将超分辨率重建特征在进一步的特征提取后得到的特征和区域图像特征进行融合，得到待识别特征。
63.进一步地，针对上述两种进行特征融合的情况，区域图像特征可以弥补在超分辨率重建过程中丢失的特征，从而保证由此得到待识别特征能够更加完整地反映人员区域图像的信息，此两者的融合方式可以是拼接、相加、加权融合等，本发明实施例对此不作具体限定。
64.基于上述实施例，步骤120中，对待识别特征进行安全属性识别，包括：
65.对待识别特征分别进行多种安全属性的属性识别，多种安全属性包括安全帽佩戴状态、安全背心穿戴状态、安全绳佩戴状态中的至少两种。
66.此处，安全帽佩戴状态即安全帽是否被佩戴，安全背心穿戴状态即安全背心是否被穿戴，安全绳佩戴状态即安全绳是否被佩戴。
67.具体地，待识别特征中可能包含多种安全属性，在对待识别特征进行安全属性识别时，需对待识别特征分别进行多种安全属性的属性识别。具体在识别时，不同安全属性识别任务共享待识别特征，使得不同安全属性识别任务所需的信息均能够在待识别特征中得到体现，有助于提高待识别特征提取的全面性和可靠性。
68.在确定待识别特征后，分别对待识别特征的安全帽佩戴状态、安全背心穿戴状态、安全绳佩戴状态中的两种或三种状态进行安全属性识别，根据对上述两种或三种状态进行安全属性识别后得到的识别结果确定人员区域图像中对应人员的安全属性识别结果。
69.基于上述实施例，步骤120中，对待识别特征分别进行多种安全属性的属性识别，包括：
70.对待识别特征分别进行每一安全属性下的属性特征提取；
71.基于通道注意力机制和空间注意力机制，分别对每一安全属性下的属性特征进行属性识别。
72.具体地，考虑到不同安全属性识别任务各有侧重，在共享待识别特征的基础上，还需要针对各个安全属性下的安全属性识别的任务，分别提取每一任务的属性特征，例如可
以为不同任务分别设置cnn进行提取。
73.针对单一任务，可以结合通道注意力机制和空间注意力机制这两个机制进行安全属性识别，其中，通道注意力机制用于挖掘属性特征的不同通道之间的相互依赖关系，来增强相互依赖的通道特征的表达，从而得到关注了不同通道信息的通道注意力特征。
74.空间注意力机制用于利用属性特征中任意两个像素点之间的关系，来相互增强各自特征的表达，从而得到空间注意力特征。需要说明的是，不同任务下，进行特征提取和安全属性识别时采用的参数是不同的。其中，通道注意力机制侧重于通道特征，例如色彩、形状，空间注意力机制侧重于空间特征，例如空间位置、结构等。
75.在此基础上，可以将通过通道注意力机制和空间注意力机制得到的通道注意力特征和空间注意力特征进行融合，得到人员区域图像中对应人员的安全属性识别结果。
76.本发明实施例提供的方法，通过通道注意力机制和空间注意力机制的联合应用，进一步增强了每一安全属性下的属性特征中对于通道特征和空间特征的表达，从多个层面对每一安全属性下的属性特征进行安全属性识别，提高了安全属性识别结果的准确性。
77.基于上述实施例，步骤120包括：
78.将人员区域图像输入至多安全属性识别模型，得到多安全属性识别模型输出的安全属性识别结果；
79.多安全属性识别模型为端到端模型，多安全属性识别模型是基于样本人员区域图像，以及样本人员区域图像中所有安全属性的属性标签训练得到的。
80.此处的多安全属性识别模型即对人员区域图像中多安全属性进行属性识别的模型。
81.可以将现场图像中的人员区域图像输入至多安全属性识别模型，由多安全属性识别模型根据输入的人员区域图像进行各种安全属性识别，并输出人员区域图像中对应人员的安全属性识别结果。
82.需要说明的是，多安全属性识别模型为端到端的模型。上述对人员区域图像进行超分辨率重建的过程和对重建所得的超分辨率重建特征进行安全属性识别的过程，均在多安全属性识别模型的内部执行，相较于分别执行超分辨率重建过程和安全属性识别过程的两个级联结构的模型，多安全属性识别模型无需对中间结果即超分辨率重建特征进行读写，进一步减少了运行所需的资源。
83.在将人员区域图像输入至多安全属性识别模型之前，还可以预先训练得到多安全属性识别模型，多安全属性识别模型的训练方法包括如下步骤：首先，收集大量样本人员区域图像，并标注样本人员区域图像中各安全属性的属性标签。随即，基于样本人员区域图像以及样本人员区域图像中所有安全属性的属性标签，对初始模型进行训练，从而得到训练完成的多安全属性识别模型。需要说明的是，此处的初始模型可以是在预训练的超分辨率重建模型和分类器的基础上构建的。
84.基于上述实施例，图3是本发明提供的多安全属性识别模型的模型结构图，如图3所示，多安全属性识别模型内部的执行流程包括：
85.对人员区域图像进行超分辨率重建，经过超分辨率重建得到人员区域图像的超分辨率重建特征；
86.基于残差网络对人员区域图像进行特征提取，得到人员区域图像的区域图像特
征；作为优选，残差网络可以是resnet50；
87.通过cnn对超分辨率重建特征进行特征提取，并将特征提取后的特征和区域图像特征进行通道特征拼接concat，得到待识别特征；
88.通过cnn对待识别特征分别进行每一安全属性下的属性特征提取；
89.根据通道注意力机制和空间注意力机制，分别对每一安全属性下的属性特征进行属性识别；
90.根据对每一安全属性下的属性特征进行属性识别后得到的识别结果，确定人员区域图像中对应人员的安全属性识别结果。
91.在多安全属性识别模型的训练过程中，需要样本人员区域图像中所有安全属性的都有标注才能作为训练数据进行训练。但在实际数据中，大部分数据的标注并不全面，都只有部分标注，例如，总共有10万张样本人员区域图像，有3万张标注了安全帽佩戴状态，5万张标注了安全背心穿戴状态，8万张标注了安全绳佩戴状态，只有1万张样本人员区域图像都同时标注了以上三种安全属性，若舍弃这些标注不全面的样本人员区域图像，则会缺失样本的多样性。
92.针对上述问题，本发明提供一种方法，基于上述实施例，所述安全属性的属性标签表示标注的安全属性状态或者未标注对应的安全属性。
93.具体地，区别于现有的标签表示方法中对标注的标签进行表示，本发明实施例中不仅将标注的标签进行标识，对未进行标注的情况也作为标签表示中的一种进行表示。
94.其中，标注的安全属性状态表示有标注的情况下，具体标注的内容，例如，安全帽的安全属性状态为佩戴，或者为未佩戴；安全背心的安全属性状态为穿戴，或者为未穿戴；安全绳的安全属性状态为佩戴，或者为未佩戴。
95.未标注对应的安全属性，作为一种特殊的标签形式，表示没有标注的安全属性。
96.此处的特殊的标签形式可根据需求相应设置。
97.对应在训练过程中，针对标注的安全属性状态，正常处理即可。针对未标注对应的安全属性，可以直接跳过。
98.例如，将特殊的标签形式标记为
‑
1，即未标注对应的安全属性的属性标签为
‑
1。当多安全属性识别模型完成前向运算，计算随时函数时，根据样本人员区域图像中所有安全属性的属性标签判断该安全属性的属性标签是否为
‑
1；若该安全属性的属性标签为
‑
1，则在样本人员区域图像中将该安全属性上的损失置0；若该安全属性的属性标签不为
‑
1，则按照正常的损失计算，计算的伪代码如下：
99.sample_no_label＝f.where(label＝＝(right_w*
‑
1),right_w*0,right_w)
100.即对每个样本人员区域图像的损失函数都赋予一个权重。当该样本人员区域图像中某一安全属性的属性标签为
‑
1时，将该样本人员区域图像中该安全属性的损失函数的权重设置为0。
101.此外，对图像进行人员检测即对图像中出现的所有的人进行检测，检测的图片为高空摄像头直接采集到的图片，将该图片缩放到制定尺度后输入到检测网络中，得到检测网络以长方形边框的形式输出的图片中所有施工人员所在位置的信息。但是，由于设置于工地高空塔吊上的摄像头多为高清800w摄像头，采用普通的resize到固定尺度后再进行检测，对于较小检测目标难以做到较高的检出率。
102.针对上述问题，本发明提供一种目标检测方法，基于上述实施例，图4是本发明提供的目标检测方法的流程示意图，如图4所示，步骤110包括：
103.步骤410，对所述现场图像进行重叠滑窗，得到多个现场图像块；
104.步骤420，对每一现场图像块进行人员检测，得到每一现场图像块的人员检测结果；
105.步骤430，合并每一现场图像块的人员检测结果，得到所述现场图像中的人员区域图像。
106.此处，对现场图像进行重叠滑窗即对采集到的现场图像进行有重叠的裁剪。现场图像块即对现场图像进行重叠滑窗后得到的结果。
107.具体地，采集到现场图像后，对现场图像进行有重叠的裁剪，经过重叠裁剪后得到现场图像的多个现场图像块。对每一个现场图像块进行人员检测，即检测每一个现场图像块中是否存在人员信息，根据进行人员检测后得到的检测结果，确定每一现场图像块的人员检测结果。此后，再对所有现场图像块的人员检测结果进行合并，将合并后的结果作为现场图像中的人员区域图像。
108.基于上述实施例，图5是本发明提供的图像识别方法的总体流程图，如图5所示，该方法包括：
109.对现场图像进行重叠滑窗，得到多个现场图像块；
110.对每一现场图像块进行人员检测，得到每一现场图像块的人员检测结果；
111.合并每一现场图像块的人员检测结果；
112.得到现场图像中的人员区域图像；
113.将人员区域图像输入至多安全属性识别模型中，得到多安全属性识别模型输出的安全属性识别结果；多安全属性识别模型结构与图3示出的结构一致，此处不再赘述。
114.下面对本发明提供的图像识别装置进行描述，下文描述的图像识别装置与上文描述的图像识别方法可相互对应参照。
115.图6是本发明提供的图像识别装置的结构示意图。如图6所示，该装置包括：
116.人员检测单元610，用于对现场图像进行人员检测，得到所述现场图像中的人员区域图像；
117.属性识别单元620，用于对所述人员区域图像进行超分辨率重建，基于超分辨率重建所得的超分辨率重建特征进行安全属性识别，得到所述人员区域图像中对应人员的安全属性识别结果。
118.本发明提供的图像识别装置，对人员区域图像进行超分辨率重建，解决了拍摄的图像成像质量差，无法适配目前的视觉分析方法的问题，保证了安全属性识别的可实现性；将超分辨率重建特征直接应用于安全属性识别，省略了应用超分辨率重建特征进行图像重建，根据重建所得的高分辨率图像进行特征提取的步骤，减小了算法的复杂度，缩短了计算流程。
119.基于上述实施例，属性识别单元620用于：
120.基于所述超分辨率重建特征，或基于所述超分辨率重建特征和所述人员区域图像的区域图像特征，确定待识别特征；
121.对所述待识别特征进行安全属性识别。
122.基于上述实施例，属性识别单元620用于：
123.对所述待识别特征分别进行多种安全属性的属性识别，所述多种安全属性包括安全帽佩戴状态、安全背心穿戴状态、安全绳佩戴状态中的至少两种。
124.基于上述实施例，属性识别单元620用于：
125.对所述待识别特征分别进行每一安全属性下的属性特征提取；
126.基于通道注意力机制和空间注意力机制，分别对每一安全属性下的属性特征进行属性识别。
127.基于上述实施例，属性识别单元620用于：
128.将所述人员区域图像输入至多安全属性识别模型，得到所述多安全属性识别模型输出的所述安全属性识别结果；
129.所述多安全属性识别模型为端到端模型，所述多安全属性识别模型是基于样本人员区域图像，以及所述样本人员区域图像中所有安全属性的属性标签训练得到的。
130.基于上述实施例，所述安全属性的属性标签表示标注的安全属性状态或者未标注对应的安全属性。
131.基于上述实施例，人员检测单元620用于：
132.对所述现场图像进行重叠滑窗，得到多个现场图像块；
133.对每一现场图像块进行人员检测，得到每一现场图像块的人员检测结果；
134.合并每一现场图像块的人员检测结果，得到所述现场图像中的人员区域图像。
135.图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(communications interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行图像识别方法，该方法包括：对现场图像进行人员检测，得到所述现场图像中的人员区域图像；对所述人员区域图像进行超分辨率重建，基于超分辨率重建所得的超分辨率重建特征进行安全属性识别，得到所述人员区域图像中对应人员的安全属性识别结果。
136.此外，上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
137.另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的图像识别方法，该方法包括：对现场图像进行人员检测，得到所述现场图像中的人员区域图像；对所述人员区域图像进行超分辨率重建，基于超分辨率重建所得的超分辨率重建特征进行安全属性识别，得到所述人员区域图像中对应人员的安全属性识别结果。
138.又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的图像识别方法，该方法包括：对现场图像进行人员检测，得到所述现场图像中的人员区域图像；对所述人员区域图像进行超分辨率重建，基于超分辨率重建所得的超分辨率重建特征进行安全属性识别，得到所述人员区域图像中对应人员的安全属性识别结果。
139.以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
140.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
141.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。