工服穿戴状态检测方法、装置、存储介质及电子装置

技术领域

本发明实施例涉及计算机视觉技术领域，具体而言，涉及一种工服穿戴状态检测方法、装置、存储介质及电子装置。

背景技术

在很多工作场所，对工作人员的状态要求(例如，穿戴要求，下面以状态为穿戴状态为例，进行说明)越来越严，有些专门制定了相关的工作人员穿戴规范，例如生产车间、施工现场、服务机构等，很多场所规定未穿工服人员不得进入某些区域、工作期间未穿工作服会被警告或惩罚等，穿戴检测已成为了安全生产和建设的必要措施。

近年来，随着深度学习技术的发展，人工智能技术越来越广泛地应用于穿戴智能识别领域，以工作服的智能检测为例，目前主要通过收集大量待识别类型的工作服图片素材送入深度学习网络中训练学习获得特定模型，通过特定模型识别人员是否穿戴指定工作服，若有新增工作服，还需要重新训练新模型，这样既费时又费力导致检测效率低。

针对相关技术中存在的在对目标工服穿戴状态进行检测时，因需要大量训练素材而导致检测效率低的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种工服穿戴状态检测方法、装置、存储介质及电子装置，以至少解决相关技术中存在的在对目标工服穿戴状态进行检测时，因需要大量训练素材而导致检测效率低的问题。

根据本发明的一个实施例，提供了一种工服穿戴状态检测方法，包括：从图像采集设备所采集的图像中确定出目标对象的第一图像；从所述第一图像中确定出满足目标条件的目标图像，其中，所述目标条件用于指示图像中包括的所述目标对象的姿态为预定姿态；获取所述目标图像的目标特征向量，其中，所述目标特征向量是利用特征提取网络从所述目标图像中提取出的；将所述目标特征向量与预先确定的参考特征向量进行比较，以确定所述目标对象是否处于预定的目标工服穿戴状态，其中，所述参考特征向量为利用所述特征提取网络从多个包括处于所述预定的目标工服穿戴状态下的对象的参考图像中提取出的。

在一个示例性实施例中，所述目标对象的姿态包括以下至少之一：第一姿态属性，其中，所述第一姿态属性用于表示所述目标对象相对于所述图像采集设备的角度信息；第二姿态属性，其中，所述第二姿态属性用于表示所述目标对象的直立信息；第三姿态属性，其中，所述第三姿态属性用于表示所述目标对象的完整度信息。

在一个示例性实施例中，在从所述第一图像中确定出满足目标条件的目标图像之前，所述方法还包括：从预先配置的对应关系中确定与所述目标工服对应的所述预定姿态，其中，所述对应关系用于指示工服与姿态之间的对应关系；基于所述预定姿态确定所述目标条件。

在一个示例性实施例中，从所述第一图像中确定出满足目标条件的目标图像包括：在所述目标对象的姿态包括所述第一姿态属性的情况下，利用目标运动轨迹分析网络和目标分类网络对所述第一图像进行分析，以从所述第一图像中确定出满足所述目标条件的所述目标图像；在所述目标对象的姿态包括所述第二姿态属性和/或所述第三姿态属性的情况下，利用目标分类网络和人体关节点分析网络对所述第一图像进行分析，以从所述第一图像中确定出满足所述目标条件的所述目标图像。

在一个示例性实施例中，将所述目标特征向量与预先确定的参考特征向量进行比较，以确定所述目标对象是否处于预定的目标工服穿戴状态包括：将所述目标特征向量与所述参考特征向量中包含的每个特征向量进行比较，以得到比对结果，其中，所述比对结果用于指示所述目标特征向量与所述每个特征向量之间的相似度；在确定所述比对结果为第一比对结果的情况下，确定所述目标对象处于所述预定的目标工服穿戴状态，其中，所述第一比对结果用于指示所述参考特征向量中包括有与所述目标特征向量的相似度超过预设阈值的参考特征向量；在确定所述比对结果为第二比对结果的情况下，确定所述目标对象未处于所述预定的目标工服穿戴状态，其中，所述第二比对结果用于指示所述参考特征向量中未包括有与所述目标特征向量的相似度超过预设阈值的参考特征向量。

在一个示例性实施例中，在将所述目标特征向量与所述参考特征向量中包含的每个特征向量进行比较，以得到比对结果之后，所述方法还包括：在基于所述比对结果确定出所述参考特征向量中未包括有与所述目标特征向量的相似度超过预设阈值的参考特征向量，且在确定在之后的预设时间段内确定出的其他目标图像中包括有超过预定比例的第一目标图像的情况下，确定所述目标对象未处于所述预定的目标工服穿戴状态；其中，所述其他目标图像为从所述第一图像中确定出的满足所述目标条件的图像，所述第一目标图像的第一目标特征向量对应的比对结果为所述第二比对结果。

在一个示例性实施例中，在确定所述目标对象未处于所述预定的目标工服穿戴状态之后，所述方法还包括：发出告警提示。

在一个示例性实施例中，在将所述目标特征向量与预先确定的参考特征向量进行比较，以确定所述目标对象是否处于预定的目标工服穿戴状态之前，所述方法还包括：获取多个所述参考图像；利用所述特征提取网络从多个所述参考图像中提取出初始特征向量；基于所述初始特征向量确定所述参考特征向量。

在一个示例性实施例中，基于所述初始特征向量确定所述参考特征向量包括：将所述初始特征向量确定为所述参考特征向量；通过聚类算法对所述初始特征向量进行聚类，以得到所述参考特征向量。

根据本发明的另一个实施例，还提供了一种工服穿戴状态检测装置，包括：第一确定模块，用于从图像采集设备所采集的图像中确定出目标对象的第一图像；第二确定模块，用于从所述第一图像中确定出满足目标条件的目标图像，其中，所述目标条件用于指示图像中包括的所述目标对象的姿态为预定姿态；获取模块，用于获取所述目标图像的目标特征向量，其中，所述目标特征向量是利用特征提取网络从所述目标图像中提取出的；比较模块，用于将所述目标特征向量与预先确定的参考特征向量进行比较，以确定所述目标对象是否处于预定的目标工服穿戴状态，其中，所述参考特征向量为利用所述特征提取网络从多个包括处于所述预定的目标工服穿戴状态下的对象的参考图像中提取出的。

根据本发明的又一个实施例，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。

通过本发明，基于预设的目标条件从包含目标对象的第一图像中确定出目标图像，利用特征提取网络从所述目标图像中提取出目标特征向量，再将目标特征向量与预先确定的参考特征向量进行比较，即可确定所述目标对象是否处于预定的目标工服穿戴状态，也就是说，可以利用预先确定的参考特征向量来确定目标工服穿戴状态，因此，不需要大量训练素材即可确定目标工服穿戴状态，从而避免了模型不通用的问题，解决了相关技术中存在的在对目标工服穿戴状态进行检测时，因需要大量训练素材而导致检测效率低的问题，达到了提高检测效率的效果。

附图说明

图1是本发明实施例的工服穿戴状态检测方法的移动终端硬件结构框图；

图2是根据本发明实施例的工服穿戴状态检测方法的流程图；

图3是根据本发明实施例的优选的工服穿戴状态检测方法的流程图；

图4是根据本发明实施例的工服穿戴状态检测装置的结构框图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明的实施例。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种工服穿戴状态检测方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的工服穿戴状态检测方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。

在本实施例中提供了一种工服穿戴状态检测方法，图2是根据本发明实施例的工服穿戴状态检测方法的流程图，如图2所示，该流程包括如下步骤：

步骤S202，从图像采集设备所采集的图像中确定出目标对象的第一图像；

步骤S204，从所述第一图像中确定出满足目标条件的目标图像，其中，所述目标条件用于指示图像中包括的所述目标对象的姿态为预定姿态；

步骤S206，获取所述目标图像的目标特征向量，其中，所述目标特征向量是利用特征提取网络从所述目标图像中提取出的；

步骤S208，将所述目标特征向量与预先确定的参考特征向量进行比较，以确定所述目标对象是否处于预定的目标工服穿戴状态，其中，所述参考特征向量为利用所述特征提取网络从多个包括处于所述预定的目标工服穿戴状态下的对象的参考图像中提取出的。

通过上述步骤，基于预设的目标条件从包含目标对象的第一图像中确定出目标图像，利用特征提取网络从所述目标图像中提取出目标特征向量，再将目标特征向量与预先确定的参考特征向量进行比较，即可确定所述目标对象是否处于预定的目标工服穿戴状态，也就是说，可以利用预先确定的参考特征向量来确定目标工服穿戴状态，因此，不需要大量训练素材即可确定目标工服穿戴状态，从而避免了模型不通用的问题，解决了相关技术中存在的在对目标工服穿戴状态进行检测时，因需要大量训练素材而导致检测效率低的问题，达到了提高检测效率的效果。

其中，上述步骤的执行主体可以为各类检测系统中的检测设备，如穿戴检测设备、门禁检测设备、安全检测设备、视频监控设备等，或者为其它的具备图像拍摄与处理能力的设备，或者为配置在存储设备上的具备人机交互能力的处理器，或者为具备类似处理能力的处理设备或处理单元等，但不限于此。上述目标对象状态包括：工作人员穿戴工作服的状态、人或物体的姿势状态、或其它状态，下面以穿戴检测设备执行上述操作以进行工服穿戴状态检测为例(仅是一种示例性说明，在实际操作中还可以是其他的设备或模块来执行上述操作)进行说明：

在上述实施例中，穿戴检测设备从图像采集设备所采集的图像中确定出目标对象的第一图像，例如，从图像采集设备所采集的图像中确定出目标对象(如某个人、物体或人穿戴着某物或其他对象)的第一图像；再从所述第一图像中确定出满足目标条件的目标图像，例如，目标条件可为所述第一图像中所包括的目标对象的姿态为预定姿态(如人体对象的姿态为正面、直立且全身的)，当然，在实际应用中，目标条件还可设置为所述第一图像中所包括的目标对象的姿态为其他姿态，如正面一定角度(如0°～60°或其它角度范围)或背面，或目标对象的姿态为半身的等；在确定出满足目标条件的目标图像之后，利用特征提取网络从所述目标图像中提取出目标特征向量；再将所述目标特征向量与预先确定的参考特征向量进行比较，以确定所述目标对象是否处于预定的目标工服穿戴状态(例如，确定员工是否正确穿戴工服)，其中，所述参考特征向量为预先利用所述特征提取网络从多个包括处于所述预定的目标工服穿戴状态下的对象的参考图像中提取的，例如，预先选择N(如50,100或其它)张从不同角度、不同姿态拍摄的某对象(与所述目标对象同类的对象)的图片，将此N张图片送入特征提取网络提取出M(如16,64,128或其它)维特征向量，再将N*M维特征向量作为参考特征向量，在将上述目标特征向量与所述N*M维特征向量(即参考特征向量)进行比较后即可确定所述目标对象是否处于预定的目标工服穿戴状态。通过上述实施例，实现了不需要大量训练素材即可进行目标工服穿戴状态检测的效果。

在一个可选的实施例中，所述目标对象的姿态包括以下至少之一：第一姿态属性，其中，所述第一姿态属性用于表示所述目标对象相对于所述图像采集设备的角度信息；第二姿态属性，其中，所述第二姿态属性用于表示所述目标对象的直立信息；第三姿态属性，其中，所述第三姿态属性用于表示所述目标对象的完整度信息。在本实施例中，所述目标对象的姿态包括以下至少之一：第一姿态属性，例如，所述目标对象相对于所述图像采集设备的角度信息(如正面、侧面或背面，或者正面某角度范围)；第二姿态属性，例如，所述目标对象的直立信息；第三姿态属性，例如，所述目标对象的完整度信息(如上半身、下半身或全身等)。

在一个可选的实施例中，在从所述第一图像中确定出满足目标条件的目标图像之前，所述方法还包括：从预先配置的对应关系中确定与所述目标工服对应的所述预定姿态，其中，所述对应关系用于指示工服与姿态之间的对应关系；基于所述预定姿态确定所述目标条件。在本实施例中，在从所述第一图像中确定出满足目标条件的目标图像之前，可从预先配置的工服与姿态之间的对应关系中确定出与所述目标工服对应的所述预定姿态，例如，A类工服的正面和侧面有明显的特征信息，而背面没有任何特征信息，在对A类工服穿戴状态进行检测前，可预先配置与A类工服对应的预定姿态为第一姿态属性为正面和侧面、第二姿态属性为直立的及第三姿态属性为完整的，当然，对于其他类的工服，可以预先设置不同的预定姿态(即对第一姿态属性、第二姿态属性及第三姿态属性可以设置不同的要求)，可以将所述预定姿态作为上述目标条件。

在一个可选的实施例中，从所述第一图像中确定出满足目标条件的目标图像包括：在所述目标对象的姿态包括所述第一姿态属性的情况下，利用目标运动轨迹分析网络和目标分类网络对所述第一图像进行分析，以从所述第一图像中确定出满足所述目标条件的所述目标图像；在所述目标对象的姿态包括所述第二姿态属性和/或所述第三姿态属性的情况下，利用目标分类网络和人体关节点分析网络对所述第一图像进行分析，以从所述第一图像中确定出满足所述目标条件的所述目标图像。在本实施例中，从所述第一图像中确定出满足目标条件的目标图像包括：当所述目标对象的姿态包括所述第一姿态属性的情况下，例如，某类工作服的正面和侧面具有明显的特征信息(如代表某类工作服的标志，或某厂家的标志，或其它)，而背面没有明显特征信息，此时，可利用目标运动轨迹分析网络和目标分类网络对所述第一图像进行分析，以从所述第一图像中确定出满足所述目标条件的所述目标图像(即确定出正面和侧面具有明显的特征信息的工作服图像)；当所述目标对象的姿态包括所述第二姿态属性和/或所述第三姿态属性的情况下，例如，在某类工作服穿戴检测中，要求对穿戴者在直立时进行全身检测，此时，可利用目标分类网络和人体关节点分析网络对所述第一图像进行分析，以从所述第一图像中确定出满足所述目标条件的所述目标图像(即从第一图像中确定出满足直立且全身条件的目标图像)。

在一个可选的实施例中，将所述目标特征向量与预先确定的参考特征向量进行比较，以确定所述目标对象是否处于预定的目标工服穿戴状态包括：将所述目标特征向量与所述参考特征向量中包含的每个特征向量进行比较，以得到比对结果，其中，所述比对结果用于指示所述目标特征向量与所述每个特征向量之间的相似度；在确定所述比对结果为第一比对结果的情况下，确定所述目标对象处于所述预定的目标工服穿戴状态，其中，所述第一比对结果用于指示所述参考特征向量中包括有与所述目标特征向量的相似度超过预设阈值的参考特征向量；在确定所述比对结果为第二比对结果的情况下，确定所述目标对象未处于所述预定的目标工服穿戴状态，其中，所述第二比对结果用于指示所述参考特征向量中未包括有与所述目标特征向量的相似度超过预设阈值的参考特征向量。在本实施例中，将所述目标特征向量与预先确定的参考特征向量进行比较，以确定所述目标对象是否处于预定的目标工服穿戴状态包括：将所述目标特征向量(如前述利用特征提取网络从所述目标图像中提取出的目标特征向量)与所述参考特征向量(如前述N*M维特征向量)中包含的每个特征向量进行比较，以得到所述目标特征向量与所述每个特征向量之间的相似度；在所述参考特征向量中包括有与所述目标特征向量的相似度超过预设阈值(例如85％或根据需要设置为其它值)的参考特征向量的情况下，可确定所述比对结果为第一比对结果，也即可确定出所述目标对象(如对象A)处于所述预定的目标工服穿戴状态，可选地，在实际应用中，对于检测出目标对象(如对象A)处于预定的目标工服穿戴状态时，可确定该对象A符合要求；在所述参考特征向量中未包括有与所述目标特征向量的相似度超过预设阈值(例如85％或根据需要设置为其它值)的参考特征向量的情况下，可确定所述比对结果为第二比对结果，也即可确定出所述目标对象(如对象B)未处于所述预定的目标工服穿戴状态，可选地，在实际应用中，对于检测出目标对象(如对象B)未处于预定的目标工服穿戴状态时，可确定该对象B不符合要求，针对不符合要求的情况还可发出告警提示。

在一个可选的实施例中，在将所述目标特征向量与所述参考特征向量中包含的每个特征向量进行比较，以得到比对结果之后，所述方法还包括：在基于所述比对结果确定出所述参考特征向量中未包括有与所述目标特征向量的相似度超过预设阈值的参考特征向量，且在确定在之后的预设时间段内确定出的其他目标图像中包括有超过预定比例的第一目标图像的情况下，确定所述目标对象未处于所述预定的目标工服穿戴状态；其中，所述其他目标图像为从所述第一图像中确定出的满足所述目标条件的图像，所述第一目标图像的第一目标特征向量对应的比对结果为所述第二比对结果。在本实施例中，在基于所述比对结果确定出所述参考特征向量中未包括有与所述目标特征向量的相似度超过预设阈值的参考特征向量时，还可继续跟踪分析其他目标图像(通常从图像采集设备获取的第一图像中包括多张目标图像)，当在之后的预设时间段内(如1s、3s或其它时间)确定出其他目标图像中包括有超过预定比例(如70％或其它值)的第一目标图像的情况下，再确定所述目标对象为未处于所述预定的目标工服穿戴状态，其中，所述第一目标图像的第一目标特征向量对应的比对结果为所述第二比对结果，例如，在一段时间内(如3s或其它时间)提取出了5张满足前述目标条件的图像，其中有4张图像为未处于所述预定的目标工服穿戴状态(即包括有80％的第一目标图像)，此时可确定所述目标对象为未处于所述预定的目标工服穿戴状态。通过本实施例，可实现更准确地检测目标对象的效果。

在一个可选的实施例中，在确定所述目标对象未处于所述预定的目标工服穿戴状态之后，所述方法还包括：发出告警提示。在本实施例中，当确定所述目标对象未处于所述预定的目标工服穿戴状态之后，可发出告警提示，可选地，在实际应用中，当检测设备检测出目标对象(如A厂工人)未处于预定的目标工服穿戴状态(如A厂对工服穿戴的标准状态)时，检测设备可发出告警提示，以方便相关人员及时作出调整，实现了及时发现问题的目的，达到了提高安全性的效果。

在一个可选的实施例中，在将所述目标特征向量与预先确定的参考特征向量进行比较，以确定所述目标对象是否处于预定的目标工服穿戴状态之前，所述方法还包括：获取多个所述参考图像；利用所述特征提取网络从多个所述参考图像中提取出初始特征向量；基于所述初始特征向量确定所述参考特征向量。在本实施例中，在将所述目标特征向量与预先确定的参考特征向量进行比较，以确定所述目标对象是否处于预定的目标工服穿戴状态之前，先获取多个所述参考图像，例如，可预先准备N(如50,100或其它)张从不同角度、不同姿态拍摄的包含某对象(与所述目标对象同类的对象)的图片作为参考图像，再利用所述特征提取网络从多个所述参考图像(如所述N张图片)中提取出初始特征向量(如前述N*M维特征向量)，然后，基于所述初始特征向量确定所述参考特征向量。

在一个可选的实施例中，基于所述初始特征向量确定所述参考特征向量包括：将所述初始特征向量确定为所述参考特征向量；通过聚类算法对所述初始特征向量进行聚类，以得到所述参考特征向量。在本实施例中，基于所述初始特征向量确定所述参考特征向量包括：可将所述初始特征向量确定为所述参考特征向量(如前述N*M维特征向量)；还可通过聚类算法对所述初始特征向量进行聚类，以得到所述参考特征向量，例如，可以将N*M维特征向量通过聚类算法聚成C个M维特征向量，再将C*M维特征向量确定为参考特征向量。

显然，上述所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。

下面结合实施例对本发明进行具体说明：

图3是根据本发明实施例的优选的工服穿戴状态检测方法的流程图，如图3所示，该流程包括以下步骤：

S302，获取视频流(对应于前述从图像采集设备所采集图像中确定出第一图像，如从工厂的监控设备中获取监控视频)；

S304，利用目标检测算法检测视频流中包括的图像帧中人体上半身和全身目标；

S306，对人体上半身和全身进行目标关联跟踪；

S308，获取跟踪目标后，对人体目标状态属性(对应于前述姿态属性)进行分析，结合目标运动轨迹和目标分类网络分类，判断目标角度是正面、背面还是侧面；通过目标分类网络和人体关节点技术分析判断人体目标是否直立和完整；

S310，进行第一判断，以判断是否满足优选条件(对应于前述满足目标条件)；

可选地，在实际应用中，根据目标的角度、直立和完整性属性信息，以及事先确定的目标优选方案，优选出符合优选条件的人体目标，例如警服的正面和侧面具有明显的特征信息，而从背面较难判断出是否是警服，因此目标优选方案可以是满足正面和侧面，直立且完整的目标进行后续工服检测；例如工厂内操作工大部分时刻只露出上半身，而下半身被遮挡，则此时目标优选方案可以是上半身完整的目标进行后续工服检测；

S312，在上述S310步骤的判断结果为是的情况下，利用特征提取网络提取目标特征向量，例如，通过目标优选方案获得合适分析目标后，将该目标送入特征提取网络提取M维特征向量，可选地，在实际应用中，还可通过聚类算法对所述M维特征向量进行聚类，可以聚成C个M维特征向量；

而在上述S310步骤的判断结果为否的情况下，将执行S308步骤以继续进行目标状态分析；

S314，将所述目标特征向量与预先准备的特征检索库(相当于前述参考特征向量)中包含的每个特征向量进行比较，以进行特征相似度的计算，例如，将上述S312步骤中所提取的所述目标特征向量依次与N个M维特征向量进行相似度计算；

S316，进行第二判断，以判断S314步骤中计算的相似度是否高于阈值(对应于前述预设阈值，如85％或其它值)；

S318，在上述S316步骤的判断结果为是的情况下，可确定目标为正常穿戴工服，例如，当上述目标特征向量与所述N个M维特征向量中任意一个特征向量相似度阈值超过设定的相似度阈值时，则认为该目标为穿着指定工服目标；

S320，在上述S316步骤的判断结果为否的情况下，可确定目标可能未穿戴工服；

S322，累积一段时间，当判断同一目标连续一段时间非穿工服的图像帧满足一定比例(如80％或其他值)，则认为该目标为未穿工作服，在实际应用中，针对此情况，检测设备可发出报警提示。

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根据上述实施例的方法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，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。

在本实施例中还提供了一种工服穿戴状态检测装置，图4是根据本发明实施例的工服穿戴状态检测装置的结构框图，如图4所示，该装置包括：

第一确定模块402，用于从图像采集设备所采集的图像中确定出目标对象的第一图像；

第二确定模块404，用于从所述第一图像中确定出满足目标条件的目标图像，其中，所述目标条件用于指示图像中包括的所述目标对象的姿态为预定姿态；

获取模块406，用于获取所述目标图像的目标特征向量，其中，所述目标特征向量是利用特征提取网络从所述目标图像中提取出的；

比较模块408，用于将所述目标特征向量与预先确定的参考特征向量进行比较，以确定所述目标对象是否处于预定的目标工服穿戴状态，其中，所述参考特征向量为利用所述特征提取网络从多个包括处于所述预定的目标工服穿戴状态下的对象的参考图像中提取出的。

在一个可选的实施例中，上述目标对象的姿态包括以下至少之一：第一姿态属性，其中，所述第一姿态属性用于表示所述目标对象相对于所述图像采集设备的角度信息；第二姿态属性，其中，所述第二姿态属性用于表示所述目标对象的直立信息；第三姿态属性，其中，所述第三姿态属性用于表示所述目标对象的完整度信息。

在一个可选的实施例中，所述装置还包括：第三确定模块，用于在从所述第一图像中确定出满足目标条件的目标图像之前，从预先配置的对应关系中确定与所述目标工服对应的所述预定姿态，其中，所述对应关系用于指示工服与姿态之间的对应关系；第四确定模块，用于基于所述预定姿态确定所述目标条件。

在一个可选的实施例中，第二确定模块404包括：第一确定单元，用于在所述目标对象的姿态包括所述第一姿态属性的情况下，利用目标运动轨迹分析网络和目标分类网络对所述第一图像进行分析，以从所述第一图像中确定出满足所述目标条件的所述目标图像；第二确定单元，用于在所述目标对象的姿态包括所述第二姿态属性和/或所述第三姿态属性的情况下，利用目标分类网络和人体关节点分析网络对所述第一图像进行分析，以从所述第一图像中确定出满足所述目标条件的所述目标图像。

在一个可选的实施例中，比较模块408包括：比较单元，用于将所述目标特征向量与所述参考特征向量中包含的每个特征向量进行比较，以得到比对结果，其中，所述比对结果用于指示所述目标特征向量与所述每个特征向量之间的相似度；第三确定单元，用于在确定所述比对结果为第一比对结果的情况下，确定所述目标对象处于所述预定的目标工服穿戴状态，其中，所述第一比对结果用于指示所述参考特征向量中包括有与所述目标特征向量的相似度超过预设阈值的参考特征向量；第四确定单元，用于在确定所述比对结果为第二比对结果的情况下，确定所述目标对象未处于所述预定的目标工服穿戴状态，其中，所述第二比对结果用于指示所述参考特征向量中未包括有与所述目标特征向量的相似度超过预设阈值的参考特征向量。

在一个可选的实施例中，所述装置还包括：第五确定模块，用于在将所述目标特征向量与所述参考特征向量中包含的每个特征向量进行比较，以得到比对结果之后，在基于所述比对结果确定出所述参考特征向量中未包括有与所述目标特征向量的相似度超过预设阈值的参考特征向量，且在确定在之后的预设时间段内确定出的其他目标图像中包括有超过预定比例的第一目标图像的情况下，确定所述目标对象未处于所述预定的目标工服穿戴状态；其中，所述其他目标图像为从所述第一图像中确定出的满足所述目标条件的图像，所述第一目标图像的第一目标特征向量对应的比对结果为所述第二比对结果。

在一个可选的实施例中，所述装置还包括：告警模块，用于在确定所述目标对象未处于所述预定的目标工服穿戴状态之后，发出告警提示。

在一个可选的实施例中，所述装置还包括：第二获取模块，用于在将所述目标特征向量与预先确定的参考特征向量进行比较，以确定所述目标对象是否处于预定的目标工服穿戴状态之前，获取多个所述参考图像；提取模块，用于利用所述特征提取网络从多个所述参考图像中提取出初始特征向量；第六确定模块，用于基于所述初始特征向量确定所述参考特征向量。

在一个可选的实施例中，上述第六确定模块包括：第五确定单元，用于将所述初始特征向量确定为所述参考特征向量；聚类单元，用于通过聚类算法对所述初始特征向量进行聚类，以得到所述参考特征向量。

需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。

本发明的实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。

本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。