CN103745226B - 一种电力设施作业现场人员着装安全检测方法 - Google Patents

Abstract

本发明公开了一种电力设施作业现场人员着装安全检测方法，基于HOG特征训练SVM分类器识别电力设施作业现场人员以及基于人员识别结果判断人员装备是否整齐，所述方法首先通过训练基于HOG特征的分类器检测电力设施作业现场中出现的人员目标，接着基于所识别到的人员目标判断该人员的着装装备是否符合作业现场安全要求，主要包括安全帽是否佩戴，安全服装是否完整穿着（无皮肤露出），杆上变工作人员是否正确佩戴安全带等安全项目。能够在工作人员进入作业现场之前自动对其着装进行提前检测，不需要加派工作人员进行监督；同时，如着装不符合规范，则对其进行预警提醒，避免因为未按标准着装而造成的安全事故，排除安全隐患。

Description

一种电力设施作业现场人员着装安全检测方法

技术领域

本发明涉及一种检测方法，特别是涉及一种电力设施作用现场人员着装安全检测方法。

背景技术

在电力设施的维护过程中，由于工作人员需要直接接触电力设施，因而一旦工作人员没有按照要求进行安全着装，在此过程中就会产生大量安全隐患。同时由于电力系统设施的高度危险性，一旦发生安全事故，通常都会造成不可逆转的严重后果。因此，有必要在电力设施的维修维护过程进行全程的视频监控，保证电力设施作业现场人员的着装安全。

有鉴于此，本发明人对此进行研究，专门开发出一种电力设施作用现场人员着装安全检测方法，本案由此产生。

发明内容

本发明的目的是提供一种电力设施作用现场人员着装安全检测方法，可以自动识别出电力设施作业现场场景中的工作人员，同时对工作人员进行安全着装的判定，一旦发现安全隐患即会进行报警。

为了实现上述目的，本发明的解决方案是：

一种电力设施作业现场人员着装安全检测方法，包括如下步骤：

1）正负样本准备步骤；

所述正样本为包含作业现场人员目标的各种形态以及着装的图片，所述图片像素尺寸大小统一，所述负样本为除正样本外的任何图片，尺寸和正样本相同；

2）HOG特征提取步骤，具体包括如下子步骤：

a、将输入的所有正负样本的图片进行高斯平滑，去除噪声；

b、利用[-1，0，1] 梯度算子做卷积，得到x 方向的梯度分量，然后用[1，0，-1]T梯度算子对做卷积，得到y 方向的梯度分量，计算出每个像素的梯度；

c、将图像分成小的cells，统计每个cell的梯度直方图；

d、将多个cell组成一个block，将一个block中所有cell的特征串联起来得到block的HOG特征描述符；

e、将图像窗口内所有的block的HOG特征串联起来，得到检测窗口的HOG特征描述符，供SVM分类使用；

3）SVM分类器训练步骤；

首先分别采集正负样本，调整为统一大小，然后分别提取正负样本的HOG特征，进行第一次训练，生成初始检测子，对于误检的区域，重新加入负样本，提取HOG特征进行重新训练，生成最终分类器；

4）检测步骤；

首先选择最小的尺度以及1.1的尺度增量因子，然后从待检测区域的左上方开始遍历图像，扫描完毕之后，将当前的尺度乘以1.1的尺度增量因子，再重复进行一遍图像遍历，直到所有的尺度都被检测完备为止，最后输出所有的检测结果；

5)基于HSV模型的阀值判定步骤；

获得人员目标检测结果之后，根据HSV色彩模型判断人员目标是否进行了安全着装，安全着装检测包括安全帽检测、杆上变人员安全带检测、裸露皮肤的检测；

其中，安全帽检测检测包括如下子步骤：

a、首先选择人员目标检测结果的上半部分作为待检测区域，然后将待检测区域图像由RGB模型转为HSV模型；安全帽共有黄色、红色、白色、蓝色四种颜色，其中黄色、红色、蓝色和白色在HSV 模型中的取值范围分别为：

黄色：H ：37.5-67.5 ；S ：0.4-1 ；V ：0.5-0.8；

红色：H ：0-15、330-360 ；S ：0.4-1 ；V ：0.5-0.8；

蓝色：H ：225-255 ；S ：0.35-1 ；V ：0.6-0.8 ；

白色：H ：任意；S ：任意；V ：0.95-1 ；

b、根据安全帽颜色在HSV模型中的取值范围设定阈值，将HSV图二值化成为二值图，只保留在阈值之内的部分；

c、然后将二值图进行腐蚀和膨胀，消除一些无关的区域；

d、最后在膨胀之后的二值图中寻找连通域，如果找到了连通域，就说明该区域内存在安全帽，得到正确的检测结果并输出；

杆上变人员安全带检测包括如下子步骤：

a、首先选取人员目标的腰部作为待检测区域，然后将待检测区域图像由RGB模型转为HSV模型，在HSV 模型中，橘黄色的取值范围为：

橘黄色：H ：30-40 ；S ：0.4-1 ；V ：0.5-0.8 ；

b、根据安全带颜色在HSV模型中的取值范围设定阈值，将HSV图二值化成为二值图，只保留在阈值之内的部分；

c、然后将二值图进行腐蚀和膨胀，消除一些无关的区域；

d、最后在膨胀之后的二值图中寻找连通域，如果找到了连通域，就说明该区域内存在安全带，得到正确的检测结果并输出，若检测结果为未佩戴安全带，则发出报警提示；

裸露皮肤的检测包括如下子步骤：

a、首先选取人员目标的两侧手臂区域为待检测区域, 然后将待检测区域图像由RGB模型转为HSV模型，裸露的皮肤取值范围为：H ：0-53 ；S ：0.21-0.69 ；V ：0.5-0.8 ；

b、根据裸露皮肤在HSV模型中的取值范围设定阈值，将HSV图二值化成为二值图，只保留在阈值之内的部分；

c、然后将二值图进行腐蚀和膨胀，消除一些无关的区域；

d、最后在膨胀之后的二值图中寻找连通域，如果找到了连通域，就说明该区域内存在裸露的皮肤，因此可以根据检测结果判定工作人员是否正确穿着了工作服，若检测检测到裸露皮肤，则发出报警提示。

电力设施作业现场人员着装安全检测方法优点在于能够在工作人员进入作业现场之前自动对其着装进行提前检测，不需要加派工作人员进行监督；同时，如着装不符合规范，则对其进行预警提醒，避免因为未按标准着装而造成的安全事故，排除安全隐患。

以下结合附图及具体实施例对本发明做进一步详细描述。

附图说明

图1为本实施例Hog特征提取过程/lin SVM训练结构图；

图2为本实施例HOG特征提取过程；

图3为本实施例HOG特征提取过程；

图4为本实施例初始分类器训练过程流程图；

图5为本实施例最终分类器训练过程流程图；

图6为本实施例多尺度扫描过程示意图；

图7为本实施例为安全帽检测结果示意图；

图8为本实施例为杆上变人员安全带检测结果示意图；

图9为本实施例为裸露皮肤的检测结果示意图。

具体实施方式

一种电力设施作业现场人员着装安全检测方法，包括如下步骤：

1)      正负样本准备步骤；

所述正样本为包含作业现场人员目标的各种形态以及着装的图片，所述图片像素尺寸大小统一，所述负样本为除正样本外的任何图片，尺寸和正样本相同；本实施例采用的负样本图片主要是作业现场场景中的背景图片，例如道路、草坪、建筑物、电力设施等。

2）HOG特征提取步骤，如图1-3所示，具体包括如下子步骤：

步骤101、对输入的所有正负样本图片进行高斯平滑，去除噪声；

步骤102、利用[-1,0,1]梯度算子做卷积，得到x方向的梯度分量，然后用[1,0,-1]T梯度算子对做卷积，得到y方向的梯度分量，计算出每个像素的梯度；

步骤103、采用8*8个像素组成一个cell，并在cell内将梯度方向360度分成9个方向块，对cell内每个像素用梯度方向在直方图中进行加权投影，就得到这个cell的梯度方向直方图，这就是每个cell对应的9维特征向量；

步骤104、再将2*2个cell组成一个block，可以得出一个block包含四个cell，也就总共有36维特征向量，将一个block中所有cell的特征串联起来得到block的HOG特征描述符；

步骤105、一个训练窗口为64*128，按8个像素的步长进行扫描，水平是7个扫描窗口，垂直是15个，总共生成36*7*15=3780维特征向量，将图像窗口内所有的block的HOG特征串联起来，得到检测窗口的HOG特征描述符，供SVM分类使用；针对不同的目标大小，可以调整cell和block的大小，以及训练窗口大小，重新计算维数，即可提取到适合自身目标的HOG特征，最终加入linSVM训练。

3）SVM分类器训练步骤，具体训练流程如图4-5所示：

  应用时，分别训练了32*64的站立式行人分类器，32*80的杆上变的行人分类器，以及24*8的腰带分类器。

  以32*64的分类器为例具体实现过程为：

  对于站立式行人，因为观察距离原因，训练窗口选择大小为32*64，cell单元大小为4*4，block的大小为8*8，横向和纵向分别以4个像素进行滑动扫描，则Hog特征的维数为3780。

训练时，首先分别采集正负样本，调整大小统一为32*64，正样本采集了3090个，存放于pos文件夹，负样本采集了5935存放于neg文件夹。然后分别提取正负样本的HOG特征，加入linSVM进行第一次训练，生成初始检测子。

初次训练完成后，用训练好的分类器进行测试，对于误检的区域，重新加入负样本中，进行样本更新，重新训练，生成最终分类器，这是一个3781维的数组，每一个数据代表着边缘方向的阈值。

上述步骤1）-3）为行人检测，Opencv的开源库提供了用于训练分类器的函数，本实施例使用已经提供好的库函数进行分类器的训练。

4）检测步骤；

首先选择最小的尺度（即正负样本尺度）以及尺度增量因子（1.1），然后从待检测区域的左上方开始遍历图像。扫描完毕之后，将当前的尺度乘以尺度增量因子，再重复进行一遍图像遍历，直到所有的尺度都被检测完备为止（如图6所示），最后输出所有的检测结果。

5)基于HSV模型的阀值判定步骤；

获得了人员目标检测结果之后，根据HSV色彩模型判断人员目标是否进行了安全着装。

安全着装检测包括安全帽检测、杆上变人员安全带检测、裸露皮肤的检测。

其中，安全帽检测检测包括如下子步骤：

a、首先选择人员目标检测结果的上半部分作为待检测区域，然后将待检测区域图像由RGB模型转为HSV模型；安全帽共有黄色、红色、白色、蓝色四种颜色，其中黄色、红色和蓝色在HSV模型中的取值范围分别为：

黄色：H：37.5-67.5；S：0.4-1；V：0.5-0.8

红色：H：0-15、330-360；S：0.4-1；V：0.5-0.8

蓝色：H：225-255；S：0.35-1；V：0.6-0.8；

对于白色，只要亮度V接近1，不管H和S取值多少，都会变成白色，因此白色的取值范围为：

白色：H：任意；S：任意；V：0.95-1；

b、根据上述安全帽颜色在HSV模型中的取值范围设定阈值，将HSV图二值化成为二值图，只保留在阈值之内的部分；

c、然后将二值图进行腐蚀和膨胀，消除一些无关的区域；

d、最后在膨胀之后的二值图中寻找连通域，如果找到了连通域，就说明该区域内存在安全帽，得到正确的检测结果并输出。由于待检测区域只是人员目标的头部，因此根据检测结果可以判定该工作人员是否佩戴了安全帽。

杆上变人员安全带检测包括如下子步骤：

a、工作人员爬上杆上变进行作业的时候必须在腰部佩戴安全带，检测到人员目标之后，首先选取人员目标的腰部作为待检测区域，然后将待检测区域图像由RGB模型转为HSV模型；由于腰带目标过小，因此分类器输出结果不稳定，误识很多。和安全帽类似，安全带同样具有鲜明的颜色特征，即橘黄色，因此对于分类器输出结果使用基于HSV模型的阈值加以判定。

在HSV模型中，橘黄色的取值范围为：

橘黄色：H：30-40；S：0.4-1；V：0.5-0.8；

b、根据安全带颜色在HSV模型中的取值范围设定阈值，将HSV图二值化成为二值图，只保留在阈值之内的部分；

c、然后将二值图进行腐蚀和膨胀，消除一些无关的区域；

d、最后在膨胀之后的二值图中寻找连通域，如果找到了连通域，就说明该区域内存在安全带，得到正确的检测结果并输出。

裸露皮肤的检测包括如下子步骤：

a、工作人员在电力设施作业现场作业时必须保持无皮肤暴露在空气中，而很多时候工作人员会将袖子挽起，这样会产生安全隐患，基于人员目标识别结果，首先选取人员目标的两侧手臂区域为待检测区域，然后将待检测区域图像由RGB模型转为HSV模型；针对黄种人，裸露的皮肤在HSV模型中的取值为：

裸露的皮肤：H：0-53；S：0.21-0.69；V：0.5-0.8；

b、根据裸露皮肤在HSV模型中的取值范围设定阈值，将HSV图二值化成为二值图，只保留在阈值之内的部分；

c、然后将二值图进行腐蚀和膨胀，消除一些无关的区域；

d、最后在膨胀之后的二值图中寻找连通域，如果找到了连通域，就说明该区域内存在裸露的皮肤，因此可以根据检测结果判定工作人员是否正确穿着了工作服。

在OpenCV函数库中，HSV模型的取值和标准取值有所不同，其中H的取值范围是0-180，S和V的取值范围都是0-255，因此需要对前述的各种颜色在标准HSV模型下的取值范围做修正，已适应具体应用过程。经过修正后，各种颜色的阈值如表1所示：

表1：各颜色在OpenCV中的取值范围

 根据表1中的取值范围来设定各个颜色的阈值，根据所设定的阈值来对HSV图进行二值化，之后经过形态学腐蚀和膨胀，消除无关的区域。最后在二值图中寻找连通域，如果找到了连通域，就说明在待检测区域中存在目标颜色区域，从而得到进一步的分析结果。

上述实施例和图式并非限定本发明的产品形态和式样，任何所属技术领域的普通技术人员对其所做的适当变化或修饰，皆应视为不脱离本发明的专利范畴。

Claims (1)

1.一种电力设施作业现场人员着装安全检测方法，其特征在于包括如下步骤：

1）正负样本准备步骤；

所述正样本为包含作业现场人员目标的各种形态以及着装的图片，所述图片像素尺寸大小统一，所述负样本为除正样本外的任何图片，尺寸和正样本相同；

2）HOG特征提取步骤，具体包括如下子步骤：

a、将输入的所有正负样本的图片进行高斯平滑，去除噪声；

b、利用[-1，0，1] 梯度算子做卷积，得到x 方向的梯度分量，然后用[1，0，-1]T梯度算子对做卷积，得到y 方向的梯度分量，计算出每个像素的梯度；

c、将图像分成小的cells，统计每个cell的梯度直方图；

d、将多个cell组成一个block，将一个block中所有cell的特征串联起来得到block的HOG特征描述符；

e、将图像窗口内所有的block的HOG特征串联起来，得到检测窗口的HOG特征描述符，供SVM分类使用；

3）SVM分类器训练步骤；首先分别采集正负样本，调整为统一大小，然后分别提取正负样本的HOG特征，进行第一次训练，生成初始检测子，对于误检的区域，重新加入负样本，提取HOG特征进行重新训练，生成最终分类器；

4）检测步骤；

首先选择最小的尺度以及1.1的尺度增量因子，然后从待检测区域的左上方开始遍历图像，扫描完毕之后，将当前的尺度乘以1.1的尺度增量因子，再重复进行一遍图像遍历，直到所有的尺度都被检测完备为止，最后输出所有的检测结果；

5)基于HSV模型的阀值判定步骤；

获得人员目标检测结果之后，根据HSV色彩模型判断人员目标是否进行了安全着装，安全着装检测包括安全帽检测、杆上变人员安全带检测、裸露皮肤的检测；

其中，安全帽检测检测包括如下子步骤：

a、首先选择人员目标检测结果的上半部分作为待检测区域，然后将待检测区域图像由RGB模型转为HSV模型；安全帽共有黄色、红色、白色、蓝色四种颜色，其中黄色、红色、蓝色和白色在HSV 模型中的取值范围分别为：

黄色：H ：37.5-67.5 ；S ：0.4-1 ；V ：0.5-0.8；

红色：H ：0-15、330-360 ；S ：0.4-1 ；V ：0.5-0.8；

蓝色：H ：225-255 ；S ：0.35-1 ；V ：0.6-0.8 ；

白色：H ：任意；S ：任意；V ：0.95-1 ；

b、根据安全帽颜色在HSV模型中的取值范围设定阈值，将HSV图二值化成为二值图，只保留在阈值之内的部分；

c、然后将二值图进行腐蚀和膨胀，消除一些无关的区域；

d、最后在膨胀之后的二值图中寻找连通域，如果找到了连通域，就说明该区域内存在安全帽，得到正确的检测结果并输出；

杆上变人员安全带检测包括如下子步骤：

a、首先选取人员目标的腰部作为待检测区域，然后将待检测区域图像由RGB模型转为HSV模型，在HSV 模型中，橘黄色的取值范围为：

橘黄色：H ：30-40 ；S ：0.4-1 ；V ：0.5-0.8 ；

b、根据安全带颜色在HSV模型中的取值范围设定阈值，将HSV图二值化成为二值图，只保留在阈值之内的部分；

c、然后将二值图进行腐蚀和膨胀，消除一些无关的区域；

d、最后在膨胀之后的二值图中寻找连通域，如果找到了连通域，就说明该区域内存在安全带，得到正确的检测结果并输出，若检测结果为未佩戴安全带，则发出报警提示；

裸露皮肤的检测包括如下子步骤：

a、首先选取人员目标的两侧手臂区域为待检测区域, 然后将待检测区域图像由RGB模型转为HSV模型，裸露的皮肤取值范围为：H ：0-53 ；S ：0.21-0.69 ；V ：0.5-0.8 ；

b、根据裸露皮肤在HSV模型中的取值范围设定阈值，将HSV图二值化成为二值图，只保留在阈值之内的部分；

c、然后将二值图进行腐蚀和膨胀，消除一些无关的区域；

d、最后在膨胀之后的二值图中寻找连通域，如果找到了连通域，就说明该区域内存在裸露的皮肤，因此可以根据检测结果判定工作人员是否正确穿着了工作服，若检测检测到裸露皮肤，则发出报警提示。