CN108537256B - 一种安全帽佩戴识别方法及装置 - Google Patents

一种安全帽佩戴识别方法及装置 Download PDF

Info

Publication number
CN108537256B
CN108537256B CN201810250703.8A CN201810250703A CN108537256B CN 108537256 B CN108537256 B CN 108537256B CN 201810250703 A CN201810250703 A CN 201810250703A CN 108537256 B CN108537256 B CN 108537256B
Authority
CN
China
Prior art keywords
wearing
detection area
image
region
color
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810250703.8A
Other languages
English (en)
Other versions
CN108537256A (zh
Inventor
李党
谢静
张智鹏
余旭
赵雪鹏
王军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Icetech Science & Technology Co ltd
Original Assignee
Beijing Icetech Science & Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Icetech Science & Technology Co ltd filed Critical Beijing Icetech Science & Technology Co ltd
Priority to CN201810250703.8A priority Critical patent/CN108537256B/zh
Publication of CN108537256A publication Critical patent/CN108537256A/zh
Application granted granted Critical
Publication of CN108537256B publication Critical patent/CN108537256B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种安全帽佩戴识别方法，该方法包括：采用第一摄像机采集第一场景图像，进行人体检测，获取人体检测区域；根据人体检测区域，获取候选区域，对候选区域进行颜色识别，如果识别的颜色符合设置的颜色，则将人体检测区域的坐标位置发给第二摄像机并转入下一步骤，否则输出未佩戴安全帽；根据人体检测区域的坐标位置，采用第二摄像机获取第二场景图像，对第二场景图像进行人脸检测，获取人脸检测区域；选取佩戴安全帽的样本图像，对深度学习网络进行训练，获取佩戴识别模型；采用佩戴识别模型，对人脸检测区域进行佩戴识别，输出佩戴识别结果。与现有技术相比，本发明不仅能检测是否佩戴安全帽，而且能识别是否正确佩戴。

Description

一种安全帽佩戴识别方法及装置
技术领域
本发明涉及图像处理、视频监控以及安防，特别涉及安全帽佩戴识别方法及装置。
背景技术
随着社会的进步，安全生产成为至关重要的问题。但在安全生产场景中，仍然存在一些人安全意识薄弱，不按照规程作业，例如着装不符合安全规范。随着图像识别技术的发展，其获得了越来越广泛的应用，基于图像识别的安全着装检测成为减少安全隐患的有效方法之一。
近年来，基于图像识别的安全着装检测主要集中在是否佩戴安全帽检测上。然而，在实际安全生产场景中，除了要求佩戴安全帽外，对安全帽佩戴方式也有一定的要求。
综上所述，需要提出一种适用于安全生产场景的安全帽配戴识别方法及装置。
发明内容
有鉴于此，本发明的主要目的在于提供一种能够检测是否佩戴安全帽，以及识别安全帽佩戴方式是否正确的方法。
为达到上述目的，按照本发明的第一个方面，提供了一种安全帽佩戴识别方法，该方法包括：
第一步骤，采用第一摄像机采集第一场景图像，对第一场景图像进行人体检测，获取人体检测区域；
第二步骤，根据人体检测区域，获取候选区域，对候选区域进行颜色识别，如果识别的颜色符合设置的颜色，则将人体检测区域的坐标位置发给第二摄像机并转入第三步骤，否则输出未佩戴安全帽；
第三步骤，根据人体检测区域的坐标位置，采用第二摄像机获取第二场景图像，对第二场景图像进行人脸检测，获取人脸检测区域；
第四步骤，选取佩戴安全帽的样本图像，对深度学习网络进行训练，获取佩戴识别模型；
第五步骤，采用佩戴识别模型，对人脸检测区域进行佩戴识别，输出佩戴识别结果。
进一步地，所述第一摄像机为焦距不小于3.6mm的彩色摄像机，安装高度位于1.8～5米，安装俯视角度小于50°。
进一步地，所述第二步骤包括：
候选区域获取步骤，采用人脸检测方法或者头肩检测方法，从人体检测区域中提取人脸区域或者头肩区域，从人脸区域或者头肩区域的上半部分区域选取候选区域，候选区域与人脸区域或者头肩区域的高度比值、宽度比值分别为第一阈值、第二阈值；
颜色识别步骤，对候选区域的颜色进行识别；
颜色识别结果输出步骤，如果候选区域的颜色符合设置的颜色，则将人体检测区域的坐标位置发给第二摄像机并转入第三步骤，否则输出未佩戴安全帽。
进一步地，所述第二摄像机为PTZ摄像机。
进一步地，所述第四步骤包括：
训练样本选取步骤，选取标注正确佩戴安全帽图像为正样本图像，选取标注非正确佩戴安全帽图像为负样本图像；
样本初步训练步骤，将正样本图像和负样本图像进行灰度化处理，并将其缩放到固定宽度和固定高度，采用深度学习网络对经过灰度化和缩放处理的正样本图像和负样本图像进行训练，获得初步训练的佩戴识别模型；
测试样本选取步骤，选取正样本图像和负样本图像作为测试图像；
样本二次训练步骤，将测试图像进行灰度化处理，并将其缩放到固定宽度和固定高度，采用初步训练的佩戴识别模型对经过灰度化和缩放处理的测试图像进行反复训练，直至佩戴识别模型收敛。
进一步地，所述第五步骤包括：将人脸检测区域缩放到固定宽度和固定高度，利用训练好的佩戴识别模型对缩放后的人脸检测区域进行识别，输出识别结果。
进一步地，所述第五步骤包括：分别将N帧人脸检测区域缩放到固定宽度和固定高度，利用训练好的佩戴识别模型对每帧缩放后的人脸检测区域进行识别，输出N帧识别结果；对N帧识别结果进行统计，选取识别结果数量最多的作为佩戴识别结果输出。所述N的取值大于1。
按照本发明的另一个方面，提供了一种安全帽佩戴识别装置，该装置包括：
人体检测区域获取模块，用于采用第一摄像机采集第一场景图像，对第一场景图像进行人体检测，获取人体检测区域；
候选区域颜色识别模块，用于根据人体检测区域，获取候选区域，对候选区域进行颜色识别，如果识别的颜色符合设置的颜色，则将人体检测区域的坐标位置发给第二摄像机并转入人脸检测区域获取模块，否则输出未佩戴安全帽；
人脸检测区域获取模块，用于根据人体检测区域的坐标位置，采用第二摄像机获取第二场景图像，对第二场景图像进行人脸检测，获取人脸检测区域；
佩戴识别模型获取模块，用于选取佩戴安全帽的样本图像，对深度学习网络进行训练，获取佩戴识别模型；
佩戴识别结果获取模块，用于采用佩戴识别模型，对人脸检测区域进行佩戴识别，输出佩戴识别结果。
进一步地，所述候选区域颜色识别模块包括：
候选区域获取模块，用于采用人脸检测装置或者头肩检测装置，从人体检测区域中提取人脸区域或者头肩区域，从人脸区域或者头肩区域的上半部分区域选取候选区域，候选区域与人脸区域或者头肩区域的高度比值、宽度比值分别为第一阈值、第二阈值；
颜色识别模块，用于对候选区域的颜色进行识别；
颜色识别结果输出模块，用于如果候选区域的颜色符合设置的颜色，则将人体检测区域的坐标位置发给第二摄像机并转入人脸检测区域获取模块，否则输出未佩戴安全帽。
进一步地，所述佩戴识别模型获取模块包括：
训练样本选取模块，用于选取标注正确佩戴安全帽图像为正样本图像，选取标注非正确佩戴安全帽图像为负样本图像；
样本初步训练模块，用于将正样本图像和负样本图像进行灰度化处理，并将其缩放到固定宽度和固定高度，采用深度学习网络对经过灰度化和缩放处理的正样本图像和负样本图像进行训练，获得初步训练的佩戴识别模型；
测试样本选取模块，用于选取正样本图像和负样本图像作为测试图像；
样本二次训练模块，用于将测试图像进行灰度化处理，并将其缩放到固定宽度和固定高度，采用初步训练的佩戴识别模型对经过灰度化和缩放处理的测试图像进行反复训练，直至佩戴识别模型收敛。
进一步地，所述佩戴识别结果获取模块包括：用于将人脸检测区域缩放到固定宽度和固定高度，利用训练好的佩戴识别模型对缩放后的人脸检测区域进行识别，输出识别结果。
进一步地，所述佩戴识别结果获取模块包括：用于分别将N帧人脸检测区域缩放到固定宽度和固定高度，利用训练好的佩戴识别模型对每帧缩放后的人脸检测区域进行识别，输出N帧识别结果；对N帧识别结果进行统计，选取识别结果数量最多的作为佩戴识别结果输出。所述N的取值大于1。
与现有的安全帽检测技术相比，本发明的一种安全帽佩戴识别方法及装置一方面通过第一摄像机采集彩色场景图像，通过人体检测、候选区域获取、颜色识别等可以快速检测是否佩戴安全帽；另一方面通过第二摄像机采集近景图像，采用人脸检测、深度学习网络，可以进一步对安全帽佩戴方式进行识别。
附图说明
图1示出了按照本发明的一种安全帽配戴识别方法的流程图。
图2示出了按照本发明的一种安全帽配戴识别装置的框架图。
具体实施方式
为使本领域的技术人员能进一步了解本发明的结构、特征及其他目的，现结合所附较佳实施例详细说明如下，所说明的较佳实施例仅用于说明本发明的技术方案，并非限定本发明。
图1给出了按照本发明的一种安全帽佩戴识别方法的流程图。如图1所示，按照本发明的一种安全帽佩戴识别方法包括：
第一步骤S1，采用第一摄像机采集第一场景图像，对第一场景图像进行人体检测，获取人体检测区域；
第二步骤S2，根据人体检测区域，获取候选区域，对候选区域进行颜色识别，如果识别的颜色符合设置的颜色，则将人体检测区域的坐标位置发给第二摄像机并转入第三步骤S3，否则输出未佩戴安全帽；
第三步骤S3，根据人体检测区域的坐标位置，采用第二摄像机获取第二场景图像，对第二场景图像进行人脸检测，获取人脸检测区域；
第四步骤S4，选取佩戴安全帽的样本图像，对深度学习网络进行训练，获取佩戴识别模型；
第五步骤S5，采用佩戴识别模型，对人脸检测区域进行佩戴识别，输出佩戴识别结果。
进一步地，所述第一摄像机为焦距不小于3.6mm的彩色摄像机，安装高度位于1.8～5米，安装俯视角度小于50°，用于获取能够覆盖人体全身以及头部的第一场景的彩色图像。实施例，在离工地地面高度为1.8米处，以俯视角度8°安装焦距为4mm的彩色摄像机，以采集第一场景的彩色图像。
所述第一步骤S1中采用现有的人体检测方法实现对第一场景图像的人体检测。实施例，采用“基于背景图像差分的运动人体检测.曹丹华，邹伟，吴裕斌.《光电工程》,2007,34(6):107-111”中的方法，对第一场景图像进行人体检测，获取每帧图像的人体检测区域。
进一步地，所述第二步骤S2包括：
候选区域获取步骤S21，采用人脸检测方法或者头肩检测方法，从人体检测区域中提取人脸区域或者头肩区域，从人脸区域或者头肩区域的上半部分区域选取候选区域，候选区域与人脸区域或者头肩区域的高度比值、宽度比值分别为第一阈值、第二阈值；
颜色识别步骤S22，对候选区域的颜色进行识别；
颜色识别结果输出步骤S23，如果候选区域的颜色符合设置的颜色，则将人体检测区域的坐标位置发给第二摄像机并转入第三步骤S3，否则输出未佩戴安全帽。
进一步地，所述第一阈值的取值范围为0.15～0.4，所述第二阈值的取值范围为0.15～1。
所述人脸检测方法可以通过现有的人脸检测方法或者技术实现。所述头肩检测方法可以通过现有的头肩检测方法或者技术实现。
实施例一，所述候选区域获取步骤S21包括：采用人脸检测方法，从人体检测区域中提取人脸区域；获取人脸区域的上边界、下边界、左边界、右边界；选取人脸区域的上边界、左边界、右边界分别作为候选区域的上边界、左边界和右边界，选取y＝yH1+T1×(yH2-yH1)作为候选区域的下边界，其中yH1、yH2分别为头部区域的上边界、下边界坐标值，T1为第一阈值。
实施例二，所述候选区域获取步骤S21包括：采用人脸检测方法，从人体检测区域中提取人脸区域；获取人脸区域的上边界y＝yH1、下边界y＝yH2、左边界x＝xH1、右边界x＝xH2；选取人脸区域的上边界为y＝yH1+Δy1、下边界为y＝yH1+T1×(yH2-yH1)-Δy2、左边界为x＝xH1+Δx1、右边界为x＝xH1+T2×(xH2-xH1)-Δx2的区域作为候选区域，其中T1为第一阈值，T2为第一阈值，Δx1、Δx2、Δy1、Δy2为设置的偏移量，Δx1和Δx2小于T2×(xH2-xH1)，Δy1和Δy2小于T1×(yH2-yH1)。
实施例三，所述候选区域获取步骤S21包括：采用头肩检测方法，从人体检测区域中提取头肩区域；获取头肩区域的上边界y＝yH1、下边界y＝yH2、左边界x＝xH1、右边界x＝xH2；选取人脸区域的上边界为y＝yH1+Δy1、下边界为y＝yH1+T1×(yH2-yH1)-Δy2、左边界为x＝xH1+Δx1、右边界为x＝xH1+T2×(xH2-xH1)-Δx2的区域作为候选区域，其中T1为第一阈值，T2为第一阈值，Δx1、Δx2、Δy1、Δy2为设置的偏移量，Δx1和Δx2小于T2×(xH2-xH1)，Δy1和Δy2小于T1×(yH2-yH1)。
所述颜色识别步骤S22可以现有的区域颜色识别方法实现。实施例一，统计候选区域的彩色直方图，选择出现频率最高的彩色作为识别对象；根据相应的色差计算公式，计算识别对象与标准颜色模板间的色差；选取色差最小对应的标准颜色作为候选区域的颜色。实施例二，采用基于深度学习网络的颜色识别方法，首先选取不同颜色的样本图像进行训练，获取深度学习颜色识别模型；然后采用深度学习颜色识别模型对候选区域进行识别，获取候选区域的颜色识别结果。
所述颜色识别结果输出步骤S23中设置的颜色可以是一种或者多种。实施例，设置的颜色是红色、橘黄色和蓝色，如果候选区域的颜色是红色，则将人体检测区域的坐标位置发给第二摄像机并转入第三步骤S3，如果候选区域的颜色是绿色，则输出未佩戴安全帽。
所述人体检测区域的坐标位置可以根据现有的标定技术实现。
进一步地，所述第三步骤S3包括：根据人体检测区域的坐标位置，以及已标定好的第一摄像机与第二摄像机的坐标映射关系，采用第二摄像机自动转到对应人体检测区域的坐标位置，获取第二场景图像；对第二场景图像进行人脸检测，获取人脸检测区域。
进一步地，所述第二摄像机为PTZ摄像机，用于获取清晰的覆盖人脸的图像。
所述第三步骤S3中所述人脸检测可以通过现有的人脸检测方法或者技术实现。
进一步地，所述第四步骤S4包括：
训练样本选取步骤S41，选取标注正确佩戴安全帽图像为正样本图像，选取标注非正确佩戴安全帽图像为负样本图像；
样本初步训练步骤S42，将正样本图像和负样本图像进行灰度化处理，并将其缩放到固定宽度和固定高度，采用深度学习网络对经过灰度化和缩放处理的正样本图像和负样本图像进行训练，获得初步训练的佩戴识别模型；
测试样本选取步骤S43，选取正样本图像和负样本图像作为测试图像；
样本二次训练步骤S44，将测试图像进行灰度化处理，并将其缩放到固定宽度和固定高度，采用初步训练的佩戴识别模型对经过灰度化和缩放处理的测试图像进行反复训练，直至佩戴识别模型收敛。
其中，所述标注正确佩戴安全帽图像包括不同场景、不同光照、不同姿态、不同人种等情况下只框选正确佩戴安全帽的人脸图像，所述标注非正确佩戴安全帽图像包括不同场景、不同光照、不同姿态、不同人种等情况下只框选非正确佩戴安全帽的人脸图像。所述非正确佩戴安全帽包括：不系安全帽系带，安全帽系带过于松垮，安全帽系带的位置错误等。
进一步地，所述深度学习网络包括但不限于以下一种或者多种的组合：卷积神经网络、深度神经网络、深度信念网络等，所述深度学习网络的输出层包括2个类别，即正确佩戴、非正确佩戴。
所述固定宽度的取值范围为16～256，所述固定高度的取值范围为16～256。例如，所述固定宽度可以选为32或者64，所述固定高度可以选为32或者64。
进一步地，所述第五步骤S5包括：将人脸检测区域缩放到固定宽度和固定高度，利用训练好的佩戴识别模型对缩放后的人脸检测区域进行识别，输出识别结果。
进一步地，所述第五步骤S5包括：分别将N帧人脸检测区域缩放到固定宽度和固定高度，利用训练好的佩戴识别模型对每帧缩放后的人脸检测区域进行识别，输出N帧识别结果；对N帧识别结果进行统计，选取识别结果数量最多的作为佩戴识别结果输出。所述N的取值大于1。
进一步地，所述N的取值范围为3～1000。
实施例，将第三步骤S3输出的5帧人脸检测区域缩放到固定宽度和固定高度，利用训练好的佩戴识别模型对每帧缩放后的人脸检测区域进行识别，如果输出“正确佩戴”、“正确佩戴”、“非正确佩戴”、“非正确佩戴”、“正确佩戴”5种识别结果，则选取“正确佩戴”作为佩戴识别结果输出。
图2给出了按照本发明的一种安全帽佩戴识别装置的框架图。如图2所示，按照本发明的一种安全帽佩戴识别装置包括：
人体检测区域获取模块1，用于采用第一摄像机采集第一场景图像，对第一场景图像进行人体检测，获取人体检测区域；
候选区域颜色识别模块2，用于根据人体检测区域，获取候选区域，对候选区域进行颜色识别，如果识别的颜色符合设置的颜色，则将人体检测区域的坐标位置发给第二摄像机并转入人脸检测区域获取模块3，否则输出未佩戴安全帽；
人脸检测区域获取模块3，用于根据人体检测区域的坐标位置，采用第二摄像机获取第二场景图像，对第二场景图像进行人脸检测，获取人脸检测区域；
佩戴识别模型获取模块4，用于选取佩戴安全帽的样本图像，对深度学习网络进行训练，获取佩戴识别模型；
佩戴识别结果获取模块5，用于采用佩戴识别模型，对人脸检测区域进行佩戴识别，输出佩戴识别结果。
进一步地，所述第一摄像机为焦距不小于3.6mm的彩色摄像机，安装高度位于1.8～5米，安装俯视角度小于50°，用于获取能够覆盖人体全身以及头部的第一场景的彩色图像。
进一步地，所述候选区域颜色识别模块2包括：
候选区域获取模块21，用于采用人脸检测装置或者头肩检测装置，从人体检测区域中提取人脸区域或者头肩区域，从人脸区域或者头肩区域的上半部分区域选取候选区域，候选区域与人脸区域或者头肩区域的高度比值、宽度比值分别为第一阈值、第二阈值；
颜色识别模块22，用于对候选区域的颜色进行识别；
颜色识别结果输出模块23，用于如果候选区域的颜色符合设置的颜色，则将人体检测区域的坐标位置发给第二摄像机并转入人脸检测区域获取模块3，否则输出未佩戴安全帽。
进一步地，所述第一阈值的取值范围为0.15～0.4，所述第二阈值的取值范围为0.15～1。
所述人脸检测装置为现有的人脸检测设备、装置、模块、系统等。所述头肩检测装置为现有的头肩检测设备、装置、模块、系统等。
进一步地，所述人脸检测区域获取模块3包括：用于根据人体检测区域的坐标位置，以及已标定好的第一摄像机与第二摄像机的坐标映射关系，采用第二摄像机自动转到对应人体检测区域的坐标位置，获取第二场景图像；对第二场景图像进行人脸检测，获取人脸检测区域。
进一步地，所述第二摄像机为PTZ摄像机。
进一步地，所述佩戴识别模型获取模块4包括：
训练样本选取模块41，用于选取标注正确佩戴安全帽图像为正样本图像，选取标注非正确佩戴安全帽图像为负样本图像；
样本初步训练模块42，用于将正样本图像和负样本图像进行灰度化处理，并将其缩放到固定宽度和固定高度，采用深度学习网络对经过灰度化和缩放处理的正样本图像和负样本图像进行训练，获得初步训练的佩戴识别模型；
测试样本选取模块43，用于选取正样本图像和负样本图像作为测试图像；
样本二次训练模块44，用于将测试图像进行灰度化处理，并将其缩放到固定宽度和固定高度，采用初步训练的佩戴识别模型对经过灰度化和缩放处理的测试图像进行反复训练，直至佩戴识别模型收敛。
其中，所述标注正确佩戴安全帽图像包括不同场景、不同光照、不同姿态、不同人种等情况下只框选正确佩戴安全帽的人脸图像，所述标注非正确佩戴安全帽图像包括不同场景、不同光照、不同姿态、不同人种等情况下只框选非正确佩戴安全帽的人脸图像。所述非正确佩戴安全帽包括：不系安全帽系带，安全帽系带过于松垮，安全帽系带的位置错误等。
进一步地，所述深度学习网络包括但不限于以下一种或者多种的组合：卷积神经网络、深度神经网络、深度信念网络等，所述深度学习网络的输出层包括2个类别，即正确佩戴、非正确佩戴。
所述固定宽度的取值范围为16～256，所述固定高度的取值范围为16～256。
进一步地，所述佩戴识别结果获取模块5包括：用于将人脸检测区域缩放到固定宽度和固定高度，利用训练好的佩戴识别模型对缩放后的人脸检测区域进行识别，输出识别结果。
进一步地，所述佩戴识别结果获取模块5包括：用于分别将N帧人脸检测区域缩放到固定宽度和固定高度，利用训练好的佩戴识别模型对每帧缩放后的人脸检测区域进行识别，输出N帧识别结果；对N帧识别结果进行统计，选取识别结果数量最多的作为佩戴识别结果输出。所述N的取值大于1。
与现有的安全帽检测技术相比，本发明的一种安全帽佩戴识别方法及装置一方面通过第一摄像机采集彩色场景图像，通过人体检测、候选区域获取、颜色识别等可以快速检测是否佩戴安全帽；另一方面通过第二摄像机采集近景图像，采用人脸检测、深度学习网络，可以进一步对安全帽佩戴方式进行识别。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，应当理解，本发明并不限于这里所描述的实现方案，这些实现方案描述的目的在于帮助本领域中的技术人员实践本发明。任何本领域中的技术人员很容易在不脱离本发明精神和范围的情况下进行进一步的改进和完善，因此本发明只受到本发明权利要求的内容和范围的限制，其意图涵盖所有包括在由所附权利要求所限定的本发明精神和范围内的备选方案和等同方案。

Claims (12)

1.一种安全帽佩戴识别方法，其特征在于，该方法包括：
第一步骤，采用第一摄像机采集第一场景图像，对第一场景图像进行人体检测，获取人体检测区域；
第二步骤，根据人体检测区域，获取候选区域，对候选区域进行颜色识别，如果识别的颜色符合设置的颜色，则将人体检测区域的坐标位置发给第二摄像机并转入第三步骤，否则输出未佩戴安全帽；
第三步骤，根据人体检测区域的坐标位置，采用第二摄像机获取第二场景图像，对第二场景图像进行人脸检测，获取人脸检测区域；
第四步骤，选取佩戴安全帽的样本图像，对深度学习网络进行训练，获取佩戴识别模型；
第五步骤，采用佩戴识别模型，对人脸检测区域进行佩戴识别，输出佩戴识别结果；
进一步地，所述第四步骤包括：
训练样本选取步骤，选取标注正确佩戴安全帽图像为正样本图像，选取标注非正确佩戴安全帽图像为负样本图像；
样本初步训练步骤，将正样本图像和负样本图像进行灰度化处理，并将其缩放到固定宽度和固定高度，采用深度学习网络对经过灰度化和缩放处理的正样本图像和负样本图像进行训练，获得初步训练的佩戴识别模型；
测试样本选取步骤，选取正样本图像和负样本图像作为测试图像；
样本二次训练步骤，将测试图像进行灰度化处理，并将其缩放到固定宽度和固定高度，采用初步训练的佩戴识别模型对经过灰度化和缩放处理的测试图像进行反复训练，直至佩戴识别模型收敛。
2.如权利要求1所述的方法，其特征在于，所述第一摄像机为焦距不小于3.6mm的彩色摄像机，安装高度位于1.8～5米，安装俯视角度小于50°。
3.如权利要求1所述的方法，其特征在于，所述第二步骤包括：
候选区域获取步骤，采用人脸检测方法或者头肩检测方法，从人体检测区域中提取人脸区域或者头肩区域，从人脸区域或者头肩区域的上半部分区域选取候选区域，候选区域与人脸区域或者头肩区域的高度比值、宽度比值分别为第一阈值、第二阈值；
颜色识别步骤，对候选区域的颜色进行识别；
颜色识别结果输出步骤，如果候选区域的颜色符合设置的颜色，则将人体检测区域的坐标位置发给第二摄像机并转入第三步骤，否则输出未佩戴安全帽。
4.如权利要求3所述的方法，所述第一阈值的取值范围为0.15～0.4，所述第二阈值的取值范围为0.15～1。
5.如权利要求1所述的方法，其特征在于，所述第二摄像机为PTZ摄像机。
6.如权利要求5所述的方法，所述固定宽度的取值范围为16～256，所述固定高度的取值范围为16～256。
7.如权利要求1所述的方法，其特征在于，所述第五步骤包括：将人脸检测区域缩放到固定宽度和固定高度，利用训练好的佩戴识别模型对缩放后的人脸检测区域进行识别，输出识别结果。
8.如权利要求1所述的方法，其特征在于，所述第五步骤包括：分别将N帧人脸检测区域缩放到固定宽度和固定高度，利用训练好的佩戴识别模型对每帧缩放后的人脸检测区域进行识别，输出N帧识别结果；对N帧识别结果进行统计，选取识别结果数量最多的作为佩戴识别结果输出；
其中，所述N的取值大于1。
9.一种安全帽佩戴识别装置，其特征在于，该装置包括：
人体检测区域获取模块，用于采用第一摄像机采集第一场景图像，对第一场景图像进行人体检测，获取人体检测区域；
候选区域颜色识别模块，用于根据人体检测区域，获取候选区域，对候选区域进行颜色识别，如果识别的颜色符合设置的颜色，则将人体检测区域的坐标位置发给第二摄像机并转入人脸检测区域获取模块3，否则输出未佩戴安全帽；
人脸检测区域获取模块，用于根据人体检测区域的坐标位置，采用第二摄像机获取第二场景图像，对第二场景图像进行人脸检测，获取人脸检测区域；
佩戴识别模型获取模块，用于选取佩戴安全帽的样本图像，对深度学习网络进行训练，获取佩戴识别模型；
佩戴识别结果获取模块，用于采用佩戴识别模型，对人脸检测区域进行佩戴识别，输出佩戴识别结果；
进一步地，所述佩戴识别模型获取模块包括：
训练样本选取模块，用于选取标注正确佩戴安全帽图像为正样本图像，选取标注非正确佩戴安全帽图像为负样本图像；
样本初步训练模块，用于将正样本图像和负样本图像进行灰度化处理，并将其缩放到固定宽度和固定高度，采用深度学习网络对经过灰度化和缩放处理的正样本图像和负样本图像进行训练，获得初步训练的佩戴识别模型；
测试样本选取模块，用于选取正样本图像和负样本图像作为测试图像；
样本二次训练模块，用于将测试图像进行灰度化处理，并将其缩放到固定宽度和固定高度，采用初步训练的佩戴识别模型对经过灰度化和缩放处理的测试图像进行反复训练，直至佩戴识别模型收敛。
10.如权利要求9所述的装置，其特征在于，所述候选区域颜色识别模块包括：
候选区域获取模块，用于采用人脸检测装置或者头肩检测装置，从人体检测区域中提取人脸区域或者头肩区域，从人脸区域或者头肩区域的上半部分区域选取候选区域，候选区域与人脸区域或者头肩区域的高度比值、宽度比值分别为第一阈值、第二阈值；
颜色识别模块，用于对候选区域的颜色进行识别；
颜色识别结果输出模块，用于如果候选区域的颜色符合设置的颜色，则将人体检测区域的坐标位置发给第二摄像机并转入人脸检测区域获取模块，否则输出未佩戴安全帽。
11.如权利要求9所述的装置，其特征在于，所述佩戴识别结果获取模块包括：用于将人脸检测区域缩放到固定宽度和固定高度，利用训练好的佩戴识别模型对缩放后的人脸检测区域进行识别，输出识别结果。
12.如权利要求9所述的装置，其特征在于，所述佩戴识别结果获取模块包括：用于分别将N帧人脸检测区域缩放到固定宽度和固定高度，利用训练好的佩戴识别模型对每帧缩放后的人脸检测区域进行识别，输出N帧识别结果；对N帧识别结果进行统计，选取识别结果数量最多的作为佩戴识别结果输出；
其中，所述N的取值大于1。
CN201810250703.8A 2018-03-26 2018-03-26 一种安全帽佩戴识别方法及装置 Active CN108537256B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810250703.8A CN108537256B (zh) 2018-03-26 2018-03-26 一种安全帽佩戴识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810250703.8A CN108537256B (zh) 2018-03-26 2018-03-26 一种安全帽佩戴识别方法及装置

Publications (2)

Publication Number Publication Date
CN108537256A CN108537256A (zh) 2018-09-14
CN108537256B true CN108537256B (zh) 2021-09-17

Family

ID=63484601

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810250703.8A Active CN108537256B (zh) 2018-03-26 2018-03-26 一种安全帽佩戴识别方法及装置

Country Status (1)

Country Link
CN (1) CN108537256B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020062088A1 (zh) * 2018-09-28 2020-04-02 安徽继远软件有限公司 图像识别方法和设备、存储介质和处理器
CN109376676A (zh) * 2018-11-01 2019-02-22 哈尔滨工业大学 基于无人机平台的公路工程现场施工人员安全预警方法
CN109670441B (zh) * 2018-12-14 2024-02-06 广东亿迅科技有限公司 一种实现安全帽穿戴识别的方法、系统、终端以及计算机可读存储介质
CN110263609A (zh) * 2019-01-27 2019-09-20 杭州品茗安控信息技术股份有限公司 一种安全帽佩戴情况的自动识别方法
CN112016777A (zh) * 2019-05-30 2020-12-01 上海若泰工程建设管理技术有限公司 铁路建设工程质量安全管理系统及方法
CN110414400B (zh) * 2019-07-22 2021-12-21 中国电建集团成都勘测设计研究院有限公司 一种施工现场安全帽穿戴自动检测方法及系统
CN110781833A (zh) * 2019-10-28 2020-02-11 杭州宇泛智能科技有限公司 一种认证方法、装置及电子设备
CN110866479A (zh) * 2019-11-07 2020-03-06 北京文安智能技术股份有限公司 一种检测摩托车驾驶员未戴头盔的方法、装置及系统
CN112949354A (zh) * 2019-12-10 2021-06-11 顺丰科技有限公司 安全帽佩戴检测方法和装置、电子设备、计算机可读存储介质
CN111191586B (zh) * 2019-12-30 2020-11-27 安徽小眯当家信息技术有限公司 一种施工现场人员安全帽佩戴情况巡检方法及系统
CN111428641A (zh) * 2020-03-24 2020-07-17 深圳供电局有限公司 安全着装检测方法、装置、计算机设备和可读存储介质
CN111444869A (zh) * 2020-03-31 2020-07-24 高新兴科技集团股份有限公司 一种口罩佩戴状态识别方法装置和计算机设备
CN111488817B (zh) * 2020-04-08 2023-11-28 国网山东省电力公司新泰市供电公司 一种防止不戴安全帽进入变电站装置
CN111597985A (zh) * 2020-05-15 2020-08-28 全程(上海)智能科技有限公司 设备佩戴的动态识别方法、装置和电子设备
CN111709360B (zh) * 2020-06-16 2023-04-07 上海大学 一种安全绳佩戴识别方法及系统
CN111738147A (zh) * 2020-06-22 2020-10-02 浙江大华技术股份有限公司 一种物品佩戴检测方法、装置、计算机设备及存储介质
CN111814762A (zh) * 2020-08-24 2020-10-23 深延科技(北京)有限公司 头盔佩戴检测方法和装置
CN114724287A (zh) * 2021-01-06 2022-07-08 中国石油天然气股份有限公司 油气场站的值守系统及值守方法
CN116343312A (zh) * 2023-05-29 2023-06-27 深圳市优友互联股份有限公司 人脸图像中佩戴物的识别方法及设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372662A (zh) * 2016-08-30 2017-02-01 腾讯科技（深圳）有限公司 安全帽佩戴的检测方法和装置、摄像头、服务器
CN107578041A (zh) * 2017-10-27 2018-01-12 华润电力技术研究院有限公司 一种检测系统
CN107679524A (zh) * 2017-10-31 2018-02-09 天津天地伟业信息系统集成有限公司 一种基于视频的安全帽佩戴情况的检测方法
AU2020100711A4 (en) * 2020-05-05 2020-06-11 Chang, Cheng Mr The retrieval system of wearing safety helmet based on deep learning

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372662A (zh) * 2016-08-30 2017-02-01 腾讯科技（深圳）有限公司 安全帽佩戴的检测方法和装置、摄像头、服务器
CN107578041A (zh) * 2017-10-27 2018-01-12 华润电力技术研究院有限公司 一种检测系统
CN107679524A (zh) * 2017-10-31 2018-02-09 天津天地伟业信息系统集成有限公司 一种基于视频的安全帽佩戴情况的检测方法
AU2020100711A4 (en) * 2020-05-05 2020-06-11 Chang, Cheng Mr The retrieval system of wearing safety helmet based on deep learning

Also Published As

Publication number Publication date
CN108537256A (zh) 2018-09-14

Similar Documents

Publication Publication Date Title
CN108537256B (zh) 一种安全帽佩戴识别方法及装置
CN106295551B (zh) 一种基于视频分析的人员安全帽佩戴情况实时检测方法
CN104573637B (zh) 一种基于多摄像头的车牌识别方法
CN110837784B (zh) 一种基于人体头部特征的考场偷窥作弊检测系统
EP3648448B1 (en) Target feature extraction method and device, and application system
CN112396658B (zh) 一种基于视频的室内人员定位方法及定位系统
CN110991266B (zh) 一种双目人脸活体检测方法及装置
CN106600640B (zh) 一种基于rgb-d相机的人脸识别辅助眼镜
CN109176513B (zh) 一种智能巡检机器人的巡检方法及巡检系统
CN104361327A (zh) 一种行人检测方法和系统
CN113903081A (zh) 一种水电厂图像视觉识别人工智能报警方法及装置
CN115512304B (zh) 基于图像识别的地铁站安全监控系统
CN106599873A (zh) 基于三维姿态信息的人物身份识别方法
CN111709365A (zh) 一种基于卷积神经网络的人体运动姿态自动检测方法
CN110090425A (zh) 一种中长跑运动的计时方法
CN115797856A (zh) 一种基于机器视觉的施工场景智慧安全监控方法
CN112084986A (zh) 一种基于图像特征提取的实时安全帽检测方法
CN110606422B (zh) 一种施工电梯人数控制的方法
CN111126378B (zh) 一种视频osd提取与覆盖区域重建的方法
CN112733680A (zh) 一种基于监控视频流生成高质量人脸图像的模型训练方法、提取方法、装置和终端设备
CN112489018A (zh) 一种电力线智能巡线方法及巡线
CN115909400A (zh) 一种用于低分辨率监控场景中使用手机行为的识别方法
CN104063689A (zh) 一种基于双目立体视觉的人脸图像识别方法
CN106845361B (zh) 一种行人头部识别方法及系统
CN111832567B (zh) 一种盲人友好的书本文字阅读检测交互方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant