CN109542215B - 安全帽佩戴监测方法 - Google Patents

Abstract

本发明公开一种安全帽佩戴监测方法，包括：基于RGB‑D传感器获取人员的头部关节点位置数据；基于惯性传感器获取安全帽的加速度数据；通过高斯过程，融合人员的头部关节点位置数据和安全帽的加速度数据以得到联合数据；计算联合数据的对数似然值；根据对数似然值判断人员的头部位置与安全帽的加速度之间的匹配度，以判断人员是否佩戴安全帽。根据本发明的方法，能够智能监测矿工等作业人员的安全帽佩戴情况，稳定性和准确性较高，适用性较广。

Description

安全帽佩戴监测方法

技术领域

本发明涉及安全监测技术领域，特别涉及一种安全帽佩戴监测方法。

背景技术

在矿山生产中，矿山安全是不容忽视的问题，也是国家对矿业反复强调和重视的问题。安全帽是对矿工生命的一种保障，能够有效地减少或防止外来危险对矿工头部的伤害。然而，即使是矿井安全守则的再三强调，仍有部分矿工不遵守规则，在下矿时不佩戴安全帽，增加了作业风险。研究一种适合于煤矿井下环境的人员安全帽佩戴检测方法，对于规范矿山人员不安全行为，提高矿山安全性，具有重要的意义。

目前的安全帽佩戴检测研究有限，基于图像处理的方法和基于深度学习的图像处理的方法，均依靠图像，而矿井环境复杂，视频图像易受光照和粉尘等因素影响，并且上述方法对安全帽和相机之间的距离有要求，图像识别准确率易下降。总体而言，目前的安全帽检测方法，稳定性和可用性不足，在矿井环境中应用，存在很大的局限性。

发明内容

本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此，本发明的目的在于提出一种安全帽佩戴监测方法，能够智能监测矿工等作业人员的安全帽佩戴情况，稳定性和准确性较高，适用性较广。

为达到上述目的，本发明提出了一种安全帽佩戴监测方法，该方法包括：基于RGB-D传感器获取人员的头部关节点位置数据；基于惯性传感器获取安全帽的加速度数据；通过高斯过程，融合所述人员的头部关节点位置数据和所述安全帽的加速度数据以得到联合数据；计算所述联合数据的对数似然值；根据所述对数似然值判断所述人员的头部位置与所述安全帽的加速度之间的匹配度，以判断所述人员是否佩戴安全帽。

根据本发明实施例的安全帽佩戴监测方法，首先基于RGB-D传感器获取人员的头部关节点位置数据，并基于惯性传感器获取安全帽的加速度数据，再通过高斯过程，融合人员的头部关节点位置数据和安全帽的加速度数据以得到联合数据，并计算联合数据的对数似然值，然后根据对数似然值判断人员是否佩戴安全帽，由此，能够智能监测矿工等作业人员的安全帽佩戴情况，从而降低作业风险，提高安全性，该监测方法基于RGB-D和惯性传感器的融合，可有效避免光照和粉尘等因素的影响，稳定性和准确性较高，适用性较广。

另外，根据本发明上述实施例提出的安全帽佩戴监测方法还可以具有如下附加的技术特征：

基于RGB-D传感器获取人员的头部关节点位置数据，具体包括：通过RGB-D传感器获取多帧人体深度图像；根据所述多帧人体深度图像提取人体骨骼点坐标，获取头部关节点位置。

基于惯性传感器获取安全帽的加速度数据，具体包括：获取安全帽上的惯性传感器数据序列；通过惯性传感器融合坐标系转换，计算所述安全帽在RGB-D坐标系内的移动加速度。

所述人体深度图像和所述惯性传感器数据序列在同一时间获取。

其中，当所述对数似然值大于预设阈值时，判定所述人员佩戴安全帽，当所述对数似然值小于等于所述预设阈值时，判定所述人员未佩戴安全帽。

附图说明

图1为本发明实施例的安全帽佩戴监测方法的流程图；

图2为本发明一个具体实施例的高斯过程模型示意图；

图3为本发明一个具体实施例的安全帽佩戴监测方法的流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面结合附图来描述本发明实施例的安全帽佩戴监测方法。

如图1所示，本发明实施例的安全帽佩戴监测方法，包括以下步骤：

S1，基于RGB-D传感器获取人员的头部关节点位置数据。

具体地，可通过RGB-D传感器获取多帧人体深度图像，并根据多帧人体深度图像提取人体骨骼点坐标，获取头部关节点位置。

S2，基于惯性传感器获取安全帽的加速度数据。

具体地，可获取安全帽上的惯性传感器数据序列，并通过惯性传感器融合坐标系转换，计算安全帽在RGB-D坐标系内的移动加速度。

其中，人体深度图像和惯性传感器数据序列在同一时间获取。上述步骤S1和步骤S2不分先后顺序。

S3，通过高斯过程，融合人员的头部关节点位置数据和安全帽的加速度数据以得到联合数据。

在本发明的一个实施例中，可通过高斯过程回归模型来表示位置序列y(t)和它们的二阶导数a(t)之间的关系。观测到的位置数据y(t)，是时间t的函数：

y＝f(t)+ε_y

其中，ε_y是零均值的高斯噪声，ε_y:

给定N个训练数据{x_i,y_i,i＝1,L,N}，Y＝[y₁,L,y_N]^T是输出数据。在高斯过程模型下，f|X～N(0,C(X,X))，似然函数Y|f～N(f,σ²I)。边缘似然函数是似然函数乘以先验函数：

p(Y|X)＝∫p(Y|f,X)p(f|X)df

其中，Y是受噪声影响的非独立变量，X是独立变量。在高斯过程模型下，Y～N(0,C+σ²I)，可计算实验观测值Y的对数边缘似然函数值：

其中，C表示协方差矩阵，

是超参数。运用打上时间戳的典型的人体日常活动数据和选择的协方差函数，可以采用共轭梯度最优化方法来最大化超参数的对数似然值，从而获得超参数值，同时可通过分析传感器特性来得到噪声方差

当观测到加速度值时，可假定观测值m是隐变量y的一种变形形式，如下式：

m(t)＝∫K(t,x)y(x)dx

离散情况下，

这可以用来表示离散的传感器测量值和真实的系统状态值之间的关系。当观测到M＝KY且K已知时，M是n维正态分布的采样：

M～N(0,KΣK^T+Σ_M)

其中，∑_M是观测值方差的对角矩阵。

当加速度观测值采样率是位置观测值采样率的N倍时，

其中，

举例而言，当加速度观测值采样率是位置观测值采样率的3倍时，

图2给出了加速度观测值采样率是位置观测值采样率的3倍，即N＝3时的高斯过程模型。当N为其他数值时，对应的高斯过程模型可参照图2作出，在此不一一列举。

S4，计算联合数据的对数似然值。

给定位置坐标序列和加速度序列的联合序列M_all，可计算对数似然值：

S5，根据对数似然值判断人员的头部位置与安全帽的加速度之间的匹配度，以判断人员是否佩戴安全帽。

其中，当对数似然值大于预设阈值时，判定人员佩戴安全帽，当对数似然值小于等于预设阈值时，判定人员未佩戴安全帽。

在本发明的一个具体实施例中，如图3所示，安全帽佩戴监测方法包括以下步骤：

S101，通过RGB-D传感器获取多帧人体深度图像。

S102，提取人体骨骼点坐标，获取头部关节点位置。

S103，获取安全帽上的惯性传感器数据序列。

S104，通过惯性传感器融合坐标系转换，计算安全帽在RGB-D坐标系内的移动加速度。

S105，基于高斯过程的传感器数据融合。

S106，计算头部关节点位置序列和加速度序列的联合序列的对数似然值。

S107，判断对数似然值是否大于预设阈值。其中，该预设阈值可通过实验进行标定，在此不限定具体数值。如果是，则执行步骤S108；如果否，则执行步骤S109。

S108，判定人员佩戴安全帽。

S109，判定人员未佩戴安全帽。

综上所述，根据本发明实施例的安全帽佩戴监测方法，首先基于RGB-D传感器获取人员的头部关节点位置数据，并基于惯性传感器获取安全帽的加速度数据，再通过高斯过程，融合人员的头部关节点位置数据和安全帽的加速度数据以得到联合数据，并计算联合数据的对数似然值，然后根据对数似然值判断人员是否佩戴安全帽，由此，能够智能监测矿工等作业人员的安全帽佩戴情况，从而降低作业风险，提高安全性，该监测方法基于RGB-D和惯性传感器的融合，可有效避免光照和粉尘等因素的影响，稳定性和准确性较高，适用性较广。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (5)

1.一种安全帽佩戴监测方法，其特征在于，包括：

基于RGB-D传感器获取人员的头部关节点位置数据；

基于惯性传感器获取安全帽的加速度数据；

通过高斯过程，融合所述人员的头部关节点位置数据和所述安全帽的加速度数据以得到联合数据；所述联合数据包括位置序列和它们的二阶导数之间的关系；

其中，可通过高斯过程回归模型来表示位置序列y(t)和它们的二阶导数a(t)之间的关系，观测到的位置数据y(t)，是时间t的函数：

y＝f(t)+ε_y

其中，ε_y是零均值的高斯噪声，

给定N个训练数据{x_i，y_i，i＝1，L，N}，Y＝[y₁，L，y_N]^T是输出数据，在高斯过程模型下，f|X～N(0，C(X，X))，似然函数Y|f～N(f，σ²I)，边缘似然函数是似然函数乘以先验函数：

p(Y|X)＝∫p(Y|f，X)p(f|X)df

其中，Y是受噪声影响的非独立变量，X是独立变量, 在高斯过程模型下，Y～N(0，C+σ²I)，可计算实验观测值Y的对数边缘似然函数值：

其中，C表示协方差矩阵，

是超参数，运用打上时间戳的典型的人体日常活动数据和选择的协方差函数，可以采用共轭梯度最优化方法来最大化超参数的对数似然值，从而获得超参数值，同时可通过分析传感器特性来得到噪声方差

当观测到加速度值时，可假定观测值m是隐变量y的一种变形形式，如下式：

m(t)＝∫K(t，x)y(x)dx

离散情况下，

这可以用来表示离散的传感器测量值和真实的系统状态值之间的关系，当观测到M＝KY且K已知时，M是n维正态分布的采样：

M～N(0，K∑K^T+∑_M)

其中，∑_M是观测值方差的对角矩阵，

当加速度观测值采样率是位置观测值采样率的N倍时，

其中，

举例而言，当加速度观测值采样率是位置观测值采样率的3倍时，

计算所述联合数据的对数似然值；

根据所述对数似然值判断所述人员的头部位置与所述安全帽的加速度之间的匹配度，以判断所述人员是否佩戴安全帽。

2.根据权利要求1所述的安全帽佩戴监测方法，其特征在于，基于RGB-D传感器获取人员的头部关节点位置数据，具体包括：通过RGB-D传感器获取多帧人体深度图像；

根据所述多帧人体深度图像提取人体骨骼点坐标，获取头部关节点位置。

3.根据权利要求2所述的安全帽佩戴监测方法，其特征在于，基于惯性传感器获取安全帽的加速度数据，具体包括：

获取安全帽上的惯性传感器数据序列；

通过惯性传感器融合坐标系转换，计算所述安全帽在RGB-D坐标系内的移动加速度。

4.根据权利要求3所述的安全帽佩戴监测方法，其特征在于，所述人体深度图像和所述惯性传感器数据序列在同一时间获取。

5.根据权利要求4所述的安全帽佩戴监测方法，其特征在于，其中，当所述对数似然值大于预设阈值时，判定所述人员佩戴安全帽，当所述对数似然值小于等于所述预设阈值时，判定所述人员未佩戴安全帽。

Images