CN110135290A - 一种基于SSD和AlphaPose的安全帽佩戴检测方法及系统 - Google Patents
一种基于SSD和AlphaPose的安全帽佩戴检测方法及系统 Download PDFInfo
- Publication number
- CN110135290A CN110135290A CN201910350959.0A CN201910350959A CN110135290A CN 110135290 A CN110135290 A CN 110135290A CN 201910350959 A CN201910350959 A CN 201910350959A CN 110135290 A CN110135290 A CN 110135290A
- Authority
- CN
- China
- Prior art keywords
- people
- safety cap
- ssd
- cap
- alphapose
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Helmets And Other Head Coverings (AREA)
Abstract
本发明提供了一种基于SSD和AlphaPose的安全帽佩戴检测方法及系统，其方法包括：首先采用SSD算法对所述图像中的人和安全帽进行识别；然后采用AlphaPose算法对所述图像中的各个人的人体姿态进行估计，得到各个人的重要关节点的像素坐标；最后分别对各个人进行判断，以识别出未佩戴安全帽的人。本发明的有益效果是：本发明所提出的技术方案通过SSD和AlphaPose两个模型的融合，在人体的多种姿态下，依然能够有效的识别人体是否佩戴了安全帽，效率高，实用性强。
Description
技术领域
本发明涉及图像处理领域，尤其涉及一种基于SSD和AlphaPose的安全帽佩戴检测方法及系统。
背景技术
SSD模型是一个基于前向传播的CNN网络，将输入的特征图谱据切分成相应尺寸的特征单元，在每一个单元格上构建一系列的固定大小的包围盒，如图4所示，先通过计算每一个包围盒中包含物体实例的可能性，即存在概率；最后通过非极大值抑制方法来得到包围盒中物体实例的所属类别。图5提供了SSD的拓扑结构图。
AlphaPose是一个实时多人姿态估计系统，它对于多人姿态估计的方法采用的是传统的自顶向下的方法，即先检测人，再识别人体姿态，检测使用的是SSD-512，识别人体姿态使用的Stacked Hourglass方法。如图6所示是单个Hourglass的模块示例，图中每个方框对应一个residual模块(如图7所示)，整个Hourglass中，特征数是一致的。Hourglass首先利用卷积层和池化层将特征缩放到很小的分辨率，每一个池化层都会进行网络分叉，对原来池化过的特征再进行卷积，得到最低分辨率特征后，网络开始向上采样，并逐渐结合不同尺度的特征信息。整个Hourglass是对称的，即获取低分辨率特征过程中每有一个网络层，则在向上采样的过程中相应会有一个网络层。得到Hourglass网络模块输出后，再采用两个连续的1*1卷积层进行处理，得到最终的网络输出。
目前基于静态图像的多目标识别的技术发展日趋完善，应用的场景亦是愈加广泛。许多研究学者提出将视频图像处理技术加入到各个施工现场领域。在已有的视频监控系统的基础上，加上智能化识别技术，提供实时报警功能，减少施工现场的潜在安全隐患。
而安全帽佩戴状态是实现智能化视频监控系统的重要环节。但由于佩戴安全帽的检测过程容易受外界环境因素、工人的行为动作以及复杂的施工现场等因素的影响。目前，安全帽的自动识别技术研究并不能够适用于各种情况。有写研究仅适用于识别红、黄、蓝等有限颜色的安全帽。并且，他们研究的前提是工人时站立的状态，并未考虑到工人在别的姿态下施工的情况，而弯腰、左倾或者右倾施工正是安全隐患最大的时候，此时，安全帽的佩戴显得尤为重要。
发明内容
为了解决上述问题，本发明提供了一种基于SSD和AlphaPose的安全帽佩戴检测方法及系统，将深度学习的图像识别技术运用于工厂视频监控系统中，实现对整个工厂的工作人员佩戴安全帽情况实时监控和自动识别，确保工厂工作人员安全规范工作，保障工厂安全有序生产。
一种基于SSD和AlphaPose的安全帽佩戴检测方法，主要包括以下步骤：
S101：获取待检测施工现场的图像；所述图像中包括多个安全帽和多个人；
S102：采用SSD算法对所述图像中的人和安全帽分别进行识别，得到所述图像中的人的总个数、安全帽的总个数以及各个安全帽的最小矩形包围框的任意两个对角顶点的像素坐标；
S103：采用AlphaPose算法对所述图像中的各个人的人体姿态进行估计，得到各个人的重要关节点的像素坐标；
S104：根据各个人的重要关节点的像素坐标和各个安全帽的最小矩形包围框的任意两个对角顶点的像素坐标，分别对各个人进行判断，以识别出所有未佩戴安全帽的人。
进一步地，步骤S101中，所述待检测施工现场的图像可通过待检测施工现场的监控摄像头或者监控视频获取。
进一步地，步骤S102中，采用SSD算法对所述图像中的人和安全帽分别进行识别时，SSD算法的识别阈值设置为0.5，即SSD算法识别出的物体的精度大于或者等于0.5时，才确定该物体为安全帽。
进一步地，步骤S103中，所述重要关节点包括：鼻子、左眼、右眼、左耳、右耳、左肩、右肩、左臀和右臀。
进一步地，步骤S104中，根据各个人的重要关节点的像素坐标和各个安全帽的最小矩形包围框的任意两个对角顶点的像素坐标，分别对各个人进行判断，以识别出所有未佩戴安全帽的人，具体包括如下步骤：
S201：判断和是否全部在之内？若是，则第k个人戴了第i个帽子，即第k个人带了安全帽，并转到步骤S207；否则，转到步骤S202；其中， 和分别为第k个人的鼻子、左眼、右眼、左耳、右耳的像素坐标；和分别为第k个人的左肩、右肩、左臀、右臀的像素坐标；和分比为SSD中识别出来的第i个帽子的最小矩形包围框的任意两个对角顶点的像素坐标；k和i的初始值均为1；
S202：判断第k个人的姿态是否左倾；具体如下：
判断条件是否成立？若是，则第k个人为左倾姿态，并转到步骤S203；否则，转到步骤S204；其中，M为预设值，取值范围为[40,60]，单位1为1个像素；
S203：判断和是否全部在之内？若是，则第k个人戴了第i个帽子，即第k个人带了安全帽，并转到步骤S207；否则，转到步骤S204；
S204：判断第k个人的姿态是否右倾；具体如下：
判断条件是否成立？若是，则第k个人为右倾姿态，并转到步骤S205；否则，转到步骤S206；其中，M为预设值，取值范围为[40,60]，单位1为1个像素；
S205：判断和是否全部在之内？若是，则第k个人戴了第i个帽子，即第k个人带了安全帽，并转到步骤S207；否则，转到步骤S206；
S206：i是否等于H？若是，则第k个人未佩戴安全帽，将i更新为1，并转到步骤S207；否则，将i更新为i+1，并返回步骤S201；其中，H为SSD识别出的安全帽的总个数；
S207：k是否大于K？若是，则到步骤S208；否则，将k更新为k+1，将最新配对成功的安全帽序号i从所有的安全帽序号中剔除，并对剩下的安全帽序号进行重新排序，即配对成功后的第i个安全帽不再参与剩下的循环步骤，并将安全帽的总个数H的值更新为剔除成功配对的安全帽后的剩余安全帽的总个数；并返回步骤S201；其中，K为人的总个数；
S208：结束循环，得到所述待检测施工现场的图像中所有未佩戴安全帽的人。
进一步地，一种基于SSD和AlphaPose的安全帽佩戴检测系统，其特征在于：包括如下模块：
图像获取模块，用于获取待检测施工现场的图像；所述图像中包括多个安全帽和多个人；
安全帽识别模块，用于采用SSD算法对所述图像中的人和安全帽分别进行识别，得到所述图像中的人的总个数、安全帽的总个数以及各个安全帽的最小矩形包围框的任意两个对角顶点的像素坐标；
关节识别模块，用于采用AlphaPose算法对所述图像中的各个人的人体姿态进行估计，得到各个人的重要关节点的像素坐标；
判断模块，用于根据各个人的重要关节点的像素坐标和各个安全帽的最小矩形包围框的任意两个对角顶点的像素坐标，分别对各个人进行判断，以识别出所有未佩戴安全帽的人。
进一步地，图像获取模块中，所述待检测施工现场的图像可通过待检测施工现场的监控摄像头或者监控视频获取。
进一步地，安全帽识别模块中，采用SSD算法对所述图像中的人和安全帽进行识别时，SSD算法的识别阈值设置为0.5，即SSD算法识别出的物体的精度大于或者等于0.5时，才确定该物体为安全帽。
进一步地，关节识别模块中，所述重要关节点包括：鼻子、左眼、右眼、左耳、右耳、左肩、右肩、左臀和右臀。
进一步地，判断模块中，根据各个人的重要关节点的像素坐标和各个安全帽的最小矩形包围框的任意两个对角顶点的像素坐标，分别对各个人进行判断，以识别出所有未佩戴安全帽的人，具体包括如下单元：
第一判断单元，用于判断 和是否全部在之内？若是，则第k个人戴了第i个帽子，即第k个人带了安全帽，并转到第七判断单元；否则，转到第二判断单元；其中，和分别为第k个人的鼻子、左眼、右眼、左耳、右耳的像素坐标； 和分别为第k个人的左肩、右肩、左臀、右臀的像素坐标；和分比为SSD中识别出来的第i个帽子的最小矩形包围框的任意两个对角顶点的像素坐标；k和i的初始值均为1；
第二判断单元，用于判断第k个人的姿态是否左倾；具体如下：
判断条件是否成立？若是，则第k个人为左倾姿态，并转到第三判断单元；否则，转到步骤S204；其中，M为预设值，取值范围为[40,60]，单位1为1个像素；
第三判断单元，用于判断 和是否全部在之内？若是，则第k个人戴了第i个帽子，即第k个人带了安全帽，并转到第七判断单元；否则，转到第四判断单元；
第四判断单元，用于判断第k个人的姿态是否右倾；具体如下：
判断条件是否成立？若是，则第k个人为右倾姿态，并转到第五判断单元；否则，转到第六判断单元；其中，M为预设值，取值范围为[40,60]，单位1为1个像素；
第五判断单元，用于判断 和是否全部在之内？若是，则第k个人戴了第i个帽子，即第k个人带了安全帽，并转到第七判断单元；否则，转到第六判断单元；
第六判断单元，用于判断i是否等于H？若是，则第k个人未佩戴安全帽，将i更新为1，并转到第七判断单元；否则，将i更新为i+1，并返回第一判断单元；其中，H为SSD识别出的安全帽的总个数；
第七判断单元，用于判断k是否大于K？若是，则到结束单元；否则，将k更新为k+1，将最新配对成功的安全帽序号i从所有的安全帽序号中剔除，并对剩下的安全帽序号进行重新排序，即配对成功后的第i个安全帽不再参与剩下的循环步骤，并将安全帽的总个数H的值更新为剔除成功配对的安全帽后的剩余安全帽的总个数；并返回第一判断单元；其中，K为人的总个数；
结束单元，用于结束循环，得到所述待检测施工现场的图像中所有未佩戴安全帽的人。
本发明提供的技术方案带来的有益效果是：本发明所提出的技术方案通过SSD和AlphaPose两个模型的融合，在人体的多种姿态下，依然能够有效的识别人体是否佩戴了安全帽，效率高，实用性强。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例中一种基于SSD和AlphaPose的安全帽佩戴检测方法的流程图；
图2是本发明实施例中采用SSD算法识别安全帽的示意图；
图3是本发明实施例中一种基于SSD和AlphaPose的安全帽佩戴检测系统的模块组成示意图；
图4是本发明实施例中SSD算法中1:8×8的特征包围示意图；
图5是本发明实施例中SSD的拓扑结构图；
图6是本发明实施例中单个Hourglass的模块示例图；
图7是本发明实施例中residual模块示例图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种一种基于SSD和AlphaPose的安全帽佩戴检测方法及系统。
请参考图1，图1是本发明实施例中一种基于SSD和AlphaPose的安全帽佩戴检测方法的流程图，具体包括如下步骤：
S101：获取待检测施工现场的图像；所述图像中包括多个安全帽和多个人；
S102：采用SSD算法对所述图像中的人和安全帽分别进行识别，得到所述图像中的人的总个数、安全帽的总个数以及各个安全帽的最小矩形包围框的任意两个对角顶点的像素坐标；
S103：采用AlphaPose算法对所述图像中的各个人的人体姿态进行估计，得到各个人的重要关节点的像素坐标；
S104：根据各个人的重要关节点的像素坐标和各个安全帽的最小矩形包围框的任意两个对角顶点的像素坐标，分别对各个人进行判断，以识别出所有未佩戴安全帽的人。
步骤S101中，所述待检测施工现场的图像可通过待检测施工现场的监控摄像头或者监控视频获取。
步骤S102中，采用SSD算法对所述图像中的人和安全帽分别进行识别时，SSD算法的识别阈值设置为0.5，即SSD算法识别出的物体的精度大于或者等于0.5时，才确定该物体为安全帽；如图2所示，为本发明实施例中，对某个人佩戴的安全帽进行识别的状态示意图，从图中可以看出，对该安全帽的识别精度为94％。
步骤S103中，所述重要关节点包括：鼻子、左眼、右眼、左耳、右耳、左肩、右肩、左臀和右臀。
步骤S104中，根据各个人的重要关节点的像素坐标和各个安全帽的最小矩形包围框的任意两个对角顶点的像素坐标，分别对各个人进行判断，以识别出所有未佩戴安全帽的人，具体包括如下步骤：
S201：判断和是否全部在之内？若是，则第k个人戴了第i个帽子，即第k个人带了安全帽，并转到步骤S207；否则，转到步骤S202；其中， 和分别为第k个人的鼻子、左眼、右眼、左耳、右耳的像素坐标；和分别为第k个人的左肩、右肩、左臀、右臀的像素坐标；和分比为SSD中识别出来的第i个帽子的最小矩形包围框的任意两个对角顶点的像素坐标；k和i的初始值均为1；
S202：判断第k个人的姿态是否左倾；具体如下：
判断条件是否成立？若是，则第k个人为左倾姿态，并转到步骤S203；否则，转到步骤S204；其中，M为预设值，取值范围为[40,60]，单位1为1个像素；本发明实施例中，M取值为50；
S203：判断和是否全部在之内？若是，则第k个人戴了第i个帽子，即第k个人带了安全帽，并转到步骤S207；否则，转到步骤S204；
S204：判断第k个人的姿态是否右倾；具体如下：
判断条件是否成立？若是，则第k个人为右倾姿态，并转到步骤S205；否则，转到步骤S206；其中，M为预设值，取值范围为[40,60]，单位1为1个像素；本发明实施例中，M取值为50；
S205：判断和是否全部在之内？若是，则第k个人戴了第i个帽子，即第k个人带了安全帽，并转到步骤S207；否则，转到步骤S206；
S206：i是否等于H？若是，则第k个人未佩戴安全帽，将i更新为1，并转到步骤S207；否则，将i更新为i+1，并返回步骤S201；其中，H为SSD识别出的安全帽的总个数；
S207：k是否大于K？若是，则到步骤S208；否则，将k更新为k+1，将最新配对成功的安全帽序号i从所有的安全帽序号中剔除，并对剩下的安全帽序号进行重新排序，即配对成功后的第i个安全帽不再参与剩下的循环步骤，并将安全帽的总个数H的值更新为剔除成功配对的安全帽后的剩余安全帽的总个数；并返回步骤S201；其中，K为人的总个数；
S208：结束循环，得到所述待检测施工现场的图像中所有未佩戴安全帽的人。
请参阅图3，图3是本发明实施例中一种基于SSD和AlphaPose的安全帽佩戴检测系统的模块组成示意图，包括顺次连接的：图像获取模块11、安全帽识别模块12、关节识别模块13和判断模块14；
图像获取模块11，用于获取待检测施工现场的图像；所述图像中包括多个安全帽和多个人；
安全帽识别模块12，用于采用SSD算法对所述图像中的人和安全帽分别进行识别，得到所述图像中的人的总个数、安全帽的总个数以及各个安全帽的最小矩形包围框的任意两个对角顶点的像素坐标；
关节识别模块13，用于采用AlphaPose算法对所述图像中的各个人的人体姿态进行估计，得到各个人的重要关节点的像素坐标；
判断模块14，用于根据各个人的重要关节点的像素坐标和各个安全帽的最小矩形包围框的任意两个对角顶点的像素坐标，分别对各个人进行判断，以识别出所有未佩戴安全帽的人。
图像获取模块11中，所述待检测施工现场的图像可通过待检测施工现场的监控摄像头或者监控视频获取。
安全帽识别模块12中，采用SSD算法对所述图像中的人和安全帽分别进行识别时，SSD算法的识别阈值设置为0.5，即SSD算法识别出的物体的精度大于或者等于0.5时，才确定该物体为安全帽；
关节识别模块13中，所述重要关节点包括：鼻子、左眼、右眼、左耳、右耳、左肩、右肩、左臀和右臀。
判断模块14中，根据各个人的重要关节点的像素坐标和各个安全帽的最小矩形包围框的任意两个对角顶点的像素坐标，分别对各个人进行判断，以识别出所有未佩戴安全帽的人，具体包括如下单元：
第一判断单元，用于判断 和是否全部在之内？若是，则第k个人戴了第i个帽子，即第k个人带了安全帽，并转到第七判断单元；否则，转到第二判断单元；其中，和分别为第k个人的鼻子、左眼、右眼、左耳、右耳的像素坐标； 和分别为第k个人的左肩、右肩、左臀、右臀的像素坐标；和分比为SSD中识别出来的第i个帽子的最小矩形包围框的任意两个对角顶点的像素坐标；k和i的初始值均为1；
第二判断单元，用于判断第k个人的姿态是否左倾；具体如下：
判断条件是否成立？若是，则第k个人为左倾姿态，并转到第三判断单元；否则，转到步骤S204；其中，M为预设值，取值范围为[40,60]，单位1为1个像素；
第三判断单元，用于判断 和是否全部在之内？若是，则第k个人戴了第i个帽子，即第k个人带了安全帽，并转到第七判断单元；否则，转到第四判断单元；
第四判断单元，用于判断第k个人的姿态是否右倾；具体如下：
判断条件是否成立？若是，则第k个人为右倾姿态，并转到第五判断单元；否则，转到第六判断单元；其中，M为预设值，取值范围为[40,60]，单位1为1个像素；
第五判断单元，用于判断 和是否全部在之内？若是，则第k个人戴了第i个帽子，即第k个人带了安全帽，并转到第七判断单元；否则，转到第六判断单元；
第六判断单元，用于判断i是否等于H？若是，则第k个人未佩戴安全帽，将i更新为1，并转到第七判断单元；否则，将i更新为i+1，并返回第一判断单元；其中，H为SSD识别出的安全帽的总个数；
第七判断单元，用于判断k是否大于K？若是，则到结束单元；否则，将k更新为k+1，将最新配对成功的安全帽序号i从所有的安全帽序号中剔除，并对剩下的安全帽序号进行重新排序，即配对成功后的第i个安全帽不再参与剩下的循环步骤，并将安全帽的总个数H的值更新为剔除成功配对的安全帽后的剩余安全帽的总个数；并返回第一判断单元；其中，K为人的总个数；
结束单元，用于结束循环，得到所述待检测施工现场的图像中所有未佩戴安全帽的人。
本发明的有益效果是：本发明所提出的技术方案通过SSD和AlphaPose两个模型的融合，在人体的多种姿态下，依然能够有效的识别人体是否佩戴了安全帽，效率高，实用性强。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，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。
Claims (10)
1.一种基于SSD和AlphaPose的安全帽佩戴检测方法，其特征在于：包括以下步骤：
S101：获取待检测施工现场的图像；所述图像中包括多个安全帽和多个人；
S102：采用SSD算法对所述图像中的人和安全帽分别进行识别，得到所述图像中的人的总个数、安全帽的总个数以及各个安全帽的最小矩形包围框的任意两个对角顶点的像素坐标；
S103：采用AlphaPose算法对所述图像中的各个人的人体姿态进行估计，得到各个人的重要关节点的像素坐标；
S104：根据各个人的重要关节点的像素坐标和各个安全帽的最小矩形包围框的任意两个对角顶点的像素坐标，分别对各个人进行判断，以识别出所有未佩戴安全帽的人。
2.如权利要求1所述的一种基于SSD和AlphaPose的安全帽佩戴检测方法，其特征在于：步骤S101中，所述待检测施工现场的图像可通过待检测施工现场的监控摄像头或者监控视频获取。
3.如权利要求1所述的一种基于SSD和AlphaPose的安全帽佩戴检测方法，其特征在于：步骤S102中，采用SSD算法对所述图像中的人和安全帽分别进行识别时，SSD算法的识别阈值设置为0.5，即SSD算法识别出的物体的精度大于或者等于0.5时，才确定该物体为安全帽。
4.如权利要求1所述的一种基于SSD和AlphaPose的安全帽佩戴检测方法，其特征在于：步骤S103中，所述重要关节点包括：鼻子、左眼、右眼、左耳、右耳、左肩、右肩、左臀和右臀。
5.如权利要求1所述的一种基于SSD和AlphaPose的安全帽佩戴检测方法，其特征在于：步骤S104中，根据各个人的重要关节点的像素坐标和各个安全帽的最小矩形包围框的任意两个对角顶点的像素坐标，分别对各个人进行判断，以识别出所有未佩戴安全帽的人，具体包括如下步骤：
S201：判断和是否全部在之内？若是，则第k个人戴了第i个帽子，即第k个人带了安全帽，并转到步骤S207；否则，转到步骤S202；其中， 和分别为第k个人的鼻子、左眼、右眼、左耳、右耳的像素坐标；和分别为第k个人的左肩、右肩、左臀、右臀的像素坐标；和分比为SSD中识别出来的第i个帽子的最小矩形包围框的任意两个对角顶点的像素坐标；k和i的初始值均为1；
S202：判断第k个人的姿态是否左倾；具体如下：
判断条件是否成立？若是，则第k个人为左倾姿态，并转到步骤S203；否则，转到步骤S204；其中，M为预设值，取值范围为[40,60]，单位1为1个像素；
S203：判断和是否全部在之内？若是，则第k个人戴了第i个帽子，即第k个人带了安全帽，并转到步骤S207；否则，转到步骤S204；
S204：判断第k个人的姿态是否右倾；具体如下：
判断条件是否成立？若是，则第k个人为右倾姿态，并转到步骤S205；否则，转到步骤S206；其中，M为预设值，取值范围为[40,60]，单位1为1个像素；
S205：判断和是否全部在之内？若是，则第k个人戴了第i个帽子，即第k个人带了安全帽，并转到步骤S207；否则，转到步骤S206；
S206：i是否等于H？若是，则第k个人未佩戴安全帽，将i更新为1，并转到步骤S207；否则，将i更新为i+1，并返回步骤S201；其中，H为SSD识别出的安全帽的总个数；
S207：k是否大于K？若是，则到步骤S208；否则，将k更新为k+1，将最新配对成功的安全帽序号i从所有的安全帽序号中剔除，并对剩下的安全帽序号进行重新排序，即配对成功后的第i个安全帽不再参与剩下的循环步骤，并将安全帽的总个数H的值更新为剔除成功配对的安全帽后的剩余安全帽的总个数；并返回步骤S201；其中，K为人的总个数；
S208：结束循环，得到所述待检测施工现场的图像中所有未佩戴安全帽的人。
6.一种基于SSD和AlphaPose的安全帽佩戴检测系统，其特征在于：包括如下模块：
图像获取模块，用于获取待检测施工现场的图像；所述图像中包括多个安全帽和多个人；
安全帽识别模块，用于采用SSD算法对所述图像中的人和安全帽分别进行识别，得到所述图像中的人的总个数、安全帽的总个数以及各个安全帽的最小矩形包围框的任意两个对角顶点的像素坐标；
关节识别模块，用于采用AlphaPose算法对所述图像中的各个人的人体姿态进行估计，得到各个人的重要关节点的像素坐标；
判断模块，用于根据各个人的重要关节点的像素坐标和各个安全帽的最小矩形包围框的任意两个对角顶点的像素坐标，分别对各个人进行判断，以识别出所有未佩戴安全帽的人。
7.如权利要求6所述的一种基于SSD和AlphaPose的安全帽佩戴检测系统，其特征在于：图像获取模块中，所述待检测施工现场的图像可通过待检测施工现场的监控摄像头或者监控视频获取。
8.如权利要求6所述的一种基于SSD和AlphaPose的安全帽佩戴检测系统，其特征在于：安全帽识别模块中，采用SSD算法对所述图像中的人和安全帽分别进行识别时，SSD算法的识别阈值设置为0.5，即SSD算法识别出的物体的精度大于或者等于0.5时，才确定该物体为安全帽。
9.如权利要求6所述的一种基于SSD和AlphaPose的安全帽佩戴检测系统，其特征在于：关节识别模块中，所述重要关节点包括：鼻子、左眼、右眼、左耳、右耳、左肩、右肩、左臀和右臀。
10.如权利要求6所述的一种基于SSD和AlphaPose的安全帽佩戴检测系统，其特征在于：判断模块中，根据各个人的重要关节点的像素坐标和各个安全帽的最小矩形包围框的任意两个对角顶点的像素坐标，分别对各个人进行判断，以识别出所有未佩戴安全帽的人，具体包括如下单元：
第一判断单元，用于判断 和是否全部在之内？若是，则第k个人戴了第i个帽子，即第k个人带了安全帽，并转到第七判断单元；否则，转到第二判断单元；其中，和分别为第k个人的鼻子、左眼、右眼、左耳、右耳的像素坐标； 和分别为第k个人的左肩、右肩、左臀、右臀的像素坐标；和分比为SSD中识别出来的第i个帽子的最小矩形包围框的任意两个对角顶点的像素坐标；k和i的初始值均为1；
第二判断单元，用于判断第k个人的姿态是否左倾；具体如下：
判断条件是否成立？若是，则第k个人为左倾姿态，并转到第三判断单元；否则，转到步骤S204；其中，M为预设值，取值范围为[40,60]，单位1为1个像素；
第三判断单元，用于判断 和是否全部在之内？若是，则第k个人戴了第i个帽子，即第k个人带了安全帽，并转到第七判断单元；否则，转到第四判断单元；
第四判断单元，用于判断第k个人的姿态是否右倾；具体如下：
判断条件是否成立？若是，则第k个人为右倾姿态，并转到第五判断单元；否则，转到第六判断单元；其中，M为预设值，取值范围为[40,60]，单位1为1个像素；
第五判断单元，用于判断 和是否全部在之内？若是，则第k个人戴了第i个帽子，即第k个人带了安全帽，并转到第七判断单元；否则，转到第六判断单元；
第六判断单元，用于判断i是否等于H？若是，则第k个人未佩戴安全帽，将i更新为1，并转到第七判断单元；否则，将i更新为i+1，并返回第一判断单元；其中，H为SSD识别出的安全帽的总个数；
第七判断单元，用于判断k是否大于K？若是，则到结束单元；否则，将k更新为k+1，将最新配对成功的安全帽序号i从所有的安全帽序号中剔除，并对剩下的安全帽序号进行重新排序，即配对成功后的第i个安全帽不再参与剩下的循环步骤，并将安全帽的总个数H的值更新为剔除成功配对的安全帽后的剩余安全帽的总个数；并返回第一判断单元；其中，K为人的总个数；
结束单元，用于结束循环，得到所述待检测施工现场的图像中所有未佩戴安全帽的人。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910350959.0A CN110135290B (zh) | 2019-04-28 | 2019-04-28 | 一种基于SSD和AlphaPose的安全帽佩戴检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910350959.0A CN110135290B (zh) | 2019-04-28 | 2019-04-28 | 一种基于SSD和AlphaPose的安全帽佩戴检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110135290A true CN110135290A (zh) | 2019-08-16 |
| CN110135290B CN110135290B (zh) | 2020-12-08 |
Family
ID=67575628
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910350959.0A Active CN110135290B (zh) | 2019-04-28 | 2019-04-28 | 一种基于SSD和AlphaPose的安全帽佩戴检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110135290B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111027483A (zh) * | 2019-12-10 | 2020-04-17 | 西南石油大学 | 一种基于hsv颜色空间处理的后厨人员着装检测方法 |
| CN111476083A (zh) * | 2020-02-07 | 2020-07-31 | 山东理工大学 | 一种电力员工安全帽佩戴自动识别方法 |
| CN111488804A (zh) * | 2020-03-19 | 2020-08-04 | 山西大学 | 基于深度学习的劳保用品佩戴情况检测和身份识别的方法 |
| CN112258572A (zh) * | 2020-09-30 | 2021-01-22 | 北京达佳互联信息技术有限公司 | 目标检测方法、装置、电子设备及存储介质 |
| CN112581525A (zh) * | 2020-12-03 | 2021-03-30 | 郑州捷安高科股份有限公司 | 人体佩戴物品的状态检测方法、装置、设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180032133A1 (en) * | 2016-07-27 | 2018-02-01 | Fove, Inc. | Eye-gaze detection system, displacement detection method, and displacement detection program |
| CN108288033A (zh) * | 2018-01-05 | 2018-07-17 | 电子科技大学 | 一种基于随机蕨融合多特征的安全帽检测方法 |
| CN108564069A (zh) * | 2018-05-04 | 2018-09-21 | 中国石油大学(华东) | 一种工业佩戴安全帽视频检测方法 |
| CN108921159A (zh) * | 2018-07-26 | 2018-11-30 | 北京百度网讯科技有限公司 | 用于检测安全帽的佩戴情况的方法和装置 |
| CN109117827A (zh) * | 2018-09-05 | 2019-01-01 | 武汉市蓝领英才科技有限公司 | 基于视频的工服工帽穿戴状态自动识别方法与报警系统 |
| CN109241881A (zh) * | 2018-08-22 | 2019-01-18 | 东北大学 | 一种人体姿态估计方法 |
| CN109376681A (zh) * | 2018-11-06 | 2019-02-22 | 广东工业大学 | 一种多人姿态估计方法及系统 |
| US20190108392A1 (en) * | 2017-10-10 | 2019-04-11 | Caterpillar Inc. | Method and system for tracking workers at worksites |
| CN109660761A (zh) * | 2018-12-21 | 2019-04-19 | 鞍钢集团自动化有限公司 | 基于ssd的皮带通廊复杂环境人员识别与报警系统及方法 |
-
2019
- 2019-04-28 CN CN201910350959.0A patent/CN110135290B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180032133A1 (en) * | 2016-07-27 | 2018-02-01 | Fove, Inc. | Eye-gaze detection system, displacement detection method, and displacement detection program |
| US20190108392A1 (en) * | 2017-10-10 | 2019-04-11 | Caterpillar Inc. | Method and system for tracking workers at worksites |
| CN108288033A (zh) * | 2018-01-05 | 2018-07-17 | 电子科技大学 | 一种基于随机蕨融合多特征的安全帽检测方法 |
| CN108564069A (zh) * | 2018-05-04 | 2018-09-21 | 中国石油大学(华东) | 一种工业佩戴安全帽视频检测方法 |
| CN108921159A (zh) * | 2018-07-26 | 2018-11-30 | 北京百度网讯科技有限公司 | 用于检测安全帽的佩戴情况的方法和装置 |
| CN109241881A (zh) * | 2018-08-22 | 2019-01-18 | 东北大学 | 一种人体姿态估计方法 |
| CN109117827A (zh) * | 2018-09-05 | 2019-01-01 | 武汉市蓝领英才科技有限公司 | 基于视频的工服工帽穿戴状态自动识别方法与报警系统 |
| CN109376681A (zh) * | 2018-11-06 | 2019-02-22 | 广东工业大学 | 一种多人姿态估计方法及系统 |
| CN109660761A (zh) * | 2018-12-21 | 2019-04-19 | 鞍钢集团自动化有限公司 | 基于ssd的皮带通廊复杂环境人员识别与报警系统及方法 |
Non-Patent Citations (2)
| Title |
|---|
| CHANGSHUN YUAN,AT EL.: ""Multi-Target Tracking Based on Multi-Bernoulli Filter with Amplitude for Unknown Clutter Rate"", 《RESEARCHGATE》 * |
| HAO-SHU FANG,AT EL.: ""RMPE: Regional Multi-Person Pose Estimation"", 《ARXIV》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111027483A (zh) * | 2019-12-10 | 2020-04-17 | 西南石油大学 | 一种基于hsv颜色空间处理的后厨人员着装检测方法 |
| CN111476083A (zh) * | 2020-02-07 | 2020-07-31 | 山东理工大学 | 一种电力员工安全帽佩戴自动识别方法 |
| CN111488804A (zh) * | 2020-03-19 | 2020-08-04 | 山西大学 | 基于深度学习的劳保用品佩戴情况检测和身份识别的方法 |
| CN111488804B (zh) * | 2020-03-19 | 2022-11-11 | 山西大学 | 基于深度学习的劳保用品佩戴情况检测和身份识别的方法 |
| CN112258572A (zh) * | 2020-09-30 | 2021-01-22 | 北京达佳互联信息技术有限公司 | 目标检测方法、装置、电子设备及存储介质 |
| CN112581525A (zh) * | 2020-12-03 | 2021-03-30 | 郑州捷安高科股份有限公司 | 人体佩戴物品的状态检测方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110135290B (zh) | 2020-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110135290A (zh) | 一种基于SSD和AlphaPose的安全帽佩戴检测方法及系统 | |
| CN110210323B (zh) | 一种基于机器视觉的溺水行为在线识别方法 | |
| CN109002783A (zh) | 救援环境中的人体检测以及姿态识别方法 | |
| CN109657592B (zh) | 一种智能挖掘机的人脸识别方法 | |
| CN111507592B (zh) | 一种面向服刑人员的主动改造行为的评估方法 | |
| CN106503716A (zh) | 一种基于颜色和轮廓特征提取的安全帽识别方法和系统 | |
| CN106548165A (zh) | 一种基于图像分块加权的卷积神经网络的人脸识别方法 | |
| CN110414400B (zh) | 一种施工现场安全帽穿戴自动检测方法及系统 | |
| CN112560741A (zh) | 一种基于人体关键点的安全穿戴检测方法 | |
| KR101781361B1 (ko) | 얼굴 비교를 통한 개인 식별 방법 | |
| CN109635758A (zh) | 智慧工地基于视频的高空作业人员安全带穿戴检测方法 | |
| CN110569722A (zh) | 基于视觉分析的施工人员着装规范检测方法及装置 | |
| CN103020589B (zh) | 一种单训练样本人脸识别方法 | |
| CN112434669B (zh) | 一种多信息融合的人体行为检测方法及系统 | |
| CN110633624A (zh) | 一种基于多特征融合的机器视觉人体异常行为识别方法 | |
| CN111814571A (zh) | 一种基于背景过滤的口罩人脸识别方法及系统 | |
| CN111476188A (zh) | 基于特征金字塔的人群计数方法、系统、介质及电子设备 | |
| CN108898056A (zh) | 一种消防单兵装备与人员快速匹配系统 | |
| CN115965950A (zh) | 一种基于多特征融合状态识别网络的驾驶员疲劳检测方法 | |
| CN109753934A (zh) | 一种识别图像真伪的方法以及识别装置 | |
| CN114494427A (zh) | 一种对吊臂下站人的违规行为检测方法、系统及终端 | |
| CN105512603A (zh) | 基于向量点积原理的危险驾驶检测方法 | |
| Zheng et al. | Realization of elderly fall integration monitoring system based on alphapose and yolov4 | |
| CN113989886A (zh) | 基于人脸识别的船员身份验证方法 | |
| CN111160278A (zh) | 基于单个图像传感器的人脸纹理结构数据采集方法 |
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 |