CN110263609A - 一种安全帽佩戴情况的自动识别方法 - Google Patents

Abstract

本发明公开了安全帽佩戴情况的自动识别方法，包括以下步骤：S1，视频数据获取，预处理；S2，运动区域的获取；S3，人体判别，设置安全帽检测区域；S4，安全帽颜色检测。本发明的安全帽佩戴情况的自动识别方法，构建人体头肩样本库，利用垂直投影直方图提取运动物体头肩模型，提取二值化图像像素点的灰度值为元素，构成矩阵，使用二维主成分(2DPCA)分析进行降维，提取主成分，利用矩阵相似度完成人体头肩检测，确定待检测物是否是人，对检测到的人，进行设置安全帽兴趣域，对该区域进行RGB颜色统计特征，逐点统计原图中彩色图像三通道像素点值，根据不同色彩安全帽建立的阈值进行筛选。

Description

一种安全帽佩戴情况的自动识别方法

技术领域

本发明涉及安全帽佩戴识别，具体涉及一种安全帽佩戴情况的自动识别方法。

背景技术

目前，在建筑工地，作业人员常常由于自身原因不佩戴安全帽造成施工安全问题，人工干预督导存在各种客观问题，监督不及时，极有可能造成严重的安全事故。随着智能监控技术法发展，监控视频下安全帽自动识别的检测技术有助于解决上述问题。

现有的安全帽识别方法，重点是在通过各种机器学习，去识别安全帽，但生产环境复杂多变，人各种状态并存，基于HOG或者基于视频帧运动检测存在一定的局限性，如，非直立(蹲下作业或弯腰作业)、被物掩盖部分身体、多人重叠等，导致安全帽识别出现错误。

发明内容

本发明针对上述问题，提供了一种安全帽佩戴情况的自动识别方法。

本发明采用的技术方案是：一种安全帽佩戴情况的自动识别方法，包括以下步骤：

S1，视频数据获取，预处理：建筑工地的视频监控采集设备获取的图像大多为彩色图像，为提供图像处理速度，需要对彩色图像进行灰度化处理；并进行去噪处理；

S2，运动区域的获取：采用背景差分法分离出背景和前景，数学形态处理进行开运算，设置运动区域阈值，获得目标运动区域；

S3，人体判别，设置安全帽检测区域：采用垂直投影直方图提取头肩模型，进行行人检测，矩形框标出检测到的行人，设置安全帽检测的兴趣区域；

S4，安全帽颜色检测：对安全帽的兴趣区域，进行颜色统计，设置要检测的安全帽颜色包括红，蓝，黄，白的阈值，逐点统计像素值，统计待测颜色点数量所占比例，当超过某一定值，则判读佩戴了安全帽，否则判断未佩戴，对于未佩戴的人员进行视频截取或拍照。

进一步地，所述步骤S1具体为：

采用加权平均法进行灰度处理：根据重要性及其他指标，将R,G,B分量以不同的权值，具体公式如下： f(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j),f(i,j)，R(i,j),G(i,j)分别表示灰度化结果，红、绿、蓝3通道颜色变量；

采用中值滤波进行去除噪声点，将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值，用二维滑动模板，将板内像素值按大小排序，生成单调上升或下降的二维数据序列；二维中值滤波输出为： g(x,y)＝med{f(x-k,y-l),(k,l)∈W}f(x,y),g(x,y)，分别为原始图像和处理后图像；W为二维模板，采用3×3的模板，取模板中的中值。

更进一步地，所述步骤S2具体为：

采用混合高斯模型进行前景检测的过程如下：使用5个高斯模型来表征图像中各个像素点的特征，在新一帧图像获得后更新混合高斯模型，用当前图像中的每个像素点与混合高斯模型匹配，如果匹配成功，则判定该点为背景点，否则为前景点；采用混合高斯模型进行前景检测后得到关于前景的二值化图像。

更进一步地，所述步骤S3具体为：

S31，基于垂直投影直方图的人体头肩模型提取；

S32，基于二维主成分分析法的头肩特征提取；

S33，将步骤S31、S32得到的矩阵，进行矩阵相似度计算，设定相似度阈值，来检测运动物体的头肩模型是否能与样本库中的某个样本匹配上，进而来判断待检测运动物体是不是人。

更进一步地，所述S31具体为：

S311，获取二值化之后的视频图像帧；

S312，统计帧中每个高度上前景点的数量，即灰度值为255的点的数量，模拟出二值化后运动物体的垂直投影直方图；

S313，对于高度为h的视频来说，比较hn高度上前景点数量Cn与hn-1和 hn+1高度上的前景点数量Cn-1和Cn+1,如果满足：

则认为Cn为人体的头宽；

其中σ为比较小的值，作用是消除可能存在的噪声点的影响；

S314，得到人体头宽Cn后，从视频顶端往下取2.5*Cn即为人体的头肩高度；如出现2.5*Cn>h的情况，则直接判断被检测物体不是人体，不在运用后续算法。

更进一步地，所述S32具体为：

基于二维主成分分析法(2DPCA)的头肩特征提取：

S321，样本库的构建：

采取人体头肩模型为特征进行人体检测，制作的样本库尽可能包含各种情况下的人体头肩模型，将人体旋转一周0-360度为区间，10度为一个方向，分了36方向，在各个方向上选取若干样本，组成样本库，用于训练和测试；具体流程如下：选择比较标准的人体直立姿势二值化图片若干，按照角度进行分类，各类图片利用垂直直方图取出头肩模型，则认为Cn为人体的头宽；其中σ为比较小的值，作用是消除可能存在的噪声点的影响；

样本库图片包括训练样本和检测样本；训练样本用于机器学习，通过2DPCA 方法提取样本的特征，用于检测；检测样本用于试验在各种不同参数下检测算法实际的检测效果；

检测样本的特征提取流程：

设样本库中样本数量为p,每个样本表示为Ai,i＝1,2,...p,样本的大小为m*n，具体的特征提取步骤如下：

S3211，计算平均灰度矩阵其中为m*n矩阵；

S3212，计算图像协方差G_t是n*n正定矩阵；

S3213，对G_t进行奇异值分解，得到其n个特征值，以及对应的n个特征向量，将特征值从大到小进行排序，记G_t得n个特征值为λ_i，i＝1,2,...n,对应的特征向量为X_i，i＝1,2...n；

S3214，设定特征值贡献率δ计算满足的最小整数t；

S3215，取X_i的前t个向量组成矩阵X_t，X_t是一个n*t矩阵；

S3216，对于任意样本矩阵A_i，将乘以X_t得到S_i＝A_i×X_t，S_i为m*t的矩阵，至此，完成m*n样本降维至m*t将S_i和X_t保存用于后续检测；

S322，对于步骤S31中提取的二值化头肩图像，提取每个像素点点的灰度值作为一个元素，依次构成一个矩阵，进行2DPCA降维；方法同步骤S3211至 S3216；

S323，将步骤S311、S312得到的矩阵，进行矩阵相似度计算，设定相似度阈值，来检测运动物体的头肩模型是否能与样本库中的某个样本匹配上，进而来判断待检测运动物体是不是人；

矩阵相似度计算：

其中C^m×n表示m×n全体

A，B∈C^m×n

＜A,B＞＝tr(B^TA)

cosθ∈[0,1]为cosθ＝0，表示两矩阵夹角90度，A,B完全没有相似性， cosθ＝1两矩阵夹角为0，相似度最高。

更进一步地，所述步骤S33具体为：

确定安全帽待检区域：

根据步骤S31确定的人，画出矩形框，矩形框包含所有人体边缘，以边界矩形上边缘作为估测矩形的上边缘，边界矩形上边缘与下边缘间1/6靠近上边缘位置作为估测矩形下边缘，边界矩形左边缘与右边缘间1/4靠近左边缘位置作为估测矩形左边缘，边界矩形左边缘与右边缘间3/4靠近右边缘位置作为估测矩形右边缘，形成安全帽估测矩形区域。

更进一步地，所述步骤S4具体为：

采用颜色统计特征的方法检测安全帽检测，方法如下：

S41，由3得到的安全帽待检测兴趣域原彩色图像三通道像素值，或R、G、 B值；

S42，设置常见安全帽颜色，包括红、白、蓝、黄的检测阈值；

S43，逐点统计待检测区域像素点，如R,G,B均满足步骤S42设置的阈值，记录该点，统计整个区域各种颜色点数量占真个检测区域的比例，当超过颜色占比超过某一定值，则判断佩戴了该颜色的安全帽，否则没佩戴安全帽，进行图片或者视频存储。

本发明的优点：

本发明的安全帽佩戴情况的自动识别方法，构建人体头肩样本库，利用垂直投影直方图提取运动物体头肩模型，提取二值化图像像素点的灰度值为元素，构成矩阵，使用二维主成分(2DPCA)分析进行降维，提取主成分，利用矩阵相似度完成人体头肩检测，确定待检测物是否是人，对检测到的人，进行设置安全帽兴趣域，对该区域进行RGB颜色统计特征，逐点统计原图中彩色图像三通道像素点值，根据不同色彩安全帽建立的阈值进行筛选，统计各颜色比例，某颜色超过一定值，判断已佩戴某种颜色安全帽，否则未佩戴。

除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是本发明的一种安全帽佩戴情况的自动识别方法流程图；

图2是本发明的一种安全帽佩戴情况的自动识别方法的人体垂直投影直方图；

图3是本发明的一种安全帽佩戴情况的自动识别方法的视频处理流程；

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

参考图1，如图1所示，一种安全帽佩戴情况的自动识别方法，包括以下步骤：

S1，视频数据获取，预处理：建筑工地的视频监控采集设备获取的图像大多为彩色图像，为提供图像处理速度，需要对彩色图像进行灰度化处理；由于视频监控采集的图像存在一定的噪声点，需要进行去噪处理；

S2，运动区域的获取：采用背景差分法分离出背景和前景，数学形态处理进行开运算，设置运动区域阈值，获得目标运动区域；

S3，人体判别，设置安全帽检测区域：采用垂直投影直方图提取头肩模型，进行行人检测，矩形框标出检测到的行人，设置安全帽检测的兴趣区域；

S4，安全帽颜色检测：对安全帽的兴趣区域，进行颜色统计，设置要检测的安全帽颜色(红，蓝，黄，白)阈值，逐点统计像素值，统计待测颜色点数量所占比例，当超过某一定值，则判读佩戴了安全帽，否则判断未佩戴，对于未佩戴的人员进行视频截取或拍照。

所述步骤S1具体为：

建筑工地的视频监控采集设备获取的图像大多为彩色图像，为提高图像处理速度，需要对彩色图像进行灰度化处理。

本发明采用加权平均法进行灰度处理：根据重要性及其他指标，将R,G,B 分量以不同的权值，具体公式如下： f(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j),f(i,j)，R(i,j),G(i,j)分别表示灰度化结果，红、绿、蓝3通道颜色变量。

由于视频监控采集的图像存在一定的噪声点，需要进行去噪处理。本发明采用中值滤波进行去除噪声点。中值滤波是一种非线性平滑技术，将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。中值滤波法用二维滑动模板，将板内像素值按大小排序，生成单调上升(或下降)的二维数据序列。二维中值滤波输出为：g(x,y)＝med{f(x-k,y-l),(k,l)∈W} f(x,y),g(x,y)分别为原始图像和处理后图像；W为二维模板，本发明采用3 ×3的模板，取模板中的中值。

所述步骤S2具体为：

采用混合高斯模型进行前景检测的过程如下：使用5个高斯模型来表征图像中各个像素点的特征，在新一帧图像获得后更新混合高斯模型，用当前图像中的每个像素点与混合高斯模型匹配，如果匹配成功，则判定该点为背景点，否则为前景点；采用混合高斯模型进行前景检测后得到关于前景的二值化图像。

参考图3，如图3所示，所述步骤S3具体为：

S31，基于垂直投影直方图的人体头肩模型提取；参考图2，如图2所示，对于人体垂直直方图，靠近头顶位置A处局部最大值点D，为人体的头宽。人体头肩高度一般为头宽的2.5-3倍，因此本发明采用局部最大值的2.5倍作为头肩模型高度，即A点至B点的距离H。

S32，基于二维主成分分析法的头肩特征提取；

S33，将步骤S31、S32得到的矩阵，进行矩阵相似度计算，设定相似度阈值，来检测运动物体的头肩模型是否能与样本库中的某个样本匹配上，进而来判断待检测运动物体是不是人。

所述S31具体为：

S311，获取二值化之后的视频图像帧；

S312，统计帧中每个高度上前景点的数量，即灰度值为255的点的数量，模拟出二值化后运动物体的垂直投影直方图；

S313，对于高度为h的视频来说，比较hn高度上前景点数量Cn与hn-1和 hn+1高度上的前景点数量Cn-1和Cn+1,如果满足：

则认为Cn为人体的头宽；

其中σ为比较小的值，作用是消除可能存在的噪声点的影响；

S314，得到人体头宽Cn后，从视频顶端往下取2.5*Cn即为人体的头肩高度；如出现2.5*Cn>h的情况，则直接判断被检测物体不是人体，不在运用后续算法。

所述S32具体为：

基于二维主成分分析法(2DPCA)的头肩特征提取：

S321，样本库的构建：

采取人体头肩模型为特征进行人体检测，制作的样本库尽可能包含各种情况下的人体头肩模型，将人体旋转一周0-360度为区间，10度为一个方向，分了36方向，在各个方向上选取若干样本，组成样本库，用于训练和测试；具体流程如下：选择比较标准的人体直立姿势二值化图片若干，按照角度进行分类，各类图片利用垂直直方图取出头肩模型，则认为Cn为人体的头宽；其中σ为比较小的值，作用是消除可能存在的噪声点的影响；

样本库图片包括训练样本和检测样本；训练样本用于机器学习，通过2DPCA 方法提取样本的特征，用于检测；检测样本用于试验在各种不同参数下检测算法实际的检测效果；

检测样本的特征提取流程：

设样本库中样本数量为p,每个样本表示为Ai,i＝1,2,...p,样本的大小为 m*n，具体的特征提取步骤如下：

S3211，计算平均灰度矩阵其中为m*n矩阵；

S3212，计算图像协方差G_t是n*n正定矩阵；

S3213，对G_t进行奇异值分解，得到其n个特征值，以及对应的n个特征向量，将特征值从大到小进行排序，记G_t得n个特征值为λ_i，i＝1,2,...n,对应的特征向量为X_i，i＝1,2...n；

S3214，设定特征值贡献率δ计算满足的最小整数t；

S3215，取X_i的前t个向量组成矩阵X_t，X_t是一个n*t矩阵；

S3216，对于任意样本矩阵A_i，将乘以X_t得到S_i＝A_i×X_t，S_i为m*t的矩阵，至此，完成m*n样本降维至m*t将S_i和X_t保存用于后续检测；

S322，对于步骤S31中提取的二值化头肩图像，提取每个像素点点的灰度值作为一个元素，依次构成一个矩阵，进行2DPCA降维；方法同步骤S3211至 S3216；

S323，将步骤S311、S312得到的矩阵，进行矩阵相似度计算，设定相似度阈值，来检测运动物体的头肩模型是否能与样本库中的某个样本匹配上，进而来判断待检测运动物体是不是人；

矩阵相似度计算：

其中C^m×n表示m×n全体

A，B∈C^m×n

＜A,B＞＝tr(B^TA)

cosθ∈[0,1]为cosθ＝0，表示两矩阵夹角90度，A,B完全没有相似性， cosθ＝1两矩阵夹角为0，相似度最高。

所述步骤S33具体为：

确定安全帽待检区域：

根据步骤S31确定的人，画出矩形框，矩形框包含所有人体边缘，以边界矩形上边缘作为估测矩形的上边缘，边界矩形上边缘与下边缘间1/6靠近上边缘位置作为估测矩形下边缘，边界矩形左边缘与右边缘间1/4靠近左边缘位置作为估测矩形左边缘，边界矩形左边缘与右边缘间3/4靠近右边缘位置作为估测矩形右边缘，形成安全帽估测矩形区域。

所述步骤S4具体为：

采用颜色统计特征的方法检测安全帽检测，方法如下：

S41，由3得到的安全帽待检测兴趣域原彩色图像三通道像素值，或R、G、 B值；

S42，设置常见安全帽颜色，包括红、白、蓝、黄的检测阈值；

S43，逐点统计待检测区域像素点，如R,G,B均满足步骤S42设置的阈值，记录该点，统计整个区域各种颜色点数量占真个检测区域的比例，当超过颜色占比超过某一定值，则判断佩戴了该颜色的安全帽，否则没佩戴安全帽，进行图片或者视频存储。

本发明构建人体头肩样本库，利用垂直投影直方图提取运动物体头肩模型，提取二值化图像像素点的灰度值为元素，构成矩阵，使用二维主成分(2DPCA) 分析进行降维，提取主成分，利用矩阵相似度完成人体头肩检测，确定待检测物是否是人，对检测到的人，进行设置安全帽兴趣域，对该区域进行RGB颜色统计特征，逐点统计原图中彩色图像三通道像素点值，根据不同色彩安全帽建立的阈值进行筛选，统计各颜色比例，某颜色超过一定值，判断已佩戴某种颜色安全帽，否则未佩戴。

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 (8)

1.一种安全帽佩戴情况的自动识别方法，其特征在于，包括以下步骤：

S1，视频数据获取，预处理：建筑工地的视频监控采集设备获取的图像大多为彩色图像，为提供图像处理速度，需要对彩色图像进行灰度化处理；并进行去噪处理；

S2，运动区域的获取：采用背景差分法分离出背景和前景，数学形态处理进行开运算，设置运动区域阈值，获得目标运动区域；

S3，人体判别，设置安全帽检测区域：采用垂直投影直方图提取头肩模型，进行行人检测，矩形框标出检测到的行人，设置安全帽检测的兴趣区域；

S4，安全帽颜色检测：对安全帽的兴趣区域，进行颜色统计，设置要检测的安全帽颜色包括红，蓝，黄，白的阈值，逐点统计像素值，统计待测颜色点数量所占比例，当超过某一定值，则判读佩戴了安全帽，否则判断未佩戴，对于未佩戴的人员进行视频截取或拍照。

2.根据权利要求1所述的安全帽佩戴情况的自动识别方法，其特征在于，所述步骤S1具体为：

采用加权平均法进行灰度处理：根据重要性及其他指标，将R,G,B分量以不同的权值，具体公式如下：f(i,j)＝0.30R(i,j)+0.59G(i,j)+0.11B(i,j),f(i,j)，R(i,j),G(i,j)分别表示灰度化结果，红、绿、蓝3通道颜色变量；

采用中值滤波进行去除噪声点，将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值，用二维滑动模板，将板内像素值按大小排序，生成单调上升或下降的二维数据序列；二维中值滤波输出为：g(x,y)＝med{f(x-k,y-l),(k,l)∈W}f(x,y),g(x,y)，分别为原始图像和处理后图像；W为二维模板，采用3×3的模板，取模板中的中值。

3.根据权利要求1所述的安全帽佩戴情况的自动识别方法，其特征在于，所述步骤S2具体为：

采用混合高斯模型进行前景检测的过程如下：使用5个高斯模型来表征图像中各个像素点的特征，在新一帧图像获得后更新混合高斯模型，用当前图像中的每个像素点与混合高斯模型匹配，如果匹配成功，则判定该点为背景点，否则为前景点；采用混合高斯模型进行前景检测后得到关于前景的二值化图像。

4.根据权利要求1所述的安全帽佩戴情况的自动识别方法，其特征在于，所述步骤S3具体为：

S31，基于垂直投影直方图的人体头肩模型提取；

S32，基于二维主成分分析法的头肩特征提取；

S33，将步骤S31、S32得到的矩阵，进行矩阵相似度计算，设定相似度阈值，来检测运动物体的头肩模型是否能与样本库中的某个样本匹配上，进而来判断待检测运动物体是不是人。

5.根据权利要求4所述的安全帽佩戴情况的自动识别方法，其特征在于，所述S31具体为：

S311，获取二值化之后的视频图像帧；

S312，统计帧中每个高度上前景点的数量，即灰度值为255的点的数量，模拟出二值化后运动物体的垂直投影直方图；

S313，对于高度为h的视频来说，比较hn高度上前景点数量Cn与hn-1和hn+1高度上的前景点数量Cn-1和Cn+1,如果满足：

Cn＞Cn-1

Cn＞Cn+1

Cn＞σ则认为Cn为人体的头宽；

其中σ为比较小的值，作用是消除可能存在的噪声点的影响；

S314，得到人体头宽Cn后，从视频顶端往下取2.5*Cn即为人体的头肩高度；如出现2.5*Cn>h的情况，则直接判断被检测物体不是人体，不在运用后续算法。

6.根据权利要求4所述的安全帽佩戴情况的自动识别方法，其特征在于，所述S32具体为：

基于二维主成分分析法的头肩特征提取：

S321，样本库的构建：

采取人体头肩模型为特征进行人体检测，制作的样本库尽可能包含各种情况下的人体头肩模型，将人体旋转一周0-360度为区间，10度为一个方向，分了36方向，在各个方向上选取若干样本，组成样本库，用于训练和测试；具体流程如下：选择比较标准的人体直立姿势二值化图片若干，按照角度进行分类，各类图片利用垂直直方图取出头肩模型，则认为Cn为人体的头宽；其中σ为比较小的值，作用是消除可能存在的噪声点的影响；

样本库图片包括训练样本和检测样本；训练样本用于机器学习，通过2DPCA方法提取样本的特征，用于检测；检测样本用于试验在各种不同参数下检测算法实际的检测效果；

检测样本的特征提取流程：

设样本库中样本数量为p,每个样本表示为Ai,i＝1,2,...p,样本的大小为m*n，具体的特征提取步骤如下：

S3211，计算平均灰度矩阵其中为m*n矩阵；

S3212，计算图像协方差G_t是n*n正定矩阵；

S3213，对G_t进行奇异值分解，得到其n个特征值，以及对应的n个特征向量，将特征值从大到小进行排序，记G_t得n个特征值为λ_i，i＝1,2,...n,对应的特征向量为X_i，i＝1,2...n；

S3214，设定特征值贡献率δ计算满足的最小整数t；

S3215，取X_i的前t个向量组成矩阵X_t，X_t是一个n*t矩阵；

S3216，对于任意样本矩阵A_i，将乘以X_t得到S_i＝A_i×X_t，S_i为m*t的矩阵，至此，完成m*n样本降维至m*t将S_i和X_t保存用于后续检测；

S322，对于步骤S31中提取的二值化头肩图像，提取每个像素点点的灰度值作为一个元素，依次构成一个矩阵，进行2DPCA降维；方法同步骤S3211至S3216；

S323，将步骤S311、S312得到的矩阵，进行矩阵相似度计算，设定相似度阈值，来检测运动物体的头肩模型是否能与样本库中的某个样本匹配上，进而来判断待检测运动物体是不是人；

矩阵相似度计算：

其中C^m×n表示m×n全体

A，B∈C^m×n

＜A,B＞＝tr(B^TA)

cosθ∈[0,1]为cosθ＝0，表示两矩阵夹角90度，A,B完全没有相似性，cosθ＝1两矩阵夹角为0，相似度最高。

7.根据权利要求4所述的安全帽佩戴情况的自动识别方法，其特征在于，所述步骤S33具体为：

确定安全帽待检区域：

根据步骤S31确定的人，画出矩形框，矩形框包含所有人体边缘，以边界矩形上边缘作为估测矩形的上边缘，边界矩形上边缘与下边缘间1/6靠近上边缘位置作为估测矩形下边缘，边界矩形左边缘与右边缘间1/4靠近左边缘位置作为估测矩形左边缘，边界矩形左边缘与右边缘间3/4靠近右边缘位置作为估测矩形右边缘，形成安全帽估测矩形区域。

8.根据权利要求1所述的安全帽佩戴情况的自动识别方法，其特征在于，所述步骤S4具体为：

采用颜色统计特征的方法检测安全帽检测，方法如下：

S41，由3得到的安全帽待检测兴趣域原彩色图像三通道像素值，或R、G、B值；

S42，设置常见安全帽颜色，包括红、白、蓝、黄的检测阈值；

S43，逐点统计待检测区域像素点，如R,G,B均满足步骤S42设置的阈值，记录该点，统计整个区域各种颜色点数量占真个检测区域的比例，当超过颜色占比超过某一定值，则判断佩戴了该颜色的安全帽，否则没佩戴安全帽，进行图片或者视频存储。