CN110414400A - 一种施工现场安全帽穿戴自动检测方法及系统 - Google Patents

一种施工现场安全帽穿戴自动检测方法及系统 Download PDF

Info

Publication number
CN110414400A
CN110414400A CN201910661248.5A CN201910661248A CN110414400A CN 110414400 A CN110414400 A CN 110414400A CN 201910661248 A CN201910661248 A CN 201910661248A CN 110414400 A CN110414400 A CN 110414400A
Authority
CN
China
Prior art keywords
face
safety cap
bounding box
construction site
eulerian angles
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
Application number
CN201910661248.5A
Other languages
English (en)
Other versions
CN110414400B (zh
Inventor
郑小玉
刘自强
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.)
PowerChina Chengdu Engineering Co Ltd
Original Assignee
PowerChina Chengdu Engineering 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 PowerChina Chengdu Engineering Co Ltd filed Critical PowerChina Chengdu Engineering Co Ltd
Priority to CN201910661248.5A priority Critical patent/CN110414400B/zh
Publication of CN110414400A publication Critical patent/CN110414400A/zh
Application granted granted Critical
Publication of CN110414400B publication Critical patent/CN110414400B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种施工现场安全帽穿戴自动检测方法及系统，包括：实时获取施工现场监控视频，检测监控视频中的所有人脸，获得每个人脸的边界框；基于人脸追踪算法追踪监控视频中后续帧人脸的边界框，并执行人脸关键点检测算法，检测获得的人脸关键点，同时使用当前人脸关键点检测结果的人脸边界框矫正人脸追踪算法的矩形框；基于人脸关键点的检测结果和PnP算法，求得人脸欧拉角；检测和追踪人脸，以该人脸获得的最好欧拉角的安全帽区域作为安全帽的候选区域，使用安全帽识别算法判定安全帽的候选区域内是否存在安全帽；本发明将近人脸检测与安全帽检测识别系统相结合，从而为安全帽的识别提高可靠性。

Description

一种施工现场安全帽穿戴自动检测方法及系统
技术领域
本发明涉及安全帽智能检测领域，具体地，涉及一种施工现场安全帽穿戴自动检测方法及系统。
背景技术
生产建筑工地发生的大部分安全事故都与工人违反规定有关。坠落、撞击物体、坍塌和吊装损坏是致命事故的四大类型。而且，坠落和被物体撞击是最常见的致命事故类型，占总体的68％以上。但是，由于施工现场地域分布广，设备众多，环境复杂，操作量大，安全监督有限，难以实现生产施工现场的实时全程安全管理。
最近进行的相关研究主要集中在通过识别安全帽的颜色信息等来达到监控工人是否佩戴安全帽。Waranusast使用KNN对从安全帽检测图像中提取的形状和颜色信息进行分类，平均准确度为74％。Hao提出了一种基于颜色的混合描述符用于安全帽识别，该方法安全帽识别的平均准确率为90.3％。Kang开发了一种变电站场景下的安全帽佩戴检测框架，可以根据色彩空间变换和颜色特征识别确定是否佩戴安全帽。
以上的方法主要基于传统计算机视觉方法，而且有些方法基于颜色信息进行安全帽识别，这些方法检测的准确度较低，本文提出的基于深度学习的方法准确度能够大于99％。而且，安全帽识别中非常有意义的工作之一必须确定其载体(即人)，如果仅仅检测安全帽在很多实际场合意义不大，而有的方法即使在检测安全帽时检测了载体人，但目前主要基于行人检测的方法，无法实施人的识别。
发明内容
本发明提供了一种施工现场安全帽穿戴自动检测方法及系统，本发明将近人脸检测与安全帽检测识别系统相结合，从而为安全帽的识别提高可靠性。
本发明提出的基于人脸检测的方法，不但检测了安全帽，同时为识别其载体人提供了条件一方面，人脸检测技术更加成熟，而且基于人脸的检测可以为后期未穿戴安全帽人员的识别取证提供基础，另一方面，现场安全帽检测必须以人为载体才有意义。本发明构建了一个实用的检测识别方法及系统，包括多人脸识别与追踪，安全帽检测框快速定位和基于人工智能的安全帽识别方法，构建的检测方法侧重于实时追踪整个视频中工人并检测工人是否佩戴安全帽。
为实现上述发明目的，本申请一方面提供了一种施工现场安全帽穿戴自动检测方法，所述方法包括：
实时获取施工现场监控视频，检测监控视频中的所有人脸，获得每个人脸的边界框，并为每个人脸分配相应的ID；
基于人脸追踪算法追踪监控视频中后续帧人脸的边界框，并执行人脸关键点检测算法，检测获得的人脸关键点，同时使用当前人脸关键点检测结果的人脸边界框矫正人脸追踪算法的矩形框；
基于人脸关键点的检测结果和经典的视觉PnP算法，求得人脸欧拉角，PnP算法为N点透视问题算法，PnP算法用于求欧拉角，是经典的计算机视觉算法；
追踪某个人脸直到人脸离开摄像头监控的区域或该人脸在监控区域内达到一个时间上限，则放弃该人脸，重新检测和追踪人脸；同时以该人脸获得的最好欧拉角(即三个方向的欧拉角均不大于15度的欧拉角)的安全帽区域作为安全帽的候选区域，使用安全帽识别算法判定安全帽的候选区域内是否存在安全帽。
本发明的一种施工现场安全帽穿戴自动检测的方法包括4个主要步骤：首先，实施现场监控视频的人脸检测，并分配相应的人脸ID；然后，执行人脸关键点检测，计算人脸欧拉角，并矫正追踪算法的矩形框；另外，基于人脸框和欧拉角参数获得安全帽的候选区域；最后，追踪每一个ID对应的人脸，并依据安全帽候选区域对安全帽识别，从而实现预警的目的。
本发明提出了一种基于人脸检测的鲁棒、高效的现场安全帽穿戴识别方法。本发明主要有两方面的技术改进：1.在基于人脸检测的方法确定安全帽候选区域的同时，一方面确保安全帽载体人，另一方面为后续未穿戴安全帽的人员识别提供技术基础；2.提出了基于迁移学习的高效、准确的安全帽识别方法。
该方法包含4个阶段，即人脸检测并分配人脸ID、人脸追踪、计算安全帽候选区域和安全帽识别。具体方法如下：
现场摄像头实时获取现场视频，人脸检测模块将检测现场场景中的所有人脸，并获得人脸的边界框，分配人脸相应的ID，人脸的确认帮助获取安全帽的有效载体，防止非人载体的安全帽引起系统的误报；
基于人脸追踪算法追踪后续帧的人脸矩形框，并执行人脸关键点检测算法，将检测到的人脸关键点用于计算欧拉角，同时使用当前人脸关键点检测结果的人脸矩形框矫正追踪算法的矩形框，即采用关键点边界决定的最大框代替追踪算法的边界框；
使用人脸检测的关键点和PnP算法，求得欧拉角。如果基于当前脸ID的欧拉角最小，则保留人脸框尺寸FaceSizeW0和FaceSizeH0；如果基于当前脸ID的欧拉角小于阈值，则保留当前人脸框尺寸FaceSizeWn和FaceSizeHn。然后，如果欧拉角小于阈值，则基于FaceSizeWn和FaceSizeHn，向上移动并获得安全帽的候选区域；
追踪人脸一直到人脸离开摄像头监控的区域或某人脸ID在监控区域内达到一个时间上限，则放弃该ID的人脸，重新检测和追踪脸。同时以该脸获得的最好欧拉角的安全帽区域作为候选区，使用安全帽识别算法判定候选区域是否存在安全帽，如果没有，则报警。
优选的，若安全帽的候选区域内存在安全帽，则判断施工现场工人穿戴了安全帽，若安全帽的候选区域内不存在安全帽，则判断施工现场工人未穿戴安全帽。
优选的，所述方法还包括：检测监控视频中安全帽载体是否为人脸，当检测结果为人脸时，判断安全帽载体为有效载体；当检测结果为非人脸时，判断安全帽载体为无效载体。
优选的，基于人脸关键点的检测结果和PnP算法，求得人脸欧拉角；若基于当前ID对应人脸的欧拉角最小，则保留人脸边界框尺寸FaceSizeW0和FaceSizeH0，FaceSizeW0为人脸检测矩形框的宽度，FaceSizeH0为人脸检测矩形框的高度；若基于当前ID对应人脸的欧拉角小于阈值，则保留当前人脸边界框尺寸FaceSizeWn和FaceSizeHn，FaceSizeWn为当前人脸检测矩形框的宽度，FaceSizeHn为当前人脸检测矩形框的高度；若欧拉角小于阈值，则基于FaceSizeWn和FaceSizeHn，人脸边界框向上移动并获得安全帽的候选区域，FaceSizeW0和FaceSizeH0保存的是最小欧拉角对应的人脸框；FaceSizeWn和FaceSizeHn是当前欧拉角对应的人脸框。
优选的，当人脸的欧拉角小于阈值时，则基于FaceSizeWn和FaceSizeHn，人脸边界框向上移动0.55*FaceSizeHn，并将人脸边界框尺度调整为0.75*FaceSizeHn和1.1*FaceSizeWn，(采用上述彩色的作用和目的是能够覆盖住人脸上的安全帽区域，同时不能使这个区域框过大，避免和其它的框重叠，并使重叠区域最小)并将此人脸边界框作为该ID对应人脸的安全帽候选区域；当人脸的欧拉角大于阈值时，则选择FaceSizeW0和FaceSizeH0作为当前人脸边界框的FaceSizeWn和FaceSizeHn，以此确定安全帽候选区域。
优选的，基于迁移学习的卷积神经网络方法进行安全帽检测识别，采用DenseNetCNN来适应问题领域，在网络模型中的损失函数部分添加KL散度，同时训练两个结构相同但参数不同的DenseNet CNN网络模型，两个模型之间进行知识迁移，从而提升单个网络模型的整体精度。
另一方面，本申请还提供了一种施工现场安全帽穿戴自动检测系统，所述系统包括：
获取单元，用于实时获取施工现场监控视频，检测监控视频中的所有人脸，获得每个人脸的边界框，并为每个人脸分配相应的ID；
追踪与检测单元，用于基于人脸追踪算法追踪监控视频中后续帧人脸的边界框，并执行人脸关键点检测算法，检测获得的人脸关键点，同时使用当前人脸关键点检测结果的人脸边界框矫正人脸追踪算法的矩形框；
计算单元，用于基于人脸关键点的检测结果和PnP算法，求得人脸欧拉角，PnP算法为N点透视问题算法；
安全帽检测单元，用于追踪某个人脸直到人脸离开摄像头监控的区域或该人脸在监控区域内达到一个时间上限，则放弃该人脸，重新检测和追踪人脸；同时以该人脸获得的三个方向的欧拉角均不大于15度的安全帽区域作为安全帽的候选区域，使用安全帽识别算法判定安全帽的候选区域内是否存在安全帽。
其中，若安全帽的候选区域内存在安全帽，则判断施工现场工人穿戴了安全帽，若安全帽的候选区域内不存在安全帽，则判断施工现场工人未穿戴安全帽。
其中，基于人脸关键点的检测结果和PnP算法，求得人脸欧拉角；若基于当前ID对应人脸的欧拉角最小，则保留人脸边界框尺寸FaceSizeW0和FaceSizeH0，FaceSizeW0为人脸检测矩形框的宽度，FaceSizeH0为人脸检测矩形框的高度；若基于当前ID对应人脸的欧拉角小于阈值，则保留当前人脸边界框尺寸FaceSizeWn和FaceSizeHn，FaceSizeWn为当前人脸检测矩形框的宽度，FaceSizeHn为当前人脸检测矩形框的高度；若欧拉角小于阈值，则基于FaceSizeWn和FaceSizeHn，人脸边界框向上移动并获得安全帽的候选区域。
其中，当人脸的欧拉角小于阈值时，则基于FaceSizeWn和FaceSizeHn，人脸边界框向上移动0.55*FaceSizeHn，并将人脸边界框尺度调整为0.75*FaceSizeHn和1.1*FaceSizeWn，并将此人脸边界框作为该ID对应人脸的安全帽候选区域；当人脸的欧拉角大于阈值时，则选择FaceSizeW0和FaceSizeH0作为当前人脸边界框的FaceSizeWn和FaceSizeHn，以此确定安全帽候选区域。
本申请提供的一个或多个技术方案，至少具有如下技术效果或优点：
1.本发明采用了最新的深度学习方法，所以识别效果优于传统计算机视觉的方法；
2.而且本发明进一步采用了相互学习方法，经一步提高了深度学习方法的精度，使安全帽的识别率超过了99％。
3.本发明采用了基于人脸检测的方法，进一步确定安全帽位置。该方法能够确定安全帽载体，而传统方法很多并没有确定安全帽载体；其次，传统方法也有先检测行人，再确定是否戴了安全帽，但这种方法依然无法识别具体哪个人没有戴安全帽。以上是本方案的技术效果和优点。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定；
图1是本申请中施工现场安全帽穿戴自动检测方法的流程示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在相互不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述范围内的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
本申请实施例提供了一种施工现场安全帽穿戴自动检测的方法即系统，系统包括监控场景人脸检测模块，用于确定安全帽的有效载体，防止误报；人脸追踪模块、人脸特征点检测模块和头姿势估计模块，用于在所有视频帧中追踪安全帽的有效载体，并找到最有利于安全帽检测和识别的头位置，也是人脸欧拉角最小的位置，这个位置人脸和安全帽最易识别；安全帽检测和识别模块，基于前边追踪到的人脸，以及相应的欧拉角，进一步计算确定安全帽在图像中的候选位置，最后基于安全帽识别算法确定在候选区域范围内是否存在安全帽，以确认施工现场工人是否穿戴了安全帽，包括以下步骤：
(1)现场摄像头实时获取现场视频，人脸检测算法采用MTCNN(多任务卷积神经网络)，该模块将检测现场场景中的所有人脸，最小检测人脸框为40x40像素，该模块获得当前图像帧中所有人脸的边界框，并分配人脸相应的ID，人脸的确认帮助获取安全帽的有效载体，防止非人载体的安全帽引起系统的误报；
(2)基于KCF(核相关滤波)算法实施人脸追踪，追踪后续帧对应ID的人脸矩形框，并采用OpenFace(开源人脸行为识别库)算法执行人脸关键点检测，当前实现人脸68个关键点检测，将检测到的人脸关键点基于PnP算法计算当前脸的欧拉角，同时使用当前人脸关键点检测结果的人脸矩形框矫正追踪算法的矩形框，即采用关键点边界决定的最大框代替追踪算法的边界框；
(3)检测当前帧所有人脸的关键点，并基于PnP算法求得每一张脸的欧拉角。如果基于当前脸ID的欧拉角最小，则保留人脸框尺寸FaceSizeW0和FaceSizeH0；如果基于当前脸ID的欧拉角小于阈值(如15度)，则保留当前人脸框尺寸FaceSizeWn和FaceSizeHn。然后，如果欧拉角小于阈值，则基于FaceSizeWn和FaceSizeHn，人脸框向上移动0.55*FaceSizeHn，并将人脸框尺度为0.75*FaceSizeHn和1.1*FaceSizeWn，并将此框作为该人ID的安全帽候选区域；当欧拉角大于阈值时，则选择FaceSizeW0和FaceSizeH0作为当前人脸的FaceSizeWn和FaceSizeHn，以此确定安全帽候选区域。
(4)追踪人脸一直到人脸离开摄像头监控的区域或某人脸ID在监控区域内达到一个时间上限(如30秒)，则放弃该ID的人脸，重新检测和追踪脸。同时以该脸获得的最好欧拉角的安全帽区域作为候选区，使用安全帽识别算法判定候选区域是否存在安全帽，如果没有，则报警。
安全帽的识别，采用了如下迁移学习的方法获得。
首先将安全帽数据集进行数据增强，比如随机长宽比剪裁、旋转和尺度等操作,微调DenseNet(密集卷积网络)，将DenseNet最后的全连接层连接到2类，再添加logSoftmax(对数软回归模型)层，最后一层使用权重随机初始化，其他各层使用预训练权重初始化。
深度交互学习属于迁移学习中的知识迁移，不同参数相同结构的网络在训练时进行知识迁移。给定M个类别的N个样本，其表示为xi表示输入的样本，每个样本对应的输出标签类别可表示为其中yi∈{1，2，...，M}，样本xi经过神经网络θ1产生的类别概率p1的计算公式为:
是softmax层的输出。采用交叉熵作为损失函数:其中，函数I(yi，m)为：
样本xi经过对等神经网络θ2产生的类别概率为p2，采用KL散度来衡量p1，p2距离:
神经网络θ1的总的损失函数定义为:那么神经网络θ1的KL散度是想让p1的分布近似p2的分布。
基于迁移学习的识别算法包括：
输入：安全帽训练集X，相应的标签集Y，网络的学习率分别为γ1，t，γ2，t
初始化：不同初始化条件获得模型θ1和θ2
重复：
重复次数t＝t+1
从X随机采样数据x
1：针对当前参数mini-batch(小批量数据)，更新预测值p1andp2
2：计算损失函数的梯度值并更新网络θ1：
3.计算损失函数的梯度值并更新网络θ2：
4.循环计算直到满足收敛条件。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种施工现场安全帽穿戴自动检测方法，其特征在于，所述方法包括：
实时获取施工现场监控视频，检测监控视频中的所有人脸，获得每个人脸的边界框，并为每个人脸分配相应的ID；
基于人脸追踪算法追踪监控视频中后续帧人脸的边界框，并执行人脸关键点检测算法，检测获得的人脸关键点，同时使用当前人脸关键点检测结果的人脸边界框矫正人脸追踪算法的矩形框；
基于人脸关键点的检测结果和PnP算法，求得人脸欧拉角，PnP算法为N点透视问题算法；
追踪某个人脸直到人脸离开摄像头监控的区域或该人脸在监控区域内达到一个时间上限，则放弃该人脸，重新检测和追踪人脸；同时以该人脸获得的三个方向的欧拉角均不大于15度的安全帽区域作为安全帽的候选区域，使用安全帽识别算法判定安全帽的候选区域内是否存在安全帽。
2.根据权利要求1所述的施工现场安全帽穿戴自动检测方法，其特征在于，若安全帽的候选区域内存在安全帽，则判断施工现场工人穿戴了安全帽，若安全帽的候选区域内不存在安全帽，则判断施工现场工人未穿戴安全帽。
3.根据权利要求1所述的施工现场安全帽穿戴自动检测方法，其特征在于，所述方法还包括：检测监控视频中安全帽载体是否为人脸，当检测结果为人脸时，判断安全帽载体为有效载体；当检测结果为非人脸时，判断安全帽载体为无效载体。
4.根据权利要求1所述的施工现场安全帽穿戴自动检测方法，其特征在于：基于人脸关键点的检测结果和PnP算法，求得人脸欧拉角；若基于当前ID对应人脸的欧拉角最小，则保留人脸边界框尺寸FaceSizeW0和FaceSizeH0，FaceSizeW0为人脸检测矩形框的宽度，FaceSizeH0为人脸检测矩形框的高度；若基于当前ID对应人脸的欧拉角小于阈值，则保留当前人脸边界框尺寸FaceSizeWn和FaceSizeHn，FaceSizeWn为当前人脸检测矩形框的宽度，FaceSizeHn为当前人脸检测矩形框的高度；若欧拉角小于阈值，则基于FaceSizeWn和FaceSizeHn，人脸边界框向上移动并获得安全帽的候选区域。
5.根据权利要求4所述的施工现场安全帽穿戴自动检测方法，其特征在于，当人脸的欧拉角小于阈值时，则基于FaceSizeWn和FaceSizeHn，人脸边界框向上移动0.55*FaceSizeHn，并将人脸边界框尺度调整为0.75*FaceSizeHn和1.1*FaceSizeWn，并将此人脸边界框作为该ID对应人脸的安全帽候选区域；当人脸的欧拉角大于阈值时，则选择FaceSizeW0和FaceSizeH0作为当前人脸边界框的FaceSizeWn和FaceSizeHn，以此确定安全帽候选区域。
6.根据权利要求1所述的施工现场安全帽穿戴自动检测方法，其特征在于，基于迁移学习的卷积神经网络方法进行安全帽检测识别，采用DenseNet CNN来适应问题领域，在网络模型中的损失函数部分添加KL散度，同时训练两个结构相同但参数不同的DenseNet CNN网络模型，两个模型之间进行知识迁移，从而提升单个网络模型的整体精度。
7.一种施工现场安全帽穿戴自动检测系统，其特征在于，所述系统包括：
获取单元，用于实时获取施工现场监控视频，检测监控视频中的所有人脸，获得每个人脸的边界框，并为每个人脸分配相应的ID；
追踪与检测单元，用于基于人脸追踪算法追踪监控视频中后续帧人脸的边界框，并执行人脸关键点检测算法，检测获得的人脸关键点，同时使用当前人脸关键点检测结果的人脸边界框矫正人脸追踪算法的矩形框；
计算单元，用于基于人脸关键点的检测结果和PnP算法，求得人脸欧拉角，PnP算法为N点透视问题算法；
安全帽检测单元，用于追踪某个人脸直到人脸离开摄像头监控的区域或该人脸在监控区域内达到一个时间上限，则放弃该人脸，重新检测和追踪人脸；同时以该人脸获得的三个方向的欧拉角均不大于15度的安全帽区域作为安全帽的候选区域，使用安全帽识别算法判定安全帽的候选区域内是否存在安全帽。
8.根据权利要求7所述的施工现场安全帽穿戴自动检测系统，其特征在于，若安全帽的候选区域内存在安全帽，则判断施工现场工人穿戴了安全帽，若安全帽的候选区域内不存在安全帽，则判断施工现场工人未穿戴安全帽。
9.根据权利要求7所述的施工现场安全帽穿戴自动检测系统，其特征在于，基于人脸关键点的检测结果和PnP算法，求得人脸欧拉角；若基于当前ID对应人脸的欧拉角最小，则保留人脸边界框尺寸FaceSizeW0和FaceSizeH0，FaceSizeW0为人脸检测矩形框的宽度，FaceSizeH0为人脸检测矩形框的高度；若基于当前ID对应人脸的欧拉角小于阈值，则保留当前人脸边界框尺寸FaceSizeWn和FaceSizeHn，FaceSizeWn为当前人脸检测矩形框的宽度，FaceSizeHn为当前人脸检测矩形框的高度；若欧拉角小于阈值，则基于FaceSizeWn和FaceSizeHn，人脸边界框向上移动并获得安全帽的候选区域。
10.根据权利要求7所述的施工现场安全帽穿戴自动检测系统，其特征在于，当人脸的欧拉角小于阈值时，则基于FaceSizeWn和FaceSizeHn，人脸边界框向上移动0.55*FaceSizeHn，并将人脸边界框尺度调整为0.75*FaceSizeHn和1.1*FaceSizeWn，并将此人脸边界框作为该ID对应人脸的安全帽候选区域；当人脸的欧拉角大于阈值时，则选择FaceSizeW0和FaceSizeH0作为当前人脸边界框的FaceSizeWn和FaceSizeHn，以此确定安全帽候选区域。
CN201910661248.5A 2019-07-22 2019-07-22 一种施工现场安全帽穿戴自动检测方法及系统 Active CN110414400B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910661248.5A CN110414400B (zh) 2019-07-22 2019-07-22 一种施工现场安全帽穿戴自动检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910661248.5A CN110414400B (zh) 2019-07-22 2019-07-22 一种施工现场安全帽穿戴自动检测方法及系统

Publications (2)

Publication Number Publication Date
CN110414400A true CN110414400A (zh) 2019-11-05
CN110414400B CN110414400B (zh) 2021-12-21

Family

ID=68362262

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910661248.5A Active CN110414400B (zh) 2019-07-22 2019-07-22 一种施工现场安全帽穿戴自动检测方法及系统

Country Status (1)

Country Link
CN (1) CN110414400B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929608A (zh) * 2019-11-12 2020-03-27 国网天津市电力公司 安全帽佩带检测方法及系统
CN111104918A (zh) * 2019-12-24 2020-05-05 杭州魔点科技有限公司 门禁控制方法、装置、电子设备及介质
CN111640214A (zh) * 2020-05-26 2020-09-08 河源市丽兴电子有限公司 一种人脸识别系统
CN111652120A (zh) * 2020-06-01 2020-09-11 福建睿思特科技股份有限公司 一种基于stm32h7处理机的头盔识别设备
CN112115783A (zh) * 2020-08-12 2020-12-22 中国科学院大学 基于深度知识迁移的人脸特征点检测方法、装置及设备
CN113553963A (zh) * 2021-07-27 2021-10-26 广联达科技股份有限公司 安全帽的检测方法、装置、电子设备及可读存储介质
CN113591683A (zh) * 2021-07-28 2021-11-02 北京百度网讯科技有限公司 姿态估计方法、装置、电子设备和存储介质
CN115082864A (zh) * 2022-07-25 2022-09-20 青岛亨通建设有限公司 一种建筑施工安全监控系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102214291A (zh) * 2010-04-12 2011-10-12 云南清眸科技有限公司 一种快速准确的基于视频序列的人脸检测跟踪方法
US20150379766A1 (en) * 2013-02-21 2015-12-31 Isis Innovation Limted Generation of 3d models of an environment
CN107909061A (zh) * 2017-12-07 2018-04-13 电子科技大学 一种基于不完备特征的头部姿态跟踪装置及方法
CN108537256A (zh) * 2018-03-26 2018-09-14 北京智芯原动科技有限公司 一种安全帽佩戴识别方法及装置
CN110443372A (zh) * 2019-07-11 2019-11-12 南京邮电大学 一种基于熵最小化的迁移学习方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102214291A (zh) * 2010-04-12 2011-10-12 云南清眸科技有限公司 一种快速准确的基于视频序列的人脸检测跟踪方法
US20150379766A1 (en) * 2013-02-21 2015-12-31 Isis Innovation Limted Generation of 3d models of an environment
CN107909061A (zh) * 2017-12-07 2018-04-13 电子科技大学 一种基于不完备特征的头部姿态跟踪装置及方法
CN108537256A (zh) * 2018-03-26 2018-09-14 北京智芯原动科技有限公司 一种安全帽佩戴识别方法及装置
CN110443372A (zh) * 2019-07-11 2019-11-12 南京邮电大学 一种基于熵最小化的迁移学习方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
施辉 等: "改进YOLO v3的安全帽佩戴检测方法", 《计算机工程与应用》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929608A (zh) * 2019-11-12 2020-03-27 国网天津市电力公司 安全帽佩带检测方法及系统
CN111104918A (zh) * 2019-12-24 2020-05-05 杭州魔点科技有限公司 门禁控制方法、装置、电子设备及介质
CN111640214A (zh) * 2020-05-26 2020-09-08 河源市丽兴电子有限公司 一种人脸识别系统
CN111652120A (zh) * 2020-06-01 2020-09-11 福建睿思特科技股份有限公司 一种基于stm32h7处理机的头盔识别设备
CN111652120B (zh) * 2020-06-01 2023-03-24 福建睿思特科技股份有限公司 一种基于stm32h7处理机的头盔识别设备
CN112115783A (zh) * 2020-08-12 2020-12-22 中国科学院大学 基于深度知识迁移的人脸特征点检测方法、装置及设备
CN112115783B (zh) * 2020-08-12 2023-11-14 中国科学院大学 基于深度知识迁移的人脸特征点检测方法、装置及设备
CN113553963A (zh) * 2021-07-27 2021-10-26 广联达科技股份有限公司 安全帽的检测方法、装置、电子设备及可读存储介质
CN113591683A (zh) * 2021-07-28 2021-11-02 北京百度网讯科技有限公司 姿态估计方法、装置、电子设备和存储介质
CN115082864A (zh) * 2022-07-25 2022-09-20 青岛亨通建设有限公司 一种建筑施工安全监控系统
CN115082864B (zh) * 2022-07-25 2022-12-02 青岛亨通建设有限公司 一种建筑施工安全监控系统

Also Published As

Publication number Publication date
CN110414400B (zh) 2021-12-21

Similar Documents

Publication Publication Date Title
CN110414400A (zh) 一种施工现场安全帽穿戴自动检测方法及系统
CN110569772B (zh) 一种泳池内人员状态检测方法
CN108053427A (zh) 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置
CN105208325B (zh) 基于图像定点抓拍及比对分析的国土资源监控预警方法
CN109492581A (zh) 一种基于tp-stg框架的人体动作识别方法
CN112085010A (zh) 一种基于图像识别的口罩检测和部署系统及方法
CN104010168B (zh) 一种无重叠视域多摄像机监控网络拓扑自适应学习方法
CN108062349A (zh) 基于视频结构化数据及深度学习的视频监控方法和系统
CN104036236B (zh) 一种基于多参数指数加权的人脸性别识别方法
CN106203260A (zh) 基于多摄像机监控网络的行人识别与跟踪方法
CN108052859A (zh) 一种基于聚类光流特征的异常行为检测方法、系统及装置
CN108710126A (zh) 自动化探测驱逐目标方法及其系统
CN110472611A (zh) 人物属性识别的方法、装置、电子设备及可读存储介质
CN109255298A (zh) 一种动态背景中的安全帽检测方法与系统
CN110425005A (zh) 矿井下皮带运输人员人机交互行为安全监控与预警方法
CN109376637A (zh) 基于视频监控图像处理的人数统计系统
CN111539276B (zh) 一种在电力场景下安全帽实时检测的方法
CN107133569A (zh) 基于泛化多标记学习的监控视频多粒度标注方法
CN108288033A (zh) 一种基于随机蕨融合多特征的安全帽检测方法
CN111079722B (zh) 一种吊装过程人员安全监测方法及系统
CN104820995A (zh) 一种面向大型公共场所的人流密度监测预警方法
CN112434669B (zh) 一种多信息融合的人体行为检测方法及系统
CN107423686A (zh) 视频多目标模糊数据关联方法及装置
CN111666920A (zh) 目标物品佩戴检测方法、装置、存储介质及电子装置
CN103150552B (zh) 一种基于人头计数的驾驶培训管理方法

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