CN110852283A - 一种基于改进YOLOv3的安全帽佩戴检测与跟踪方法 - Google Patents
一种基于改进YOLOv3的安全帽佩戴检测与跟踪方法 Download PDFInfo
- Publication number
- CN110852283A CN110852283A CN201911109583.0A CN201911109583A CN110852283A CN 110852283 A CN110852283 A CN 110852283A CN 201911109583 A CN201911109583 A CN 201911109583A CN 110852283 A CN110852283 A CN 110852283A
- Authority
- CN
- China
- Prior art keywords
- frame
- detection
- target
- tracking
- safety helmet
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
一种基于改进YOLOv3的安全帽佩戴检测与跟踪方法,涉及图像识别技术领域。本发明包括以下步骤:(1)数据准备并制作训练集;(2)构建改进YOLOv3‑MobileNetV2目标检测模型;(3)通过安全帽佩戴检测模型进行视频流实时识别;(4)利用未佩戴安全帽的当前帧检测框状态,对下一帧的预测框的位置进行预测,再通过检测框与预测框的交并比进行匹配实现前后帧的关联,最终实现对未佩戴安全帽施工人员的跟踪并计数;(5)将未佩戴安全帽的检测框的中心点作为目标跟踪的轨迹点,完成跟踪轨迹的绘制。本发明实现了对安全帽佩戴检测及对未佩戴安全帽人员的跟踪计数,且大大提高原YOLOv3目标检测模型的检测速度及准确度。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及一种用于安全帽佩戴检测与跟踪的图像识别方法。
背景技术
安全帽作为有效的头部防护工具目前已被广泛使用于各类施工现场,但由于施工现场安全管理疏忽、施工人员安全防护意识薄弱等原因,一些因未佩戴安全帽而引发的伤亡事故也频繁发生。因此,实现施工现场安全帽佩戴识别以及对未佩戴安全帽人员进行实时的检测跟踪,对于施工现场的安全防护管理以及智能信息化管理具有重要意义。
MobileNet是google提出的新一代移动端卷积神经网络(Convolutional NeuralNetwork,CNN)模型。该模型结构较简单,平衡了性能与流畅性,非常适合部署在手机等硬件配置不高、运算能力相对较差的移动平台上。
YOLOv3是近几年目标检测领域的一个创新,作为一种全新的神经网络结构,可同时预测检测对象的类别和位置,将目标检测视为简单的回归问题,是一种实时检测方法。现如今已有将YOLOv3用于安全帽佩戴检测领域,但是其仅仅只是基于视频流的帧检测过程,无法联系前后帧,从而无法识别出被短暂遮挡后再次出现的相同目标。
发明内容
发明目的:本发明提供了一种基于改进YOLOv3的安全帽佩戴检测与跟踪方法,能够实现对安全帽佩戴检测及对未佩戴安全帽人员的跟踪计数,且检测速度及准确度也大大提高。
一种基于改进YOLOv3的安全帽佩戴检测与跟踪方法,包括以下步骤:
(1)数据准备并制作训练集;
(2)构建改进YOLOv3-MobileNetV2目标检测模型;
(3)安全帽佩戴检测模型进行视频流实时识别;
(4)利用未佩戴安全帽的检测框的当前帧的状态预测下一帧的预测框位置,再通过检测框与预测框的交并比进行匹配实现前后帧的关联,最终实现对未佩戴安全帽施工人员的跟踪并计数;
(5)将未佩戴安全帽的检测框的中心点作为目标跟踪的轨迹点,实现跟踪轨迹的绘制。
优选的是,本发明的步骤(1)包括以下步骤:
(11)样本数据由施工现场监控视频和网络硬盘录像机自制视频组合而成,其中施工现场的视频分辨率为960×544,自制视频分辨率为1280×720;
(12)将样本数据以每秒27帧转化成图片,并每10帧截取一张视频图片作为图片数据集;将获得的图片数据集通过HOG+SVM二分类进行有人物图片和背景图片的初步分类;将获得的人物图片以顺时针分别旋转30°,90°和180°,最终扩增的图片与原图片即为我们的训练集;
(13)将获得的训练集,通过LabelImg软件标注三类目标,分别是人(person(0)),佩戴安全帽(wear(1))和未佩戴安全帽(nowear(2))。
优选的是,本发明的步骤(2)包括以下步骤:
(21)通过轻量化MobileNetV2网络来代替YOLOv3原有的Darknet-53特征提取网络,再有Keras/Tensorflow深度学习框架构建YOLOv3-MobileNetV2目标检测模型;
(22)利用K-Means++维度聚类算法对训练集中手工标记的三类目标框进行聚类,得到N个聚类结果;在N个聚类结果中选取与三类目标框宽高比最相近的初始候选框写入配置文件,获得改进的YOLOv3。
优选的是,本发明的步骤(3)包括以下步骤:
利用步骤(2)获得的改进YOLOv3-MobileNetV2目标检测模型对步骤(1)获得的训练集进行训练,得到安全帽佩戴检测模型;利用获得的安全帽佩戴检测模型对输入视频进行实时识别检测,获得视频帧的各目标框位置,大小以及类别。
优选的是,本发明的步骤(4)包括以下步骤:
(41)当前视频帧经过改进YOLOv3检测器获得当前帧中各类别的目标检测框,根据类别分类获得未佩戴安全帽的检测框;
(42)利用卡尔曼滤波器把前一帧获得的各个检测框的中心点位置坐标(u,v)、纵横比γ、高度h以及各自在图像坐标中的速度作为物体状态的直接观测,利用误差协方差矩阵计算出预测目标位置;再按照以下公式对该预测值进行校正,得到的校正结果即为当前帧的真实状态;
(43)数据关联部分采用匈牙利算法实现前后帧的关联,利用目标检测框与目标在当前帧的预测框的IoU值作为匈牙利算法的权重;根据权重值匹配最合适的预测框,实现未佩戴安全帽人员的跟踪;
(44)当视频帧中出现未佩戴安全帽检测框且计数属性为未计数时,计数加1;当计数目标从视频中消失时,计数相应减少;以此实现视频帧中未佩戴安全帽人员数量的统计。
优选的是,本发明的步骤(5)包括以下步骤:
(51)利用对不同的未佩戴安全帽的检测框分配不同颜色跟踪轨迹的方法区分多个跟踪目标;视频前后帧中同一检测目标使用相同颜色的跟踪轨迹;根据经验发现施工现场很少出现大量未佩戴安全帽的情况所以最大颜色数量设置为20;
(52)每条跟踪轨迹由未佩戴安全帽检测框的中心点作为轨迹点组合而成;利用计算两端点欧氏距离的方法抑制首次检测轨迹飘逸问题,通过设定欧氏距离阈值为30实现一些飘逸轨迹的屏蔽;
(53)对于长时间未检测到追踪目标的情况,根据视频观察,设置超过30帧没有识别到该检测目标时放弃该目标并删除跟踪轨迹;少于30帧即认定为目标丢失前的检测目标,连接跟踪轨迹且不改变跟踪轨迹颜色。
与现有技术相比,本发明的有益效果是:本发明提供的基于改进YOLOv3的安全帽佩戴检测与跟踪方法,引入了轻量化MobileNetV2网络来代替YOLOv3原有的Darknet-53特征提取网络,构建改进YOLOv3-MobileNetV2目标检测模型;提出了K-Means++维度聚类算法设定初始框,替换手工设定初始框的方法;采用卡尔曼滤波算法和匈牙利算法根据未佩戴安全帽的检测框实现未佩戴安全帽施工人员的跟踪与计数;本发明不仅由于轻量化MobileNetV2网络的引入,使得目标检测的速度达到25帧每秒,满足实时性要求,而且在实现安全帽佩戴检测的同时实现了对未佩戴安全帽施工人员的跟踪与计数,对实时掌握未佩戴安全帽施工人员的情况有很大的帮助。
附图说明
图1为本发明总体流程图;
图2为本发明实施例中训练集制作过程示意图;
图3为本发明实施例中目标检测与跟踪流程图;
图4为本发明实施例中数据关联匹配原则示意图。
具体实施方法
下面结合附图和具体实施例对本发明作进一步说明。
如图1所示,本发明公开的一种基于改进YOLOv3的安全帽佩戴检测与跟踪方法,包括以下步骤:
1、数据准备并制作训练集。
样本数据由施工现场监控视频和网络硬盘录像机自制视频组合而成,其中施工现场的视频分辨率为960×544,自制视频分辨率为1280×720。如图2所示,将样本数据以每秒27帧转化成图片,并每10帧截取一张视频图片作为图片数据集,然后通过HOG+SVM二分类进行有人物图片和背景图片的初步分类,再将有人物的图像以顺时针分别旋转30°,90°和180°,最终原图片加上扩增的图片即为我们的训练集。将获得的训练集,通过LabelImg软件标注三类目标,分别是人,佩戴安全帽和未佩戴安全帽。
2、构建改进YOLOv3-MobileNetV2目标检测模型。
通过轻量化MobileNetV2网络来代替YOLOv3原有的Darknet-53特征提取网络,构建YOLOv3-MobileNetV2目标检测模型。利用K-Means++维度聚类算法对训练集中手工标记的三类目标框进行聚类,得到N个聚类结果,并在N个聚类结果中选取与三类目标框宽高比最相近的初始候选框写入配置文件,获得改进的YOLOv3。
3、安全帽佩戴检测模型进行视频流实时识别。
利用步骤2获得的改进YOLOv3-MobileNetV2目标检测模型对步骤1获得的训练集进行训练,得到安全帽佩戴检测模型,然后对输入视频进行实时识别检测,获得视频帧的各目标框位置,大小以及类别。
4、利用未佩戴安全帽的检测框的当前帧的状态预测下一帧的预测框位置,再通过检测框与预测框的交并比进行匹配实现前后帧的关联,最终实现对未佩戴安全帽施工人员的跟踪并计数。
如图3所示,本文发明对目标跟踪部分采用Tracking-by-Detection的方法。根据改进YOLOv3检测器获得的各目标检测框的类别分类,将未佩戴安全帽的检测框输入目标跟踪器,然后通过更新预测,达到准确跟踪指定目标。本发明实施例中的跟踪器由卡尔曼滤波算法和匈牙利算法两部分组成。首先利用卡尔曼滤波器把前一帧获得的各个检测框的中心点位置坐标(u,v)、纵横比γ、高度h以及各自在图像坐标中的速度作为物体状态的直接观测,利用误差协方差矩阵计算出预测目标位置,再按照以下公式对该预测值进行校正,得到的校正结果即为当前帧的真实状态。
然后关联部分采用匈牙利算法实现前后帧的关联,利用目标检测框与目标在当前帧的预测框的IoU值作为匈牙利算法的权重。根据权重值匹配最合适的预测框,实现未佩戴安全帽人员的跟踪。当视频帧中出现未佩戴安全帽检测框且计数属性为未计数时,计数加1。当计数目标从视频中消失时,计数相应减少。以此实现视频帧中未佩戴安全帽人员数量的统计。
本发明的匈牙利匹配算法是按如下方式获得:采用目标检测框与目标在当前帧的预测框的IoU值作为匈牙利算法的权重。当IoU小于一定数值时,不认为是同一个目标,本文发明实施例中选取的阈值为0.3。如图4所示,左边为第N帧检测框,右边为第N+1帧预测框,中间连接线为相连检测框的IoU值,左边顶点赋值为相连边的最大权重,右边顶点赋值为零。匹配原则为只和权重与左边顶点赋值相同的边进行匹配,当出现无边匹配或匹配冲突时,对此条路径的所有左边顶点赋值减d,所有右边顶点赋值加d,本文发明实施例中参数d取值为0.1。图中虚线即为匹配成功。
5、将未佩戴安全帽的检测框的中心点作为目标跟踪的轨迹点,实现跟踪轨迹的绘制。
利用对不同的未佩戴安全帽的检测框分配不同颜色跟踪轨迹的方法区分多个跟踪目标;视频前后帧中同一检测目标使用相同颜色的跟踪轨迹;根据经验发现施工现场很少出现大量未佩戴安全帽的情况所以最大颜色数量设置为20;
每条跟踪轨迹由未佩戴安全帽检测框的中心点作为轨迹点组合而成;利用计算两端点欧氏距离的方法抑制首次检测轨迹飘逸问题,通过设定欧氏距离阈值为30实现一些飘逸轨迹的屏蔽;
对于长时间未检测到追踪目标的情况,根据视频观察,设置超过30帧没有识别到该检测目标时放弃该目标并删除跟踪轨迹;少于30帧即认定为目标丢失前的检测目标,连接跟踪轨迹且不改变跟踪轨迹颜色。
本发明不仅可以实现安全帽佩戴情况的检测,还可以对未佩戴安全帽的施工人员进行跟踪,以便实时掌握未佩戴安全帽施工人员的情况,包括数量和位置;根据记录笔记分析出什么时间段什么工种经常出现未佩戴安全帽的情况,根据具体情况进行加强管理。
Claims (6)
1.一种基于改进YOLOv3的安全帽佩戴检测与跟踪方法,其特征在于,包括以下步骤:
(1)数据准备并制作训练集;
(2)构建改进YOLOv3-MobileNetV2目标检测模型;
(3)安全帽佩戴检测模型进行视频流实时识别;
(4)利用未佩戴安全帽的检测框的当前帧的状态预测下一帧的预测框位置,再通过检测框与预测框的交并比进行匹配实现前后帧的关联,最终实现对未佩戴安全帽施工人员的跟踪并计数;
(5)将未佩戴安全帽的检测框的中心点作为目标跟踪的轨迹点,实现跟踪轨迹的绘制。
2.根据权利要求1所述的基于改进YOLOv3的安全帽佩戴检测与跟踪方法,其特征在于,上述步骤(1)包括以下步骤:
(11)由施工现场监控视频和网络硬盘录像机自制视频组合后得到样本数据,其中施工现场监控视频的分辨率为960×544,网络硬盘录像机自制视频的分辨率为1280×720;
(12)将步骤(11)得到的样本数据以每秒27帧转化成图片,并每10帧截取一张视频图片作为图片数据集;将获得的图片数据集通过HOG+SVM二分类进行有人物图片和背景图片的初步分类;将获得的人物图片以顺时针分别旋转30°、90°和180°,最终扩增的图片与原图片即为我们的训练集;
(13)将步骤(12)获得的训练集,通过LabelImg软件标注三类目标,分别是人(person(0)),佩戴安全帽(wear(1))和未佩戴安全帽(nowear(2))。
3.根据权利要求2所述的基于改进YOLOv3的安全帽佩戴检测与跟踪方法,其特征在于,上述步骤(2)包括以下步骤:
(21)通过轻量化MobileNetV2网络来代替YOLOv3原有的Darknet-53特征提取网络,再由Keras/Tensorflow深度学习框架构建YOLOv3-MobileNetV2目标检测模型;
(22)利用K-Means++维度聚类算法对训练集中手工标记的三类目标框进行聚类,得到N个聚类结果;在N个聚类结果中选取与三类目标框宽高比最相近的初始候选框写入配置文件,获得改进的YOLOv3。
4.根据权利要求3所述的基于改进YOLOv3的安全帽佩戴检测与跟踪方法,其特征在于,上述步骤(3)包括以下步骤:
利用步骤(2)获得的改进YOLOv3-MobileNetV2目标检测模型对步骤(1)获得的训练集进行训练,得到安全帽佩戴检测模型;利用获得的安全帽佩戴检测模型对输入视频进行实时识别检测,获得视频帧的各目标框位置、大小以及类别。
5.根据权利要求4所述的基于改进YOLOv3的安全帽佩戴检测与跟踪方法,其特征在于,上述步骤(4)包括以下步骤:
(41)当前视频帧经过改进YOLOv3检测器获得当前帧中各类别的目标检测框,根据类别分类获得未佩戴安全帽的检测框;
(42)利用卡尔曼滤波器把前一帧获得的各个检测框的中心点位置坐标(u,v)、纵横比γ、高度h以及各自在图像坐标中的速度作为物体状态的直接观测,利用误差协方差矩阵计算出预测目标位置;再按照以下公式进行校正,得到的校正结果即为当前帧的真实状态;
(43)数据关联部分采用匈牙利算法实现前后帧的关联,利用目标检测框与目标在当前帧的预测框的IoU值作为匈牙利算法的权重;根据权重值匹配最合适的预测框,实现未佩戴安全帽人员的跟踪;
(44)当视频帧中出现未佩戴安全帽检测框且计数属性为未计数时,计数加1;当计数目标从视频中消失时,计数相应减少;以此实现当前视频帧中未佩戴安全帽人员数量的统计。
6.根据权利要求5所述的基于改进YOLOv3的安全帽佩戴检测与跟踪方法,其特征在于,所述步骤(5)包括以下步骤:
(51)利用对不同的未佩戴安全帽的检测框分配不同颜色跟踪轨迹的方法区分多个跟踪目标;视频前后帧中同一检测目标使用相同颜色的跟踪轨迹;颜色数量设置为20;
(52)每条跟踪轨迹由未佩戴安全帽检测框的中心点作为轨迹点组合而成;利用计算两端点欧氏距离的方法抑制首次检测轨迹飘逸问题,通过设定欧氏距离阈值为30实现对飘逸轨迹的屏蔽;
(53)对于长时间未检测到追踪目标的情况,根据视频观察,设置超过30帧没有识别到该检测目标时放弃该目标并删除跟踪轨迹;少于30帧即认定为目标丢失前的检测目标,连接跟踪轨迹且不改变跟踪轨迹颜色。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911109583.0A CN110852283A (zh) | 2019-11-14 | 2019-11-14 | 一种基于改进YOLOv3的安全帽佩戴检测与跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911109583.0A CN110852283A (zh) | 2019-11-14 | 2019-11-14 | 一种基于改进YOLOv3的安全帽佩戴检测与跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110852283A true CN110852283A (zh) | 2020-02-28 |
Family
ID=69600396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911109583.0A Pending CN110852283A (zh) | 2019-11-14 | 2019-11-14 | 一种基于改进YOLOv3的安全帽佩戴检测与跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852283A (zh) |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401276A (zh) * | 2020-03-20 | 2020-07-10 | 广东光速智能设备有限公司 | 一种安全帽佩戴识别方法及系统 |
CN111415338A (zh) * | 2020-03-16 | 2020-07-14 | 城云科技(中国)有限公司 | 目标检测模型的构建方法及系统 |
CN111523432A (zh) * | 2020-04-16 | 2020-08-11 | 重庆大学 | 一种智慧工地安全帽检测系统及其方法 |
CN111652836A (zh) * | 2020-03-19 | 2020-09-11 | 天津大学 | 一种基于聚类算法和神经网络的多尺度目标检测方法 |
CN111967393A (zh) * | 2020-08-18 | 2020-11-20 | 杭州师范大学 | 一种基于改进YOLOv4的安全帽佩戴检测方法 |
CN112085620A (zh) * | 2020-08-25 | 2020-12-15 | 广西电网有限责任公司电力科学研究院 | 一种服务于电力生产作业场景的安全监管方法及系统 |
CN112131983A (zh) * | 2020-09-11 | 2020-12-25 | 桂林理工大学 | 一种基于改进YOLOv3网络的安全帽佩戴检测方法 |
CN112149551A (zh) * | 2020-09-21 | 2020-12-29 | 上海孚聪信息科技有限公司 | 一种基于嵌入式设备和深度学习的安全帽识别方法 |
CN112241695A (zh) * | 2020-09-25 | 2021-01-19 | 上海荷福人工智能科技(集团)有限公司 | 具有人脸识别功能的未带安全帽人像识别方法 |
CN112257502A (zh) * | 2020-09-16 | 2021-01-22 | 深圳微步信息股份有限公司 | 一种监控视频行人识别与跟踪方法、装置及存储介质 |
CN112257620A (zh) * | 2020-10-27 | 2021-01-22 | 广州华微明天软件技术有限公司 | 一种安全穿戴情况识别方法 |
CN112396658A (zh) * | 2020-11-30 | 2021-02-23 | 同济人工智能研究院(苏州)有限公司 | 一种基于视频的室内人员定位方法及定位系统 |
CN112434827A (zh) * | 2020-11-23 | 2021-03-02 | 南京富岛软件有限公司 | 一种5t运维中安全防护识别单元 |
CN112487976A (zh) * | 2020-11-30 | 2021-03-12 | 中科院计算所西部高等技术研究院 | 基于图像识别的监测方法、装置和存储介质 |
CN112614154A (zh) * | 2020-12-08 | 2021-04-06 | 深圳市优必选科技股份有限公司 | 目标跟踪轨迹的获取方法、装置及计算机设备 |
CN112639872A (zh) * | 2020-04-24 | 2021-04-09 | 华为技术有限公司 | 一种目标检测中难例挖掘的方法及装置 |
CN112836644A (zh) * | 2021-02-04 | 2021-05-25 | 电子科技大学 | 一种基于超图学习的安全帽实时检测方法 |
CN112906533A (zh) * | 2021-02-07 | 2021-06-04 | 成都睿码科技有限责任公司 | 一种基于自适应检测区域的安全帽佩戴检测方法 |
CN112926540A (zh) * | 2021-04-08 | 2021-06-08 | 天津天地伟业智能安全防范科技有限公司 | 一种二轮车佩戴头盔的检测方法、装置及电子设备 |
CN113033353A (zh) * | 2021-03-11 | 2021-06-25 | 北京文安智能技术股份有限公司 | 基于俯视图像的行人轨迹生成方法、存储介质和电子设备 |
CN113052107A (zh) * | 2021-04-01 | 2021-06-29 | 北京华夏启信科技有限公司 | 一种检测安全帽佩戴情况的方法、计算机设备及存储介质 |
CN113159984A (zh) * | 2021-03-19 | 2021-07-23 | 云南电网有限责任公司西双版纳供电局 | 一种变电站工作人员工作路径追踪方法 |
CN113221808A (zh) * | 2021-05-26 | 2021-08-06 | 新疆爱华盈通信息技术有限公司 | 一种基于图像识别的餐盘计数统计方法及装置 |
CN113256637A (zh) * | 2021-07-15 | 2021-08-13 | 北京小蝇科技有限责任公司 | 一种基于深度学习、上下文相关的尿液有形成分检测方法 |
CN113420626A (zh) * | 2021-06-15 | 2021-09-21 | 福建华电可门发电有限公司 | 一种施工现场安全行为判别方法和存储设备 |
CN113553979A (zh) * | 2021-07-30 | 2021-10-26 | 国电汉川发电有限公司 | 一种基于改进yolo v5的安全服检测方法和系统 |
CN113610819A (zh) * | 2021-08-11 | 2021-11-05 | 杭州申昊科技股份有限公司 | 缺陷检测方法及装置、电子设备、存储介质 |
CN116260990A (zh) * | 2023-05-16 | 2023-06-13 | 合肥高斯智能科技有限公司 | 一种多路视频流的ai异步检测并实时渲染方法及系统 |
WO2023201392A1 (en) * | 2022-04-20 | 2023-10-26 | Muthiah Annamalai | Privacy preserving safety risk detection system and method |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108053427A (zh) * | 2017-10-31 | 2018-05-18 | 深圳大学 | 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置 |
CN109829445A (zh) * | 2019-03-01 | 2019-05-31 | 大连理工大学 | 一种视频流中的车辆检测方法 |
CN110309718A (zh) * | 2019-05-27 | 2019-10-08 | 安徽继远软件有限公司 | 一种电网作业人员安全帽佩戴检测方法 |
CN110378259A (zh) * | 2019-07-05 | 2019-10-25 | 桂林电子科技大学 | 一种面向监控视频的多目标行为识别方法及系统 |
CN110399905A (zh) * | 2019-07-03 | 2019-11-01 | 常州大学 | 施工场景中安全帽佩戴情况的检测及描述方法 |
-
2019
- 2019-11-14 CN CN201911109583.0A patent/CN110852283A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108053427A (zh) * | 2017-10-31 | 2018-05-18 | 深圳大学 | 一种基于KCF与Kalman的改进型多目标跟踪方法、系统及装置 |
CN109829445A (zh) * | 2019-03-01 | 2019-05-31 | 大连理工大学 | 一种视频流中的车辆检测方法 |
CN110309718A (zh) * | 2019-05-27 | 2019-10-08 | 安徽继远软件有限公司 | 一种电网作业人员安全帽佩戴检测方法 |
CN110399905A (zh) * | 2019-07-03 | 2019-11-01 | 常州大学 | 施工场景中安全帽佩戴情况的检测及描述方法 |
CN110378259A (zh) * | 2019-07-05 | 2019-10-25 | 桂林电子科技大学 | 一种面向监控视频的多目标行为识别方法及系统 |
Non-Patent Citations (5)
Title |
---|
XIAOWEI WEI ET AL.: "Fast Recognition of Infrared Targets Based on CNN", 《2019 3RD INTERNATIONAL CONFERENCE ON ELECTRONIC INFORMATION TECHNOLOGY AND COMPUTER ENGINEERING (EITCE)》 * |
YI ZHANG ET AL.: "Multi-Person tracking algorithm based on data association", 《OPTIK - INTERNATIONAL JOURNAL FOR LIGHT AND ELECTRON OPTICS》 * |
YUAN WANG ET AL.: "PointIT: A Fast Tracking Framework Based on 3D Instance Segmentation", 《ARXIV.ORG》 * |
吴晖 等: "面向变电站视频监控终端的目标检测方法及其优化", 《广东电力》 * |
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 (40)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111415338A (zh) * | 2020-03-16 | 2020-07-14 | 城云科技(中国)有限公司 | 目标检测模型的构建方法及系统 |
CN111652836A (zh) * | 2020-03-19 | 2020-09-11 | 天津大学 | 一种基于聚类算法和神经网络的多尺度目标检测方法 |
CN111401276A (zh) * | 2020-03-20 | 2020-07-10 | 广东光速智能设备有限公司 | 一种安全帽佩戴识别方法及系统 |
CN111401276B (zh) * | 2020-03-20 | 2024-05-17 | 广东光速智能设备有限公司 | 一种安全帽佩戴识别方法及系统 |
CN111523432A (zh) * | 2020-04-16 | 2020-08-11 | 重庆大学 | 一种智慧工地安全帽检测系统及其方法 |
CN112639872A (zh) * | 2020-04-24 | 2021-04-09 | 华为技术有限公司 | 一种目标检测中难例挖掘的方法及装置 |
CN112639872B (zh) * | 2020-04-24 | 2022-02-11 | 华为技术有限公司 | 一种目标检测中难例挖掘的方法及装置 |
CN111967393A (zh) * | 2020-08-18 | 2020-11-20 | 杭州师范大学 | 一种基于改进YOLOv4的安全帽佩戴检测方法 |
CN111967393B (zh) * | 2020-08-18 | 2024-02-13 | 杭州师范大学 | 一种基于改进YOLOv4的安全帽佩戴检测方法 |
CN112085620A (zh) * | 2020-08-25 | 2020-12-15 | 广西电网有限责任公司电力科学研究院 | 一种服务于电力生产作业场景的安全监管方法及系统 |
CN112131983A (zh) * | 2020-09-11 | 2020-12-25 | 桂林理工大学 | 一种基于改进YOLOv3网络的安全帽佩戴检测方法 |
CN112257502A (zh) * | 2020-09-16 | 2021-01-22 | 深圳微步信息股份有限公司 | 一种监控视频行人识别与跟踪方法、装置及存储介质 |
CN112149551A (zh) * | 2020-09-21 | 2020-12-29 | 上海孚聪信息科技有限公司 | 一种基于嵌入式设备和深度学习的安全帽识别方法 |
CN112241695A (zh) * | 2020-09-25 | 2021-01-19 | 上海荷福人工智能科技(集团)有限公司 | 具有人脸识别功能的未带安全帽人像识别方法 |
CN112257620A (zh) * | 2020-10-27 | 2021-01-22 | 广州华微明天软件技术有限公司 | 一种安全穿戴情况识别方法 |
CN112257620B (zh) * | 2020-10-27 | 2021-10-26 | 广州华微明天软件技术有限公司 | 一种安全穿戴情况识别方法 |
CN112434827A (zh) * | 2020-11-23 | 2021-03-02 | 南京富岛软件有限公司 | 一种5t运维中安全防护识别单元 |
CN112396658A (zh) * | 2020-11-30 | 2021-02-23 | 同济人工智能研究院(苏州)有限公司 | 一种基于视频的室内人员定位方法及定位系统 |
CN112487976A (zh) * | 2020-11-30 | 2021-03-12 | 中科院计算所西部高等技术研究院 | 基于图像识别的监测方法、装置和存储介质 |
CN112396658B (zh) * | 2020-11-30 | 2024-03-19 | 同济人工智能研究院(苏州)有限公司 | 一种基于视频的室内人员定位方法及定位系统 |
CN112487976B (zh) * | 2020-11-30 | 2023-10-24 | 中科院计算所西部高等技术研究院 | 基于图像识别的监测方法、装置和存储介质 |
CN112614154A (zh) * | 2020-12-08 | 2021-04-06 | 深圳市优必选科技股份有限公司 | 目标跟踪轨迹的获取方法、装置及计算机设备 |
CN112614154B (zh) * | 2020-12-08 | 2024-01-19 | 深圳市优必选科技股份有限公司 | 目标跟踪轨迹的获取方法、装置及计算机设备 |
CN112836644A (zh) * | 2021-02-04 | 2021-05-25 | 电子科技大学 | 一种基于超图学习的安全帽实时检测方法 |
CN112906533A (zh) * | 2021-02-07 | 2021-06-04 | 成都睿码科技有限责任公司 | 一种基于自适应检测区域的安全帽佩戴检测方法 |
CN113033353A (zh) * | 2021-03-11 | 2021-06-25 | 北京文安智能技术股份有限公司 | 基于俯视图像的行人轨迹生成方法、存储介质和电子设备 |
CN113159984A (zh) * | 2021-03-19 | 2021-07-23 | 云南电网有限责任公司西双版纳供电局 | 一种变电站工作人员工作路径追踪方法 |
CN113052107A (zh) * | 2021-04-01 | 2021-06-29 | 北京华夏启信科技有限公司 | 一种检测安全帽佩戴情况的方法、计算机设备及存储介质 |
CN113052107B (zh) * | 2021-04-01 | 2023-10-24 | 北京华夏启信科技有限公司 | 一种检测安全帽佩戴情况的方法、计算机设备及存储介质 |
CN112926540A (zh) * | 2021-04-08 | 2021-06-08 | 天津天地伟业智能安全防范科技有限公司 | 一种二轮车佩戴头盔的检测方法、装置及电子设备 |
CN113221808A (zh) * | 2021-05-26 | 2021-08-06 | 新疆爱华盈通信息技术有限公司 | 一种基于图像识别的餐盘计数统计方法及装置 |
CN113420626A (zh) * | 2021-06-15 | 2021-09-21 | 福建华电可门发电有限公司 | 一种施工现场安全行为判别方法和存储设备 |
CN113256637B (zh) * | 2021-07-15 | 2021-11-05 | 北京小蝇科技有限责任公司 | 一种基于深度学习、上下文相关的尿液有形成分检测方法 |
WO2023284341A1 (zh) * | 2021-07-15 | 2023-01-19 | 北京小蝇科技有限责任公司 | 一种基于深度学习、上下文相关的尿液有形成分检测方法 |
CN113256637A (zh) * | 2021-07-15 | 2021-08-13 | 北京小蝇科技有限责任公司 | 一种基于深度学习、上下文相关的尿液有形成分检测方法 |
CN113553979B (zh) * | 2021-07-30 | 2023-08-08 | 国电汉川发电有限公司 | 一种基于改进yolo v5的安全服检测方法和系统 |
CN113553979A (zh) * | 2021-07-30 | 2021-10-26 | 国电汉川发电有限公司 | 一种基于改进yolo v5的安全服检测方法和系统 |
CN113610819A (zh) * | 2021-08-11 | 2021-11-05 | 杭州申昊科技股份有限公司 | 缺陷检测方法及装置、电子设备、存储介质 |
WO2023201392A1 (en) * | 2022-04-20 | 2023-10-26 | Muthiah Annamalai | Privacy preserving safety risk detection system and method |
CN116260990A (zh) * | 2023-05-16 | 2023-06-13 | 合肥高斯智能科技有限公司 | 一种多路视频流的ai异步检测并实时渲染方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110852283A (zh) | 一种基于改进YOLOv3的安全帽佩戴检测与跟踪方法 | |
CN110502965B (zh) | 一种基于计算机视觉人体姿态估计的施工安全帽佩戴监测方法 | |
CN108009473A (zh) | 基于目标行为属性视频结构化处理方法、系统及存储装置 | |
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 | |
JP6549797B2 (ja) | 通行人の頭部識別方法及びシステム | |
CN108921159B (zh) | 用于检测安全帽的佩戴情况的方法和装置 | |
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 | |
CN108416250B (zh) | 人数统计方法及装置 | |
WO2020253308A1 (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 | |
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 | |
CN111914636B (zh) | 一种检测行人是否佩戴安全帽的方法及装置 | |
CN108154110B (zh) | 一种基于深度学习人头检测的密集人流量统计方法 | |
CN110648352B (zh) | 一种异常事件的检测方法、装置及电子设备 | |
CN109522854A (zh) | 一种基于深度学习和多目标跟踪的行人流量统计方法 | |
CN102214309B (zh) | 一种基于头肩模型的特定人体识别方法 | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
CN104361327A (zh) | 一种行人检测方法和系统 | |
CN104318263A (zh) | 一种实时高精度人流计数方法 | |
CN107133607B (zh) | 基于视频监控的人群统计方法及系统 | |
CN106446922A (zh) | 一种人群异常行为分析方法 | |
WO2022078134A1 (zh) | 一种人员流量分析方法和系统、电子设备和可读存储介质 | |
CN106548131A (zh) | 一种基于行人检测的施工人员安全帽实时检测方法 | |
CN108471497A (zh) | 一种基于云台摄像机的船目标实时检测方法 | |
CN111144377A (zh) | 一种基于人群计数算法的密集区域预警方法 | |
CN104077571B (zh) | 一种采用单类序列化模型的人群异常行为检测方法 |
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 |