CN111832461A - 一种基于视频流的非机动车骑行人员头盔佩戴检测方法 - Google Patents

一种基于视频流的非机动车骑行人员头盔佩戴检测方法 Download PDF

Info

Publication number
CN111832461A
CN111832461A CN202010644994.6A CN202010644994A CN111832461A CN 111832461 A CN111832461 A CN 111832461A CN 202010644994 A CN202010644994 A CN 202010644994A CN 111832461 A CN111832461 A CN 111832461A
Authority
CN
China
Prior art keywords
helmet
detection
motor vehicle
image
frame
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
CN202010644994.6A
Other languages
English (en)
Other versions
CN111832461B (zh
Inventor
冯吉红
沈伟斌
张宸逍
潘庆
黄浩如
胡志杰
马震威
王效灵
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.)
Zhejiang Gongshang University
Original Assignee
Zhejiang Gongshang University
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 Zhejiang Gongshang University filed Critical Zhejiang Gongshang University
Priority to CN202010644994.6A priority Critical patent/CN111832461B/zh
Publication of CN111832461A publication Critical patent/CN111832461A/zh
Application granted granted Critical
Publication of CN111832461B publication Critical patent/CN111832461B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/147—Discrete orthonormal transforms, e.g. discrete cosine transform, discrete sine transform, and variations therefrom, e.g. modified discrete cosine transform, integer transforms approximating the discrete cosine transform
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Computation (AREA)
  • Discrete Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于视频流的非机动车骑行人员头盔佩戴检测方法。本发明结合了SSD非机动车检测的边框回归、基于阈值法去高光处理、非局部平衡滤波降噪及图像增强的图像前处理、SSD头盔检测结合位置判定、面积判定和几何特征判定的检测方法和未佩戴头盔证据照片合成模块进行视频流下的非机动车骑行人员头盔佩戴检测。本发明不仅有效降低检测误判率与漏检率，同时提高了头盔检测的速率和精度。

Description

一种基于视频流的非机动车骑行人员头盔佩戴检测方法
技术领域
本发明涉及一种基于视频流的非机动车骑行人员头盔佩戴检测方法，属于智慧交通领域。
背景技术
研究表明，佩戴头盔有助于减小伤亡率，是减少交通事故致人伤亡的有效手段，可使受伤者的比例下降70％，死亡率下降40％。公安部交通管理局发文指出为有效保护摩托车、电动自行车骑乘人员和汽车驾乘人员生命安全，减少交通事故死亡，公安部交通管理局部署全国开展“一盔一带”安全守护行动。行动以来，各地公安交管部门坚持宣传引导先行、行业示范引领，广泛发动群众参与，群众佩戴安全头盔、使用安全带的意识明显增强。但是很多非机动车驾驶人员安全意识不强，不会自觉佩戴安全头盔。传统的交通违章管控与检测方法因车流量大，头盔尺寸小难检测等问题，存在检测效率低，人力成本高，覆盖不完善等情况。基于视频流的非机动车驾驶员头盔佩戴检测方法可有效解决以上不足。
传统的运动目标检测采用背景建模法和帧差法，检测精度较低。现代的目标检测算法多数是基于深度学习的检测算法，但这些算法存在检测速度慢，实时性较差的问题。SSD算法运行速度快，识别精度高，但是很多数值都需要手工设置，所以调试过程非常依赖经验，且因其低级特征卷积层数少，容易存在特征提取不充分的问题，以至于出现检测目标中不包含人脸信息或骑行人员信息的情况。
传统的高光去除算法一般基于双色反射模型，无法很好地对高光区域存在饱和现象的图像进行处理。现代采用的去高光手段通常为将强镜面反射分量与弱镜面反射分量同时删除，而弱镜面反射分量包含了高光区域图像的颜色信息，纹理信息等，采用此方法会直接将图像信息进行删除，虽然可以达到去除反光的目的，但也会使图像高光区域信息丢失，不利于后期的图像检测。
发明内容
针对现有技术的不足，本发明结合了SSD非机动车检测的边框回归、基于阈值法去高光处理、非局部平衡滤波降噪及图像增强的图像前处理、SSD头盔检测结合位置判定、面积判定和几何特征判定的检测方法和未佩戴头盔证据照片合成模块进行视频流下的非机动车骑行人员头盔佩戴检测。
本发明的解决技术问题所采取的技术方案为：
步骤1：针对非机动车及头盔训练SSD网络模型。
步骤2：读入RTSP视频流，保存当前帧图像的信息。
步骤3：使用已经训练好的SSD网络模型检测非机动车，使并用矩形检测框标记。
步骤4：使用肤色检测与人脸检测对违章行人检测框进行回归偏移操作。
步骤5：对非机动车检测框进行偏移扩大，通过人脸坐标与非机动车坐标对非机动车预测框进行回归操作，使非机动车预测框中包含骑行者信息并保存。
步骤6：使用阈值法对头盔检测原图像做去反光处理，对图像进行非局部平衡滤波降噪。
步骤7：使用已训练好的SSD算法检测目标头盔，并逐步对目标进行位置判定，面积判定和几何特征判定从而决策出头盔检测结果。
步骤8：最后根据判定结果进行未佩戴头盔证据照片合成。
本发明将SSD非机动车检测的边框回归、基于阈值法去高光处理和非局部平衡滤波降噪的图像前处理、SSD头盔检测结合位置判定、面积判定和几何特征判定的检测方法相结合，不仅有效降低检测误判率与漏检率，同时提高了头盔检测的速率和精度。
附图说明
图1为本发明总体流程图；
图2为SSD网络算法训练流程图；
图3为SSD网络结构图；
图4为非机动车检测与判定流程图；
图5为去反光流程图；
图6为图像非局部滤波与增强处理图；
图7为头盔检测模块总流程图；
图8为头盔位置判定流程图；
图9为未佩戴头盔图像证据合成流程图。
具体实施方式
以下结合附图对本发明作进一步说明。
如图1所示，本发明包括如下步骤：
步骤1：针对非机动车及头盔训练SSD网络模型；
步骤2：读入RTSP视频流，保存当前帧图像的信息；
步骤3：使用训练好的SSD网络算法进行非机动车检测；
步骤4：当目标区域检测到非机动车时，标记为兴趣帧，检测结果用矩形框标记显示，将检测框中的信息保存为头盔检测原始图像；
步骤5：对头盔检测原图像进行基于阈值法的反光处理和非局部滤波降噪处理；
步骤6：将要识别的头盔看成原始图像中所要检测的目标，使用已经训练好的SSD网络算法对原图像进行头盔检测；
步骤7：经过位置判定，面积判定和几何特征判定得到头盔检测结果；
步骤8：检测结果用带注释的矩形框标记显示，将得到的检测结果进行边框回归操作，使得标记的目标矩形框中包含人脸和头盔信息；
步骤9：根据判定结果进行未佩戴头盔证据照片合成。
本发明的SSD网络算法训练过程如图2所示。SSD网络结构如图3所示，其基本原理为输入一幅包含非机动车与头盔的图像，让图像经过卷积神经网络(CNN)提取特征，并生成feature map，抽取其中六层的feature map，然后在feature map的每个点上生成defaultbox(各层的个数不同，但每个点都有)，集合所有生成的default box，送入到NMS(极大值抑制)中，输出筛选后的default box，并输出。针对非机动车及头盔的SSD网络算法训练具体步骤如下：
步骤1：SSD结构图中的conv10_2和conv11_2这两个预测层默认框尺寸过大，远远非机动车及头盔的尺寸，所以将这两个预测层删除以提升训练速度。
步骤2：对包含非机动车级头盔信息的图像，取其非机动车区域及头盔进行图像拉伸，翻转，旋转，颜色变换等操作，增加图片数据量。
步骤3：为更好地防止过拟合现象，添加随机高斯白噪声。
步骤4：3000张包含非机动车级头盔信息的图像，调整图像大小为300×300，作为网络训练集，4000张图像作为测试集，待学习类别为非机动车和头盔两项。
步骤5：网络设置参数包含批尺寸、学习率、动量常量、最大迭代次数和权值衰减系数等。
步骤6：进行迭代训练。
步骤7：输出并保存训练结果。
步骤8：对训练模型进行验证。
本发明的非机动车检测过程如图4所示。具体步骤如下：
步骤1：通过RTSP读取当前帧，使用已经训练好的SSD网络模型检测非机动车，使并用矩形检测框标记。
步骤2：在限定区域内进行人脸识别与肤色检测，对人脸区域与肤色区域进行重合度判别，以0.5为重合度阈值，保留大于该阈值的人脸区域并计算其中心坐标。
步骤3：对检测框做偏移放大处理，保留含有人脸信息的非机动车检测框，并对人脸位置及非机动车位置进行距离判定，将满足设定距离阈值的检测框信息标记为含骑行人员的非机动车。
步骤4：在步骤3的基础上，对检测框进行回归操作得到预测框，使得新的预测框包含非机动车及骑行人员信息，保存预测框信息为新的图像，作为头盔检测的原始图像。
本发明的前处理中的图像去反光操作流程如图5所示，具体步骤如下：
步骤1：对目标区域，采用暗原色定理检测高光，其中镜面反射分量I(x)＝minC∈{R,G,B}IC(x)。
说明：高光区域其强度值远大于其它颜色三通道的最小值，其中IC(x)表示三通道(R,G,B)中像素x的强度值，I(x)是像素x在三通道中的最小值，且I(x)∈[0,255]。
步骤2：对图像进行阈值滤波处理；
步骤3：取强镜面反射分量阈值为d,若I(x)取值满足阈值d，则判定当前检测到的高光属于强镜面反射，需进行去强镜面反射处理，反之，不需要对该分量进行处理。
步骤4：使用拉普拉斯模型最大化两层概率P(Id,Is)。
步骤5：进行导数滤波。
步骤6：加权最小二乘法分离两层。
其中步骤4的拉普拉斯模型为max[logP(Id,Is)]＝min[-logP(Id,Is)]，Id,Is分别表示镜面反射分量和漫反射分量。
其中步骤5的导数滤波函数为
Figure BDA0002572792340000041
其中i,k分别表示输入高光图像I的像素索引以及i上的k阶导数滤波。最后两项是使镜面反射和漫反射的梯度变化分别对应镜面反射和漫反射中的边缘信息。α和β是两个非负系数，主要控制Is的平滑度并使Id保留图像纹理细节。
本发明的图像非局部滤波与增强处理流程如图6所示，实际路口拍摄图像中的非机动车骑行人员的头盔体积较小，人脸信息易受透明挡风板反光的影响，而头盔顶部轮廓信息也会受到强光反射的干扰，所以在图像前处理时进行了去反光处理。而保存的含非机动车及头盔的图像中，头盔的清晰度不高，可能存在噪音，轮廓信息也不明显，所以对图像进行非局部平衡滤波与增强操作。具体步骤如下：
步骤1：输入反光处理后的图像。
步骤2：进行第一次分组操作，选择3×3像素大小的参照块，在参照块的周围30×30区域进行搜索，寻找在此区域内存在的差异度最小的块，把它们堆在一起形成一个3维的矩阵。
步骤3：将每个三维矩阵中的二维块进行离散余弦变换(DCT)处理
Figure BDA0002572792340000051
在矩阵的第三个维度进行一维变换，之后对三维矩阵在DCT域进行硬阈值处理。
其中
Figure BDA0002572792340000052
步骤4：对所估计图像块重复遮盖的像素点进行加权平均，得到最终的像素值。
步骤5：使用图像块匹配的方法，找到原噪声图像以及基础估计图像里面与目前处理图像块相似的所有块，形成两个3维矩阵。
步骤6：对已经组织好的两个矩阵进行二维和一维变换，将基础估计图像的能量频谱作为真实的能量频谱对噪声图像分组通过自适应滤波器，通过二维及一维矩阵反变换回去得到所有分组的图像块估计，并返回到它们之前所在的位置。
步骤7：对所有得到的估计图像块重复遮盖的像素点进行加权平均，得到最终的像素值，也就是最后的最终估计结果。
步骤8：计算并绘制图像直方图。
步骤9：根据直方图得出图像像素主要集中范围，将所得像素值范围进行扩展。
步骤10：将灰度范围进行拉升，得到增强后的图像。
步骤11：输出并保存图像；
本发明的非机动车骑行人员头盔佩戴检测如图7所示，具体步骤如下：
步骤1：对图像进行灰度二值化处理，取头盔检测框的中心点坐标(xh,yh),以人脸中心点为坐标原点建立二维坐标系，若yh>0，则计算头盔与人脸的距离
Figure BDA0002572792340000053
取距离阈值区间[Lmin,Lmax],则有：
Figure BDA0002572792340000061
步骤2：由步骤1数据可计算，头盔中心点与人脸中心点间的夹角为
Figure BDA0002572792340000062
若夹角α在设定阈值范围内，则保留检测框并进行下一步骤，否则舍弃，循环步骤2，直至遍历完所有检测框；
说明：因为路口人流量和车流大，同一幅图像中容易出现多个人脸及头盔，而根据一张人脸对应一个头盔的原则，步骤1通过人脸与头盔的位置关系淘汰了那些不符合位置关系的头盔选项，而步骤二则将通过人脸与头盔的夹角关系淘汰不符合夹角关系的头盔选项。
步骤3：对图像进行Sobel边缘检测，对各部分连续区域进行灰度面积统计，第i块区域面积为Si，阈值设定为[Smim,Smax],若该区域面积满足Smin<Si<Smax,则保留并继续下一步操作，否则，舍弃该检测框。
说明：头盔因其体积小，颜色不一等特性在SSD网络模型算法检测之后不排除误检的可能，所以根据头盔在图像中面积特性，加入面积判定步骤，筛除那些面积过大与过小的干扰项，提高检测精度。
步骤4：获取边缘坐标，并将边缘坐标存于数组A，计算图像上的每一点与数组A中点的距离，得到每一点距离数组A中点的最大距离Lmax，所有的点中Lmax最小的点，即是椭圆圆心(p,q),该最大距离即是椭圆长轴长度a,将数组A中每一点的数值和p,q,a代入椭圆方程:
Figure BDA0002572792340000063
在二维参数空间上对参数短轴长b,旋转角度θ进行统计，得到峰值超过设定阈值μ的一组参数即判定该区域满足头盔椭圆几何特征，进行保留操作，否则，舍弃。
说明：根据头盔的几何特征，即头盔在图像中近似于椭圆，所以加入近似椭圆检测，
步骤5：在步骤1至4的基础上，得到原始图像中是否包含头盔的结果，若不存在头盔，则将人脸检测框偏移放大，使其包含整个头部，并返回值1；若存在头盔，则将人脸检测框与头盔检测框融合，得到的人脸-头盔检测框使其包含人脸信息和头盔，返回值0。
步骤1和步骤2的具体流程如图8所示，以距离和夹角为尺度筛除不满足条件的检测框。本发明的合成违章证据图像如图9所示：
步骤1：获取检测结果返回值。
步骤2：判断返回值是否为1，若为1则继续下面步骤，若为0，则检测到目标头盔，返回步骤1。
步骤3：统计多帧检测结果，对结果进行判断，若概率Ph≥50％,则进行对视频流进行帧采样，若Ph<50％，则不合成证据图片，结束操作。
步骤4：获取非机动车图像，获取检测框偏移后的头部信息图像。
步骤5：合成为一张图像，并进行信息标注。
步骤6：将证据图像保存入库。

Claims (6)

1.一种基于视频流的非机动车骑行人员头盔佩戴检测方法，其特征在于：
步骤1、针对非机动车及头盔训练SSD网络模型；
步骤2、通过RTSP读取当前帧的交通信息，当目标区域检测到非机动车时，标记为兴趣帧，检测结果用矩形框标记显示，并将检测框中的信息保存为头盔检测原始图像；
步骤3、对头盔检测原图像进行前处理，达到去反光、降噪及图像增强的目的；
步骤4、将要识别的头盔看成原始图像中所要检测的目标，对原图像进行头盔检测，经过位置判定，面积判定和几何特征判定得到头盔检测结果，检测结果用带注释的矩形框标记显示；
步骤5、将得到的检测结果进行边框回归操作，使得标记的目标矩形框中包含人脸和头盔信息；根据判定结果进行未佩戴头盔证据图像合成。
2.根据权利要求1所述的一种基于视频流的非机动车骑行人员头盔佩戴检测方法，其特征在于：非机动车检测采用SSD网络模型，该模型在训练过程中，通过删除不需要的预测层提升训练速度，进行图像数据增广处理增加图片数据量，通过添加随机高斯白噪声防止过拟合现象，训练数据集包含3000张包含非机动车级头盔信息的图像，4000张图像作为测试集，待学习类别为非机动车和头盔两项。
3.根据权利要求2所述的一种基于视频流的非机动车骑行人员头盔佩戴检测方法，其特征在于：非机动车检测，具体步骤为：
步骤1：通过RTSP读取当前帧，使用已经训练好的SSD网络模型检测非机动车，使并用矩形检测框标记；
步骤2：在限定区域内进行人脸识别与肤色检测，对人脸区域与肤色区域进行重合度判别，以0.5为重合度阈值，保留大于该阈值的人脸区域并计算其中心坐标；
步骤3：对检测框做偏移放大处理，保留含有人脸信息的非机动车检测框，并对人脸位置及非机动车位置进行距离判定，将满足设定距离阈值的检测框信息标记为含骑行人员的非机动车；
步骤4：在步骤3的基础上，对检测框进行回归操作得到预测框，使得新的预测框包含非机动车及骑行人员信息，保存预测框信息为新的图像，作为头盔检测的原始图像。
4.根据权利要求1所述的一种基于视频流的非机动车骑行人员头盔佩戴检测方法，其特征在于：步骤3中的前处理，具体步骤为：
(1)进行头盔去反光处理，采用阈值法计算当前高光面积，判断是否需要进行去除高光处理，结合暗色原理和阈值法保留弱镜面反射分量，保留原图像的颜色和纹理信息；
(2)对图像进行非局部平衡滤波与增强操作，以图像块为单位在图像中寻找相似区域，再对这些区域求平均，去掉图像中存在的高斯噪声，然后利用图像直方图进行图像增强处理。
5.根据权利要求1所述的一种基于视频流的非机动车骑行人员头盔佩戴检测方法，其特征在于：对前处理后的图像，使用已训练好的SSD网络模型检测目标头盔，并逐步对目标进行位置判定，面积判定和几何特征判定，具体步骤如下：
步骤1：对图像进行灰度二值化处理，取头盔检测框的中心点坐标(xh,yh),以人脸中心点为坐标原点建立二维坐标系，若yh>0，则计算头盔与人脸的距离
Figure FDA0002572792330000021
取距离阈值区间[Lmin,Lmax],则有：
Figure FDA0002572792330000022
步骤2：计算头盔中心点与人脸中心点间的夹角为
Figure FDA0002572792330000023
若夹角α在设定阈值范围内，则保留检测框并进行下一步骤，否则舍弃，循环步骤2，直至遍历完所有检测框；
步骤3：对二值化后的图像进行Sobel边缘检测，对各部分连续区域进行灰度面积统计，第i块区域面积为Si，阈值设定为[Smin,Smax]，若该区域面积满足Smin<Si<Smax,则保留并继续下一步操作，否则，舍弃该检测框；
步骤4：获取边缘坐标，并将边缘坐标存于数组A，计算图像上的每一点与数组A中点的距离，得到每一点距离数组A中点的最大距离，所有的点中最大距离最小的点，即是椭圆圆心(p,q),该最大距离即是椭圆长轴长度a，将数组A中每一点的数值和p,q,a代入椭圆方程:
Figure FDA0002572792330000024
在二维参数空间上对参数短轴长b，旋转角度θ进行统计，得到峰值超过设定阈值的一组参数即判定该区域满足头盔椭圆几何特征，进行保留操作，否则，舍弃；
步骤5：在步骤1至4的基础上，得到原始图像中是否包含头盔的结果，若不存在头盔，则将人脸检测框偏移放大，使其包含整个头部，并返回值1；若存在头盔，则将人脸检测框与头盔检测框融合，得到的人脸-头盔检测框使其包含人脸信息和头盔，返回值0。
6.根据权利要求5所述的一种基于视频流的非机动车骑行人员头盔佩戴检测方法，其特征在于：合成未佩戴头盔证据图像具体为：根据返回值进行未佩戴头盔证据图像合成，对该非机动车通过摄像头的所有输入帧返回值进行统计，若为1的概率大于50％，则判定该非机动车驾驶人在通过该区域时未佩戴头盔，提取其包含非机动车，人脸及头部的照片，作为未佩戴头盔的证据照片。
CN202010644994.6A 2020-07-07 2020-07-07 一种基于视频流的非机动车骑行人员头盔佩戴检测方法 Active CN111832461B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010644994.6A CN111832461B (zh) 2020-07-07 2020-07-07 一种基于视频流的非机动车骑行人员头盔佩戴检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010644994.6A CN111832461B (zh) 2020-07-07 2020-07-07 一种基于视频流的非机动车骑行人员头盔佩戴检测方法

Publications (2)

Publication Number Publication Date
CN111832461A true CN111832461A (zh) 2020-10-27
CN111832461B CN111832461B (zh) 2024-02-06

Family

ID=72900231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010644994.6A Active CN111832461B (zh) 2020-07-07 2020-07-07 一种基于视频流的非机动车骑行人员头盔佩戴检测方法

Country Status (1)

Country Link
CN (1) CN111832461B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110717466A (zh) * 2019-10-15 2020-01-21 中国电建集团成都勘测设计研究院有限公司 一种基于人脸检测框回归安全帽位置的方法
CN112070074A (zh) * 2020-11-12 2020-12-11 中电科新型智慧城市研究院有限公司 物体检测方法、装置、终端设备和存储介质
CN112507935A (zh) * 2020-12-17 2021-03-16 上海依图网络科技有限公司 一种图像检测的方法及装置
CN113537157A (zh) * 2021-09-08 2021-10-22 江苏凯帝商业设施有限公司 一种基于人工智能的雨天头盔检测方法
CN115294774A (zh) * 2022-06-20 2022-11-04 桂林电子科技大学 基于深度学习的非机动车道路违停检测方法及装置
CN115797876A (zh) * 2023-02-08 2023-03-14 华至云链科技(苏州)有限公司 设备监控处理方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010211427A (ja) * 2009-03-10 2010-09-24 Omron Corp 安全運転監視装置
WO2015076152A1 (ja) * 2013-11-20 2015-05-28 日本電気株式会社 ヘルメット着用判定方法、ヘルメット着用判定システム、ヘルメット着用判定装置及びプログラム
CN110084162A (zh) * 2019-04-18 2019-08-02 上海钧正网络科技有限公司 一种违章检测方法、装置及服务器
CN110826508A (zh) * 2019-11-12 2020-02-21 浙江工商大学 一种基于视频流的行人非机动车违章检测与跟踪方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010211427A (ja) * 2009-03-10 2010-09-24 Omron Corp 安全運転監視装置
WO2015076152A1 (ja) * 2013-11-20 2015-05-28 日本電気株式会社 ヘルメット着用判定方法、ヘルメット着用判定システム、ヘルメット着用判定装置及びプログラム
CN110084162A (zh) * 2019-04-18 2019-08-02 上海钧正网络科技有限公司 一种违章检测方法、装置及服务器
CN110826508A (zh) * 2019-11-12 2020-02-21 浙江工商大学 一种基于视频流的行人非机动车违章检测与跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
秦嘉;曹雪虹;焦良葆;: "基于深度学习的安全帽佩戴检测与跟踪", 计算机与现代化, no. 06 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110717466A (zh) * 2019-10-15 2020-01-21 中国电建集团成都勘测设计研究院有限公司 一种基于人脸检测框回归安全帽位置的方法
CN110717466B (zh) * 2019-10-15 2023-06-20 中国电建集团成都勘测设计研究院有限公司 一种基于人脸检测框回归安全帽位置的方法
CN112070074A (zh) * 2020-11-12 2020-12-11 中电科新型智慧城市研究院有限公司 物体检测方法、装置、终端设备和存储介质
CN112070074B (zh) * 2020-11-12 2021-02-05 中电科新型智慧城市研究院有限公司 物体检测方法、装置、终端设备和存储介质
CN112507935A (zh) * 2020-12-17 2021-03-16 上海依图网络科技有限公司 一种图像检测的方法及装置
CN113537157A (zh) * 2021-09-08 2021-10-22 江苏凯帝商业设施有限公司 一种基于人工智能的雨天头盔检测方法
CN115294774A (zh) * 2022-06-20 2022-11-04 桂林电子科技大学 基于深度学习的非机动车道路违停检测方法及装置
CN115294774B (zh) * 2022-06-20 2023-12-29 桂林电子科技大学 基于深度学习的非机动车道路违停检测方法及装置
CN115797876A (zh) * 2023-02-08 2023-03-14 华至云链科技(苏州)有限公司 设备监控处理方法及系统
CN115797876B (zh) * 2023-02-08 2023-04-07 华至云链科技(苏州)有限公司 设备监控处理方法及系统

Also Published As

Publication number Publication date
CN111832461B (zh) 2024-02-06

Similar Documents

Publication Publication Date Title
CN111832461B (zh) 一种基于视频流的非机动车骑行人员头盔佩戴检测方法
CN107506711B (zh) 基于卷积神经网络的双目视觉障碍物检测系统及方法
WO2018145470A1 (zh) 一种图像检测方法和装置
CN107122777A (zh) 一种基于视频文件的车辆分析系统及分析方法
CN109918971B (zh) 监控视频中人数检测方法及装置
CN109711264A (zh) 一种公交车道占道检测方法及装置
CN112215074A (zh) 基于无人机视觉的实时目标识别与检测追踪系统及方法
CN105404857A (zh) 一种基于红外的夜间智能车前方行人检测方法
CN112488046B (zh) 一种基于无人机高分辨率影像的车道线提取方法
CN113139489B (zh) 基于背景提取和多尺度融合网络的人群计数方法及系统
CN111553214B (zh) 一种驾驶员吸烟行为检测方法及系统
CN113034378B (zh) 一种区分电动汽车与燃油汽车的方法
CN110348263A (zh) 一种基于图像识别的二维随机码图像识别与提取方法
CN112966810B (zh) 基于改进YOLOv5s的头盔检测方法、装置、电子设备和存储介质
CN106407951A (zh) 一种基于单目视觉的夜间前方车辆检测方法
CN113781421A (zh) 基于水下的目标识别方法、装置及系统
Tao et al. Smoke vehicle detection based on robust codebook model and robust volume local binary count patterns
CN116704476A (zh) 一种基于改进Yolov4-tiny算法的交通标志检测方法
CN108960181B (zh) 基于多尺度分块lbp和隐马尔科夫模型的黑烟车检测方法
CN108288041B (zh) 一种行人目标错检去除的预处理方法
CN107341456B (zh) 一种基于单幅户外彩色图像的天气晴阴分类方法
CN111914704B (zh) 一种三轮车载人的识别方法、装置、电子设备及存储介质
CN112446292B (zh) 一种2d图像显著目标检测方法及系统
CN110321973B (zh) 一种基于视觉的组合车辆检测方法
CN114120056A (zh) 小目标识别方法、装置、电子设备、介质及产品

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