CN112101288B - 安全帽佩戴检测方法、装置、设备及存储介质 - Google Patents

安全帽佩戴检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112101288B
CN112101288B CN202011027004.0A CN202011027004A CN112101288B CN 112101288 B CN112101288 B CN 112101288B CN 202011027004 A CN202011027004 A CN 202011027004A CN 112101288 B CN112101288 B CN 112101288B
Authority
CN
China
Prior art keywords
image
human body
head
type
head image
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.)
Active
Application number
CN202011027004.0A
Other languages
English (en)
Other versions
CN112101288A (zh
Inventor
毛明远
冯原
辛颖
苑鹏程
张滨
林书妃
王晓迪
韩树民
徐英博
刘静伟
文石磊
章宏武
丁二锐
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202011027004.0A priority Critical patent/CN112101288B/zh
Publication of CN112101288A publication Critical patent/CN112101288A/zh
Priority to US17/164,613 priority patent/US11610388B2/en
Application granted granted Critical
Publication of CN112101288B publication Critical patent/CN112101288B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06V10/443—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 by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
    • G06V10/7788—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors the supervisor being a human, e.g. interactive learning with a human teacher
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Human Computer Interaction (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Helmets And Other Head Coverings (AREA)

Abstract

本申请公开了安全帽佩戴检测方法、装置、设备及存储介质，涉及人工智能领域，具体为深度学习、云计算、计算机视觉。安全帽佩戴检测方法包括：获取摄像设备采集的第一图像，第一图像中包括至少一个人体图像；在第一图像中确定至少一个人体图像和至少一个头部图像；根据至少一个人体图像所在的区域和至少一个头部图像所在的区域，在至少一个人体图像中确定每个头部图像对应的人体图像；根据至少一个头部图像的类型，对至少一个头部图像对应的人体图像进行处理。提高安全帽佩戴检测方法的准确性，避免漏检或错检，节省人力劳动。

Description

安全帽佩戴检测方法、装置、设备及存储介质
技术领域
本申请实施例涉及人工智能领域，具体为深度学习、云计算、计算机视觉，尤其涉及一种安全帽佩戴检测方法、装置、设备及存储介质。
背景技术
目前，在建筑工地中施工的工作人员通常需要佩戴安全帽，以减小建筑工地中高处坠物、或者物体打击对工作人员造成的伤害。
由于部分工作人员的安全意识较低，因此在建筑工地中设置的摄像机，通过摄像机采集施工视频图像，并由监控人员观察施工视频图像，以确定工作人员是否佩戴安全帽。在上述方法中，依靠监控人员观察施工视频图像确定工作人员是否佩戴安全帽，浪费监控人员的人力劳动，而且在监控人员观察施工视频图像的过程中，可能漏掉部分施工视频图像，导致施工监控的有效性差。
发明内容
本申请提供了一种用于安全帽佩戴检测方法、装置、设备及存储介质。
根据本申请的第一方面，提供了一种安全帽佩戴检测方法，包括：
获取摄像设备采集的第一图像，第一图像中包括至少一个人体图像；
在第一图像中确定至少一个人体图像和至少一个头部图像；
根据至少一个人体图像所在的区域和至少一个头部图像所在的区域，在至少一个人体图像中确定每个头部图像对应的人体图像；
根据至少一个头部图像的类型，对至少一个头部图像对应的人体图像进行处理。
在一种可能的设计中，在第一图像中确定至少一个人体图像和至少一个头部图像，包括：
通过第一模型对第一图像进行处理，得到至少一个人体图像和至少一个头部图像，其中，第一模型为对多组样本进行学习得到的，每组样本包括样本图像、样本人体图像和样本头部图像。
在一种可能的设计中，通过第一模型对第一图像进行处理，得到至少一个人体图像和至少一个头部图像，包括：
通过第一模型对第一图像进行可变形卷积处理，得到图像特征信息；通过第一模型对图像特征信息进行处理，得到至少一个人体图像和至少一个头部图像。
在一种可能的设计中，根据至少一个人体图像所在的区域和至少一个头部图像所在的区域，在至少一个人体图像中确定每个头部图像对应的人体图像，包括：
获取至少一个头部图像所在的区域与每个人体图像所在的区域的匹配度；
根据每个头部图像对应的匹配度，在至少一个人体图像中确定每个头部图像对应的人体图像。
在一种可能的设计中，针对至少一个头部图像中的第一头部图像；根据第一头部图像对应的匹配度，在至少一个人体图像中确定第一头部图像对应的人体图像，包括：
在第一头部图像对应的匹配度中确定第一匹配度；
将第一匹配度对应的人体图像确定为第一头部图像对应的人体图像。
在一种可能的设计中，根据第一头部图像的类型，对第一头部图像对应的人体图像进行处理，包括：
根据第一头部图像的类型，在第一图像中增加标识，标识用于指示第一头部图像对应的人体图像；
其中，第一头部图像的类型为第一类型或者第二类型，第一类型用于指示第一头部图像中包括安全帽图像，第二类型用于指示第一头部图像中不包括安全帽图像。
在一种可能的设计中，根据第一头部图像的类型，在第一图像中增加标识，包括：
若第一头部图像的类型为第一类型，则在第一图像中增加第一标识；和/或，
若第一头部图像的类型为第二类型，则在第一图像中增加第二标识。
在一种可能的设计中，根据至少一个头部图像的类型，对至少一个头部图像对应的人体图像进行处理之后，还包括：
向报警设备发送报警指令，报警指令指示报警设备执行报警操作。
在一种可能的设计中，第一图像为摄像设备在预设区域内采集的图像。
根据本申请的第二方面，提供了一种安全帽佩戴检测装置，包括：安全帽佩戴检测装置，包括：获取模块、确定模块和处理模块，其中，
获取模块用于，获取摄像设备采集的第一图像，第一图像中包括至少一个人体图像；
确定模块用于，在第一图像中确定至少一个人体图像和至少一个头部图像；
确定模块还用于，根据至少一个人体图像所在的区域和至少一个头部图像所在的区域，在至少一个人体图像中确定每个头部图像对应的人体图像；
处理模块用于，根据至少一个头部图像的类型，对至少一个头部图像对应的人体图像进行处理。
在一种可能的设计中，确定模块具体用于：
通过第一模型对第一图像进行处理，得到至少一个人体图像和至少一个头部图像，其中，第一模型为对多组样本进行学习得到的，每组样本包括样本图像、样本人体图像和样本头部图像。
在一种可能的设计中，确定模块具体用于：
通过第一模型对第一图像进行可变形卷积处理，得到图像特征信息；
通过第一模型对图像特征信息进行处理，得到至少一个人体图像和至少一个头部图像。
在一种可能的设计中，确定模块还具体用于：
获取至少一个头部图像所在的区域与每个人体图像所在的区域的匹配度；
根据每个头部图像对应的匹配度，在至少一个人体图像中确定每个头部图像对应的人体图像。
在一种可能的设计中，针对至少一个头部图像中的第一头部图像；确定模块还具体用于：
在第一头部图像对应的匹配度中确定第一匹配度；
将第一匹配度对应的人体图像确定为第一头部图像对应的人体图像。
在一种可能的设计中，确定模块还具体用于：
根据第一头部图像的类型，在第一图像中增加标识，标识用于指示第一头部图像对应的人体图像；
其中，第一头部图像的类型为第一类型或者第二类型，第一类型用于指示第一头部图像中包括安全帽图像，第二类型用于指示第一头部图像中不包括安全帽图像。
在一种可能的设计中，确定模块还具体用于：
若第一头部图像的类型为第一类型，则在第一图像中增加第一标识；和/或，
若第一头部图像的类型为第二类型，则在第一图像中增加第二标识。
在一种可能的设计中，装置还包括发送模块，其中，发送模块用于，在根据至少一个头部图像的类型，对至少一个头部图像对应的人体图像进行处理之后，向报警设备发送报警指令，报警指令指示报警设备执行报警操作。
在一种可能的设计中，第一图像为摄像设备在预设区域内采集的图像。
根据本申请的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述第一方面中任一项的方法。
根据本申请的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行上述第一方面中任一项的方法。
根据本申请的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一项的方法。
根据本申请的技术解决了现有技术中依靠监控人员观察施工视频图像确定施工人员是否佩戴安全帽，会导致监控人员的人力劳动浪费的问题。而且解决了在监控人员观察施工图像的过程中，可能漏观部分施工图像，导致监控的有效性差的问题。提高了安全帽佩戴检测方法的准确性，避免漏检或错检，节省人力劳动。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1为本申请提供的安全帽佩戴检测方法的应用场景示意图；
图2为本申请提供的安全帽佩戴检测方法的一种流程示意图；
图3为本申请提供的一种标注示意图；
图4为本申请提供的另一种标注示意图；
图5为本申请提供的安全帽佩戴检测方法的另一种流程示意图；
图6为本申请提供的在第一头部图像中增加标识之后的第一图像的示意图；
图7为本申请提供的第一模型的结构示意图；
图8为本申请提供的安全帽佩戴检测方法的设计流程图；
图9为本申请提供的安全帽佩戴检测装置的一种结构示意图；
图10为本申请提供的安全帽佩戴检测装置的另一种结构示意图；
图11为本申请提供的安全帽佩戴检测方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本发明的说明书和/或权利要求书及上述附图中的术语“第一”、“第二”、“第三”和“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1为本申请提供的安全帽佩戴检测方法的应用场景示意图。如图1所示，安全帽佩戴检测系统10中包括：摄像设备101、电子设备102、显示设备103和报警设备106，其中，电子设备102分别与摄像设备101、显示设备103和报警设备106通信连接。
在电子设备102与摄像设备101、显示设备103和报警设备106进行通信的过程中，摄像设备101可以实时地对施工区域进行图像采集，以得到第一图像104；电子设备102可以对第一图像104进行处理，确定第一图像104中的人体图像和头部图像，并确定头部图像对应的人体图像，进而根据头部图像类型对头部图像对应的人体图像进行处理，确定出没有佩戴安全帽的人体图像，并通过显示设备103显示第二图像105，在第二图像105中框选出第一图像104中没有佩戴安全帽的人体图像。在上述过程中，电子设备102确定头部图像对应的人体图像，可以提高安全帽佩戴检测的准确性，而且电子设备102根据头部图像的类型，对头部图像对应的人体图像进行处理，可以使监督人员较为容易地发现未佩戴安全帽的施工人员，避免监督人员需时刻观察显示设备103，造成视觉疲劳，导致摄像画面的遗漏，无法以及提醒施工人员的问题，节省了监督劳动力，提高了监控准确性。
可选地，在电子设备102确定出没有佩戴安全帽的人体图像之后，可以向报警设备106发送报警指令，使得报警设备106执行报警操作。在报警设备106执行报警操作的过程中，可以提醒监督人员督促施工人员佩戴安全帽，从而提高施工监控的有效性、以及施工人员的安全性。
下面，通过具体实施例对本申请所示的技术方案进行详细说明。需要说明的是，下面几个具体实施例可以相互结合，对于相同或相似的内容，在不同的实施例中不再进行重复说明
图2为本申请提供的安全帽佩戴检测方法的一种流程示意图。如图2所示，本实施例提供的安全帽佩戴检测方法包括：
S201：获取摄像设备采集的第一图像，第一图像中包括至少一个人体图像。
可选地，本申请实施例的执行主体为电子设备，也可以为电子设备中的安全帽佩戴检测装置，其中，安全帽佩戴检测装置可以通过软件和/或硬件的集合来实现。
可选地，摄像设备为能够与电子设备进行通信连接的监控摄像头。例如，监控摄像头可以为广角镜头、标准镜头、长焦镜头、或者变焦镜头等中的任意一种。
可选地，第一图像为摄像设备在预设区域内采集的图像，其中，预设区域为能够采集得到第一图像的区域。
可选地，可以每隔预设时长获取摄像设备采集的第一图像，也可以实时获取摄像设备采集的第一图像。其中，预设时长可以为2秒、3秒等。
S202：在第一图像中确定至少一个人体图像和至少一个头部图像。
可选地，可以通过图像识别算法对第一图像进行处理，从而确定出至少一个人体图像和至少一个头部图像。
可选地，还可以通过第一模型对第一图像进行处理，从而确定出至少一个人体图像和至少一个头部图像。其中，该第一模型为对多组样本进行学习得到的，每组样本包括样本图像、样本人体图像和样本头部图像。
在实际应用中，为了得到上述第一模型，通常在采集到样本图像之后，对样本图像进行标注，得到样本图像中的样本人体图像和样本头部图像，进而通过样本图像和标注后的样本人体图像和样本头部图像，对级联区域卷积神经网络(Cascade R-ConvolutionalNeural Networks，Cascade R-CNN)模型进行训练，得到第一模型。
下面以样本头部图像包括没有佩戴安全帽的头部图像为例，示例一种标注图。图3为本申请提供的一种标注示意图。如图3所示，样本图像30中包括：样本人体图像31和32、以及样本头部图像33，其中，采用相同的标注格式对样本人体图像31和32进行标注，采用与样本人体图像31不同的标注格式对样本头部图像33进行标注。
下面以样本头部图像包括佩戴有安全帽的头部图像和没有佩戴安全帽的头部图像为例，示例另一种标注图。图4为本申请提供的另一种标注示意图。如图4所示，样本图像40中包括：样本人体图像41、42和43，以及本头部图像44、45和46。其中，采用相同的标注格式对样本人体图像41、4和43进行标注，采用与样本人体图像41不同的标注格式对样本头部图像44和45进行标注，可以采用与样本头部图像44和样本人体图像41不同的标注格式对样本头部图像46进行标注。
S203：根据至少一个人体图像所在的区域和至少一个头部图像所在的区域，在至少一个人体图像中确定每个头部图像对应的人体图像。
在实际中，头部图像所在的区域和人体图像所在的区域通常满足具有如下规则：(1)头部图像所在的区域位于其对应的人体图像所在的区域内；(2)头部图像所在的区域位于其对应的人体图像所在的区域的上部。因此可以根据上述(1)和(2)对人体图像所在的区域和头部图像所在的区域进行匹配，从而确定每个头部图像对应的人体图像。
与现有技术不同，在现有技术中，对监控图像中的各人体图像进行安全帽识别检测，判断各人体图像中是否存在安全帽，可能导致当施工人员手拿或者夹带安全帽时误判为施工人员的头部佩戴有安全帽，降低安全帽佩戴检测方法的准确性。而在本申请中，在至少一个人体图像中确定每个头部图像对应的人体图像，可以使得头部图像与人体图像匹配，避免当施工人员手拿或者夹带安全帽时误判为施工人员的头部佩戴有安全帽，提高安全帽佩戴检测方法的准确性。
S204：根据至少一个头部图像的类型，对至少一个头部图像对应的人体图像进行处理。
可选地，头部图像的类型可以为第一类型，也可以为第二类型。其中，第一类型用于指示头部图像中包括安全帽图像，第二类型用于指示头部图像中不包括安全帽图像。
例如，当头部图像的类型为第一类型，则可以通过第一标注框(例如，蓝色实线方框)对头部图像对应的人体图像进行标识处理。
例如，当头部图像的类型为第二类型，则可以通过第二标注框(例如，红色实线方框)对头部图像对应的人体图像进行标识处理。
本实施例提供的安全帽佩戴检测方法包括：获取摄像设备采集的第一图像，第一图像中包括至少一个人体图像；在第一图像中确定至少一个人体图像和至少一个头部图像；根据至少一个人体图像所在的区域和至少一个头部图像所在的区域，在至少一个人体图像中确定每个头部图像对应的人体图像；根据至少一个头部图像的类型，对至少一个头部图像对应的人体图像进行处理。在上述方法中，在至少一个人体图像中确定每个头部图像对应的人体图像，避免当施工人员手拿或者夹带安全帽时误判为施工人员的头部佩戴有安全帽，提高安全帽佩戴检测方法的准确性，避免漏检或错检。进一步地，根据至少一个头部图像的类型对至少一个头部图像对应的人体图像进行处理，可以节省劳动力，提高监控准确性。
在上述实施例的基础上，下面结合图5对本申请提供的安全帽佩戴检测方法作进一步地详细说明，具体的，请参见图5实施例。
图5为本申请提供的安全帽佩戴检测方法的另一种流程示意图。如图5所示，本实施例提供的安全帽佩戴检测方法包括：
S501：获取摄像设备采集的第一图像，第一图像中包括至少一个人体图像。
具体的，S501的执行方法与S201的执行方法相同，此处不再赘述。
S502：通过第一模型对第一图像进行可变形卷积处理，得到图像特征信息。
S503：通过第一模型对图像特征信息进行处理，得到至少一个人体图像和至少一个头部图像。
具体的，对S502和S503的详细说明请参见图7实施例，此处不再赘述。
S504：获取至少一个头部图像所在的区域与每个人体图像所在的区域的匹配度。
其中，匹配度可为头部图像所在的区域与人体图像所在的区域的重叠度。
例如，重叠度为100％时，可以指示头部图像所在的区域在人体图像所在的区域之内。
例如，重叠度为0时，可以指示头部图像所在的区域在人体图像所在的区域之外。
例如，重叠度为50％时，可以指示头部图像所在的区域与人体图像所在的区域有50％的重叠。
S505：根据每个头部图像对应的匹配度，在至少一个人体图像中确定每个头部图像对应的人体图像。
在一种可能的设计中，针对至少一个头部图像中的第一头部图像；根据第一头部图像对应的匹配度，在至少一个人体图像中确定第一头部图像对应的人体图像，包括：
在第一头部图像对应的匹配度中确定第一匹配度；
将第一匹配度对应的人体图像确定为第一头部图像对应的人体图像。
可选地，第一匹配度为第一头部图像对应的匹配度中的最大值。
例如，第一头部图像所在的区域与第一人体图像所在的区域的匹配度为25％，第一头部图像所在的区域与第二人体图像所在的区域的匹配度为100％，第一头部图像所在的区域与第三人体图像所在的区域的匹配度为0，则可以确定第一匹配度为100％，即第一头部图像对应的人体图像为第二人体图像。
进一步地，在获取第一头部图像所在的区域与每个人体图像所在的区域的重叠度之后，若确定第一重叠度和第二重叠度相同，则可以根据第一头部图像所在的区域在第一人体图像(第一重叠度对应的人体图像)所在的区域中的位置，与第一头部图像所在的区域在第二人体图像(第二重叠度对应的人体图像)所在的区域中的位置，确定人体图像为第一人体图像还是第二人体图像。
例如，若第一头部图像所在的区域在第一人体图像所在的区域的中部位置、第一头部图像所在的区域在第二人体图像所在的区域的上部位置，则可以确定第一头部图像对应的人体图像为第二人体图像。
在实际中，可以根据实际需求将人体图像所在的区域划分为多个位置(例如，下部、中部和上部等)，以确定目标头部图像所在的区域在人体图像所在的区域中的位置。
S506：根据至少一个头部图像的类型，对至少一个头部图像对应的人体图像进行处理的过程中包括：针对至少一个头部图像中的第一头部图像，根据第一头部图像的类型，在第一图像中增加标识，标识用于指示第一头部图像对应的人体图像。
其中，第一头部图像的类型为第一类型或者第二类型，第一类型用于指示第一头部图像中包括安全帽图像，第二类型用于指示第一头部图像中不包括安全帽图像。
在一种可能的设计中，根据第一头部图像的类型，在第一图像中增加标识，包括：若第一头部图像的类型为第一类型，则在第一图像中增加第一标识；和/或，若第一头部图像的类型为第二类型，则在第一图像中增加第二标识。
可选地，上述标识可以包括标注框的形状、线型和/或颜色等。可选地，形状可以为方形、圆形等。可选地，线型可以为虚线、实线、点划线等。可选地，颜色可以为红色、黄色、绿色、蓝色等。
例如，第一标识可以为方形、实线、蓝色，第二标识可以为方形、实线、红色。
可选地，当第一头部图像的类型为第一类型时，可以对第一头部图像对应的人体图像所在区域增加第一标识；当第一头部图像的类型为第二类型时，可以对第一头部图像对应的人体图像所在区域增加第二标识。
可选地，当第一头部图像的类型为第一类型时，还可以对第一头部图像所在区域增加第一标识；当第一头部图像的类型为第二类型时，还可以对第一头部图像所在区域增加第二标识。如图6所示。图6为本申请提供的在第一头部图像中增加标识之后的第一图像的示意图。
S507：向报警设备发送报警指令，报警指令指示报警设备执行报警操作。
可选地，若第一头部图像的类型为第二类型，则可以向报警设备发送报警指令，报警指令指示报警设备执行报警操作。
可选地，报警设备可以为监督人员随声携带的提醒设备。例如，可以为手机、对讲机等。在报警设备执行报警操作的过程中，可以提醒施工人员佩戴安全帽。
可选地，在确定每个头部图像对应的人体图像之后，还可以统计具有第二类型的头部图像的数量，当该数量大于或等于预设阈值时，可以向报警设备发送停工指令，其中，停工指令用于使报警设备提醒监督人员对施工人员进行安全帽佩戴培训等。可选地，预设阈值可以为5、6等。
进一步地，电子设备还可以记录上述数量，以便监督人员在进行工作汇报时，可以通过其他设备获取到上述个数，进行工作汇报。
本实施例提供的安全帽佩戴检测方法包括：获取摄像设备采集的第一图像，第一图像中包括至少一个人体图像；通过第一模型对第一图像进行可变形卷积处理，得到图像特征信息；通过第一模型对图像特征信息进行处理，得到至少一个人体图像和至少一个头部图像；获取至少一个头部图像所在的区域与每个人体图像所在的区域的匹配度；根据每个头部图像对应的匹配度，在至少一个人体图像中确定每个头部图像对应的人体图像；根据至少一个头部图像的类型，对至少一个头部图像对应的人体图像进行处理的过程中包括：针对至少一个头部图像中的第一头部图像，根据第一头部图像的类型，在第一图像中增加标识，标识用于指示第一头部图像对应的人体图像；向报警设备发送报警指令，报警指令指示报警设备执行报警操作。在上述方法中，通过第一模型对第一图像进行可变形卷积处理得到图像特征信息，提高了安全帽佩戴检测方法对图像形变的鲁棒性，而且通过第一模型得到至少一个人体图像和至少一个头部图像，可以提高确定人体图像和头部图像的准确性。进一步地，在第一图像中确定人体图像和头部图像，进而根据每个第一头部图像对应的匹配度，在至少一个人体图像中确定每个头部图像对应的人体图像，可以提高安全帽佩戴检测方法的准确性，避免漏检或错检。
下面结合图7，以第一模型包括3个阶段检测器为例，对通过第一模型执行S502至S503的过程进行说明。
图7为本申请提供的第一模型的结构示意图。如图7所示，第一模型中包括可变形卷积(Deformable Convolution)网络。该可变形卷积网络可以对第一图像进行可变形卷积处理，得到图像特征信息，并将图像特征信息分别提供给数据池1、数据池2、数据池3。
数据池1向检测器1提供图像特征信息和初始图像，并对图像特征信息和初始图像进行处理，得到人体图像1和头部图像1，其中，人体图像1和头部图像1通常为粗略的图像。
数据池2向检测器2提供图像特征信息和头部图像1，并对图像特征信息和头部图像1进行处理，得到人体图像2和头部图像2，其中，人体图像2和头部图像2通常较为粗略的图像。
数据池3向检测器3提供图像特征信息和头部图像2，并对图像特征信息和头部图像2进行处理，得到人体图像3和头部图像3。其中，人体图像3为S503中的人体图像，头部图像3为S503中的头部图像。
需要说明的是，初始图像为预先设定的图像，其中，初始图像、人体图像1、头部图像1、人体图像2、头部图像2、人体图像3和头部图像3通常都包括其在第一图像中的区域信息。
具体的，本申请中不在对可变形卷积网络对第一图像进行可变形卷积处理的过程进行详细的说明。
在实际中，在通过多组样本训练第一模型的过程中，通常使用平稳的L1损失(smooth L1 loss)对检测框位置的回归，通过交叉熵损失(Cross Entropy Loss)实现分类，在将第一模型训练至收敛之后，将第一模型部署至电子设备中，使得电子设备可以执行本申请提供的安全帽佩戴检测方法。
图8为本申请提供的安全帽佩戴检测方法的设计流程图。如图8所示，包括：模型训练部署阶段和安全帽佩戴检测阶段。
其中，模型训练部署阶段包括：样本采集、样本标注、将可变形卷积网络部署至模型、通过标注后的样本训练模型得到第一模型、将第一模型部署至电子设备。
其中，安全帽佩戴检测阶段包括：电子设备获取第一图像，检测第一图像确定至少一个人体图像和至少一个头部图像，在至少一个人体图像中确定每个头部图像对应的人体图像，对头部图像对应的人体图像进行标识(或者对头部图像进行标识)。
图9为本申请提供的安全帽佩戴检测装置的一种结构示意图。如图9所示，安全帽佩戴检测装置10包括：获取模块11、确定模块12和处理模块13，其中，
获取模块11用于，获取摄像设备采集的第一图像，第一图像中包括至少一个人体图像；
确定模块12用于，在第一图像中确定至少一个人体图像和至少一个头部图像；
确定模块12还用于，根据至少一个人体图像所在的区域和至少一个头部图像所在的区域，在至少一个人体图像中确定每个头部图像对应的人体图像；
处理模块13用于，根据至少一个头部图像的类型，对至少一个头部图像对应的人体图像进行处理。
本发明实施例提供的安全帽佩戴检测装置10可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
图10为本申请提供的安全帽佩戴检测装置的另一种结构示意图。如图10所示，安全帽佩戴检测装置10还包括：发送模块14，其中，发送模块14用于，在根据至少一个头部图像的类型，对至少一个头部图像对应的人体图像进行处理之后，向报警设备发送报警指令，报警指令指示报警设备执行报警操作。
本发明实施例提供的安全帽佩戴检测装置10可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
在一种可能的设计中，确定模块12具体用于：
通过第一模型对第一图像进行处理，得到至少一个人体图像和至少一个头部图像，其中，第一模型为对多组样本进行学习得到的，每组样本包括样本图像、样本人体图像和样本头部图像。
在一种可能的设计中，确定模块12具体用于：
通过第一模型对第一图像进行可变形卷积处理，得到图像特征信息；
通过第一模型对图像特征信息进行处理，得到至少一个人体图像和至少一个头部图像。
在一种可能的设计中，确定模块12还具体用于：
获取至少一个头部图像所在的区域与每个人体图像所在的区域的匹配度；
根据每个头部图像对应的匹配度，在至少一个人体图像中确定每个头部图像对应的人体图像。
在一种可能的设计中，针对至少一个头部图像中的第一头部图像；确定模块12还具体用于：
在第一头部图像对应的匹配度中确定第一匹配度；
将第一匹配度对应的人体图像确定为第一头部图像对应的人体图像。
在一种可能的设计中，确定模块12还具体用于：
根据第一头部图像的类型，在第一图像中增加标识，标识用于指示第一头部图像对应的人体图像；
其中，第一头部图像的类型为第一类型或者第二类型，第一类型用于指示第一头部图像中包括安全帽图像，第二类型用于指示第一头部图像中不包括安全帽图像。
在一种可能的设计中，确定模块12还具体用于：
若第一头部图像的类型为第一类型，则在第一图像中增加第一标识；和/或，若第一头部图像的类型为第二类型，则在第一图像中增加第二标识。
在一种可能的设计中，第一图像为摄像设备在预设区域内采集的图像。
图11为本申请提供的安全帽佩戴检测方法的电子设备的框图。图11是根据本申请实施例的安全帽佩戴检测方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图11所示，该电子设备20包括：一个或多个处理器1、存储器2，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图11中以一个处理器1为例。
存储器2即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的安全帽佩戴检测方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的安全帽佩戴检测方法。
存储器2作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的安全帽佩戴检测方法对应的程序指令/模块(例如，附图9和图10所示的获取模块11、确定模块12和处理模块13，以及图10所示的发送模块14)。处理器1通过运行存储在存储器2中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的安全帽佩戴检测方法。
存储器2可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据安全帽佩戴检测方法的电子设备的使用所创建的数据等。此外，存储器2可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器2可选包括相对于处理器1远程设置的存储器，这些远程存储器可以通过网络连接至安全帽佩戴检测方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
安全帽佩戴检测方法的电子设备20还可以包括：输入装置3和输出装置4。处理器1、存储器2、输入装置3和输出装置4可以通过总线或者其他方式连接，图11中以通过总线连接为例。
输入装置3可接收输入的数字或字符信息，以及产生与安全帽佩戴检测方法的电子设备的用户设置以及功能控制有关的信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置4可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
根据本申请的实施例，本申请还提供了一种计算机程序产品，程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案，解决了依靠监控人员观察施工视频图像确定工作人员是否佩戴安全帽，浪费监控人员的人力劳动，而且在监控人员观察施工视频图像的过程中，可能漏掉部分施工视频图像，导致施工监控的有效性差的问题。提高了安全帽佩戴检测方法的准确性，避免漏检或错检，节省人力劳动。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (11)

1.一种安全帽佩戴检测方法，包括：
获取摄像设备采集的第一图像，所述第一图像中包括至少一个人体图像；
通过第一模型对所述第一图像进行处理，得到所述至少一个人体图像和所述至少一个头部图像，其中，所述第一模型为对多组样本进行学习得到的，每组样本包括样本图像、样本人体图像和样本头部图像；
获取所述至少一个头部图像所在的区域与每个人体图像所在的区域的匹配度；
在第一头部图像对应的匹配度中确定第一匹配度，第一匹配度为第一头部图像对应的匹配度中的最大值；
将所述第一匹配度对应的人体图像确定为所述第一头部图像对应的人体图像；
根据所述第一头部图像的类型，在所述第一图像中增加标识，所述标识用于指示所述第一头部图像对应的人体图像；
其中，所述第一头部图像的类型为第一类型或者第二类型，所述第一类型用于指示所述第一头部图像中包括安全帽图像，所述第二类型用于指示所述第一头部图像中不包括安全帽图像；
根据所述第一头部图像的类型，在所述第一图像中增加标识，包括：
若所述第一头部图像的类型为第一类型，则在所述第一图像中通过第一标识对所述第一头部图像对应的人体图像进行标识处理；
若所述第一头部图像的类型为第二类型，则在所述第一图像中通过第二标识对所述第一头部图像对应的人体图像进行标识处理。
2.根据权利要求1所述的方法，其中，所述通过第一模型对所述第一图像进行处理，得到所述至少一个人体图像和所述至少一个头部图像，包括：
通过所述第一模型对所述第一图像进行可变形卷积处理，得到图像特征信息；
通过所述第一模型对所述图像特征信息进行处理，得到所述至少一个人体图像和所述至少一个头部图像。
3.根据权利要求1所述的方法，其中，所述根据所述至少一个头部图像的类型，对所述至少一个头部图像对应的人体图像进行处理之后，还包括：
向报警设备发送报警指令，所述报警指令指示报警设备执行报警操作。
4.根据权利要求1-3中任一项所述的方法，其中，所述第一图像为所述摄像设备在预设区域内采集的图像。
5.一种安全帽佩戴检测装置，包括：获取模块、确定模块和处理模块，其中，
所述获取模块用于，获取摄像设备采集的第一图像，所述第一图像中包括至少一个人体图像；
所述确定模块用于，通过第一模型对所述第一图像进行处理，得到所述至少一个人体图像和所述至少一个头部图像，其中，所述第一模型为对多组样本进行学习得到的，每组样本包括样本图像、样本人体图像和样本头部图像；
所述确定模块还用于，根据所述至少一个人体图像所在的区域和所述至少一个头部图像所在的区域，在所述至少一个人体图像中确定每个头部图像对应的人体图像；
所述处理模块用于，根据第一头部图像的类型，在所述第一图像中增加标识，所述标识用于指示所述第一头部图像对应的人体图像；
其中，所述第一头部图像的类型为第一类型或者第二类型，所述第一类型用于指示所述第一头部图像中包括安全帽图像，所述第二类型用于指示所述第一头部图像中不包括安全帽图像；
所述确定模块还具体用于：
获取所述至少一个头部图像所在的区域与每个人体图像所在的区域的匹配度；
根据所述每个头部图像对应的匹配度，在所述至少一个人体图像中确定每个头部图像对应的人体图像；
其中，针对所述至少一个头部图像中的第一头部图像；所述确定模块还具体用于：
在所述第一头部图像对应的匹配度中确定第一匹配度，第一匹配度为第一头部图像对应的匹配度中的最大值；
将所述第一匹配度对应的人体图像确定为所述第一头部图像对应的人体图像；
所述处理模块具体用于：
若所述第一头部图像的类型为第一类型，则在所述第一图像中通过第一标识对所述第一头部图像对应的人体图像进行标识处理；
若所述第一头部图像的类型为第二类型，则在所述第一图像中通过第二标识对所述第一头部图像对应的人体图像进行标识处理。
6.根据权利要求5所述的装置，其中，所述确定模块具体用于：
通过所述第一模型对所述第一图像进行可变形卷积处理，得到图像特征信息；
通过所述第一模型对所述图像特征信息进行处理，得到所述至少一个人体图像和所述至少一个头部图像。
7.根据权利要求5所述的装置，其中，所述装置还包括发送模块，其中，所述发送模块用于，在根据所述至少一个头部图像的类型，对所述至少一个头部图像对应的人体图像进行处理之后，向报警设备发送报警指令，所述报警指令指示报警设备执行报警操作。
8.根据权利要求5-6中任一项所述的装置，其中，所述第一图像为所述摄像设备在预设区域内采集的图像。
9.一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。
11.一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现权利要求1-4中任一项所述的方法。
CN202011027004.0A 2020-09-25 2020-09-25 安全帽佩戴检测方法、装置、设备及存储介质 Active CN112101288B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011027004.0A CN112101288B (zh) 2020-09-25 2020-09-25 安全帽佩戴检测方法、装置、设备及存储介质
US17/164,613 US11610388B2 (en) 2020-09-25 2021-02-01 Method and apparatus for detecting wearing of safety helmet, device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011027004.0A CN112101288B (zh) 2020-09-25 2020-09-25 安全帽佩戴检测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112101288A CN112101288A (zh) 2020-12-18
CN112101288B true CN112101288B (zh) 2024-02-13

Family

ID=73755603

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011027004.0A Active CN112101288B (zh) 2020-09-25 2020-09-25 安全帽佩戴检测方法、装置、设备及存储介质

Country Status (2)

Country Link
US (1) US11610388B2 (zh)
CN (1) CN112101288B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627406B (zh) * 2021-10-12 2022-03-08 南方电网数字电网研究院有限公司 异常行为检测方法、装置、计算机设备和存储介质
CN114063188B (zh) * 2021-10-14 2023-12-26 摩拜(北京)信息技术有限公司 头盔佩戴状态的获取方法、装置及可读存储介质
CN116136611A (zh) * 2023-04-17 2023-05-19 浙江口碑网络技术有限公司 头盔佩戴检测方法、装置、电子设备与存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372662A (zh) * 2016-08-30 2017-02-01 腾讯科技（深圳）有限公司 安全帽佩戴的检测方法和装置、摄像头、服务器
CN109670441A (zh) * 2018-12-14 2019-04-23 广东亿迅科技有限公司 一种实现安全帽穿戴识别的方法、系统、终端以及计算机可读存储介质
CN110188724A (zh) * 2019-06-05 2019-08-30 中冶赛迪重庆信息技术有限公司 基于深度学习的安全帽定位与颜色识别的方法及系统
CN111639552A (zh) * 2020-05-14 2020-09-08 上海闪马智能科技有限公司 一种施工现场安全帽佩戴检测方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140307076A1 (en) * 2013-10-03 2014-10-16 Richard Deutsch Systems and methods for monitoring personal protection equipment and promoting worker safety
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
CN109155067A (zh) * 2018-01-23 2019-01-04 深圳市大疆创新科技有限公司 可移动平台的控制方法、设备、计算机可读存储介质
US11238612B2 (en) * 2018-08-28 2022-02-01 Beijing Jingdong Shangke Information Technology Co., Ltd. Device and method of tracking poses of multiple objects based on single-object pose estimator
US11482030B2 (en) * 2020-08-18 2022-10-25 SecurifAI LLC System and method for automatic detection and recognition of people wearing personal protective equipment using deep learning

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372662A (zh) * 2016-08-30 2017-02-01 腾讯科技（深圳）有限公司 安全帽佩戴的检测方法和装置、摄像头、服务器
CN109670441A (zh) * 2018-12-14 2019-04-23 广东亿迅科技有限公司 一种实现安全帽穿戴识别的方法、系统、终端以及计算机可读存储介质
CN110188724A (zh) * 2019-06-05 2019-08-30 中冶赛迪重庆信息技术有限公司 基于深度学习的安全帽定位与颜色识别的方法及系统
CN111639552A (zh) * 2020-05-14 2020-09-08 上海闪马智能科技有限公司 一种施工现场安全帽佩戴检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A computational simulation study of the influence of helmet wearing on head injury risk in adult cyclists;D. S. McNally等;《Accident Analysis & Prevention》;全文 *
基于SSD-MobileNet的安全帽检测算法研究;王菲菲;陈磊;焦良葆;曹雪虹;;信息化研究(03);全文 *

Also Published As

Publication number Publication date
CN112101288A (zh) 2020-12-18
US11610388B2 (en) 2023-03-21
US20210224526A1 (en) 2021-07-22

Similar Documents

Publication Publication Date Title
CN112101288B (zh) 安全帽佩戴检测方法、装置、设备及存储介质
CN110188724B (zh) 基于深度学习的安全帽定位与颜色识别的方法及系统
CN112528850B (zh) 人体识别方法、装置、设备和存储介质
EP3848853A2 (en) Image detection method, apparatus, electronic device and storage medium
CN110110657A (zh) 视觉识别危险的预警方法、装置、设备及存储介质
CN110852183A (zh) 一种未佩戴安全帽人员识别方法、系统、装置和存储介质
CN112153343B (zh) 电梯安全监控方法、装置、监控摄像头和存储介质
US20230186634A1 (en) Vision-based monitoring of site safety compliance based on worker re-identification and personal protective equipment classification
EP3698259A1 (en) Method and system for classifying time-series data
JP2015061339A (ja) 結線作業支援システム
JP2016224547A (ja) 画像処理装置、画像処理システム及び画像処理方法
CN113447128B (zh) 一种多人体温检测方法、装置、电子设备及存储介质
JP2012133666A (ja) 部位認識装置、部位認識方法、及び部位認識プログラム
CN111783600B (zh) 一种人脸识别模型训练方法、装置、设备及介质
KR20210154774A (ko) 이미지 식별 방법, 장치, 전자 기기 및 컴퓨터 프로그램
CN111783613B (zh) 异常检测方法、模型的训练方法、装置、设备及存储介质
TWI732392B (zh) 工廠管理系統及控制系統
EP3432204B1 (en) Telepresence framework for region of interest marking using headmount devices
CN115314684A (zh) 一种铁路桥梁的巡检方法、系统、设备及可读存储介质
CN112949606B (zh) 工服穿戴状态检测方法、装置、存储介质及电子装置
CN111783598B (zh) 一种人脸识别模型训练方法、装置、设备及介质
CN111667626B (zh) 一种基于边缘设备的安全帽和安全带检测识别系统
JP6022625B2 (ja) 部位認識装置、部位認識方法、及び部位認識プログラム
Chen et al. Safety Helmet Wearing Detection System Based on a Two-Stage Network Model
KR102581596B1 (ko) 스마트 안전모

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