CN116912756B - 一种临边防护安全提醒识别方法及系统 - Google Patents
一种临边防护安全提醒识别方法及系统 Download PDFInfo
- Publication number
- CN116912756B CN116912756B CN202310407689.9A CN202310407689A CN116912756B CN 116912756 B CN116912756 B CN 116912756B CN 202310407689 A CN202310407689 A CN 202310407689A CN 116912756 B CN116912756 B CN 116912756B
- Authority
- CN
- China
- Prior art keywords
- interest
- worker
- region
- target
- pixel points
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 238000002372 labelling Methods 0.000 claims abstract description 3
- 238000009826 distribution Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 238000010586 diagram Methods 0.000 claims description 21
- 238000010276 construction Methods 0.000 claims description 17
- 210000003127 knee Anatomy 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 6
- 210000003414 extremity Anatomy 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000037303 wrinkles Effects 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 241000669618 Nothes Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
- G06V10/225—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on a marking or identifier characterising the area
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种临边防护安全提醒识别方法,属于数据识别技术领域,该方法步骤包括:获取监控摄像头在任一帧的去噪后图像;获取去噪后图像中多个感兴趣区域,每个感兴趣区域内包含一个工人;将每个感兴趣区域内每个像素点对应的局部规律程度对应标注在每个感兴趣区域上,得到每个感兴趣区域对应的纹理图;获取每个感兴趣区域对应的衣物褶皱趋势特征图;根据每个感兴趣区域、每个感兴趣区域对应的纹理图和衣物褶皱趋势特征图确定每个工人的临边防护是否合规;本发明针对临边防护场景中,根据工人所在的临边作业环境是在护栏之内还是护栏之外和工人穿戴的安全带类型,进行临边防护提醒。
Description
技术领域
本发明属于数据识别技术领域,具体涉及一种临边防护安全提醒识别方法及系统。
背景技术
在建筑行业的施工工地中,为了杜绝工人高空坠落的风险,需要设置临边防护栏、安全绳等措施。但是总有百密一疏,硬件设施难以百分百落实,有些工人也抱有侥幸心理,在没做好安全措施的情况下进行作业,导致严重的生命安全事故。因此,需要对工人是否穿戴好临边防护安全带进行识别,如果发现未穿戴好安全带,可及时进行提醒,保证工人的安全。此外,临边防护用到的安全带类别分为区域限制安全带和高空作业安全带,由于可承受的压力不同,高空作业安全带可以用于临边防护护栏之外的区域作业,而区域限制安全带只可用于临边防护护栏之内的区域作业,因此,需要对临边作业工人的安全带种类进行识别,目前主流的方法是利用计算机视觉算法识别是否穿戴安全带。
由于安全带的款式多种多样,一个建筑工地的所有工人的安全带颜色,尺寸方面不统一,传统的识别方法一般只基于一种类型的安全带进行识别,面对有多种类型安全带的场景识别效果较差,同时现有的识别方法还不能识别出安全带的类型,但是不同的作用环境所需穿戴的安全带类型是不同的,若仅仅识别出工人是否穿戴安全带而对穿戴安全带的类型不进行识别,就不能准确的确定工人的防护情况,即不能保证高空作业的安全性。
发明内容
本发明提供一种临边防护安全提醒识别方法及系统,构建新的安全带识别模型,针对临边防护场景中,根据工人所在的临边作业环境是在护栏之内还是护栏之外和工人穿戴的安全带类型,进行临边防护提醒。
本发明的一种临边防护安全提醒识别方法采用如下技术方案:
获取监控摄像头在任一帧的去噪后图像;其中,去噪后图像中包含建筑工地施工工人;
获取去噪后图像中多个感兴趣区域,每个感兴趣区域内包含一个工人;
利用每个感兴趣区域内每个像素点在预设邻域范围内全部像素点的灰度值构建灰度共生矩阵;根据每个灰度共生矩阵的自相关性和熵,计算出每个感兴趣区域内每个像素点对应的局部规律程度;
将每个感兴趣区域内每个像素点对应的局部规律程度对应标注在每个感兴趣区域上,得到每个感兴趣区域对应的纹理图;
对每个感兴趣区域进行边缘检测得到多条边缘线,根据每条边缘线两侧像素点的对比度从多条边缘线中选取出褶皱线,由得到的多条褶皱线构成褶皱线显著图;
按照预设延伸长度延伸每条褶皱线两端,根据每条褶皱线每一端延伸出的像素点对应的局部规律程度,计算出每条褶皱线每一端的规律分布值;
将每条褶皱线每一端的规律分布值中最大值作为每条褶皱线的压褶疑似度,将每条褶皱线的压褶疑似度对应标注在褶皱线显著图上,得到每个感兴趣区域对应的衣物褶皱趋势特征图;
根据每个感兴趣区域、该感兴趣区域对应的纹理图、该感兴趣区域对应的衣物褶皱趋势特征图确定出该感兴趣区域内工人安全带的穿戴情况;根据每个感兴趣区域内工人所在位置和工人安全带的穿戴情况,判断每个感兴趣区域内工人的临边防护是否合规。
进一步地,所述计算出每个感兴趣区域内每个像素点对应的局部规律程度的步骤包括:
选取任一感兴趣区域内任一像素点作为中心像素点,获取中心像素点在预设邻域范围内的全部邻域像素点,利用全部邻域像素点和中心像素点的灰度值构建灰度共生矩阵;
计算出中心像素点对应的灰度共生矩阵的自相关性和熵的第一比值;
将第一比值与预设第一参数的乘积,作为中心像素点对应的局部规律程度,同理得到每个感兴趣区域内每个像素点对应的局部规律程度。
进一步地,所述根据每条边缘线两侧像素点的对比度从多条边缘线中选取出褶皱线的步骤包括:
选取任一条边缘线作为目标边缘线,过目标边缘线上每个像素点作目标边缘线的多条垂线;
在每条垂线上从位于目标边缘线上的像素点开始向目标边缘线左侧选取多个像素点,作为左侧筛选后像素点;
在每条垂线上从位于目标边缘线上的像素点开始向目标边缘线右侧选取多个像素点,作为右侧筛选后像素点;
计算出全部左侧筛选后像素点的第一灰度均值和全部右侧筛选后像素点的第二灰度均值;
将第一灰度均值和第二灰度均值的差值绝对值,作为目标边缘线两侧像素点的对比度;
当目标边缘线两侧像素点的对比度大于或等于预设对比度阈值时,将目标边缘线作为褶皱线,同理从多条边缘线中选取出褶皱线。
进一步地,所述计算出每条褶皱线每一端的规律分布值的步骤包括:
获取每条褶皱线第一端按照预设延伸长度延伸出的像素点的数量,同时获取每条褶皱线第一端延伸出的像素点对应的局部规律程度和值;
将每条褶皱线第一端延伸出的像素点对应的局部规律程度和值,与每条褶皱线第一端按照预设延伸长度延伸出的像素点的数量的第二比值,作为每条褶皱线第一端的规律分布值,同理计算出每条褶皱线每一端的规律分布值。
进一步地,所述根据每个感兴趣区域、该感兴趣区域对应的纹理图、该感兴趣区域对应的衣物褶皱趋势特征图确定出该感兴趣区域内工人安全带的穿戴情况的步骤包括:
选取任一工人作为目标工人,获取目标工人对应的感兴趣区域、纹理图以及衣物褶皱趋势特征图;
将目标工人对应的感兴趣区域、纹理图以及衣物褶皱趋势特征图输入到已训练完成的第一神经网络中,输出每个工人上半身是否穿戴安全带;
将目标工人对应的感兴趣区域、纹理图以及衣物褶皱趋势特征图输入到已训练完成的第二神经网络中,输出每个工人下半身是否穿戴安全带;
若目标工人上半身未穿戴安全带,同时目标工人下半身未穿戴安全带,则确定目标工人未穿戴安全带;
若目标工人上半身已穿戴安全带,同时目标工人下半身未穿戴安全带,则确定目标工人穿戴区域限制安全带;
若目标工人上半身已穿戴安全带,同时目标工人下半身已穿戴安全带,则确定目标工人穿戴高空作业安全带;
同理确定出每个感兴趣区域内每个工人安全带的穿戴情况。
进一步地,所述获取去噪后图像中多个感兴趣区域的步骤包括:
对去噪后图像中人体关键点进行检测得到去噪后图像中每个工人骨架图;获取每个工人骨架图的最小外接矩形,将每个最小外接矩形按预设比例扩大后在去噪后图像中对应的区域作为每个感兴趣区域。
进一步地,所述人体关键点包括:
颈部上方、颈部下方、右肩膀、左肩膀、右胯、左胯、右腿膝盖、左腿膝盖八个人体关键点。
进一步地,所述根据每个感兴趣区域内工人所在位置和工人安全带的穿戴情况,判断每个感兴趣区域内工人的临边防护是否合规的步骤包括:
根据每个感兴趣区域和每个感兴趣区域内工人骨架图确定每个工人是在内部临边区域,还是在外部临边区域;
若任一工人在内部临边区域,同时已穿戴区域限制安全带或者已穿戴高空作业安全带,那么临边防护提醒结果为该工人临边防护合规;如果任一工人在内部临边区域,同时未穿戴安全带,那么临边防护提醒结果为该工人临边防护违规;
若任一工人在外部临边区域,同时已穿戴高空作业安全带,那么临边防护提醒结果为该工人临边防护合规;如果任一工人在外部临边区域,同时已穿戴区域限制安全带或者未穿戴安全带,那么临边防护提醒结果为该工人临边防护违规。
进一步地,所述根据每个感兴趣区域和每个感兴趣区域内工人骨架图确定每个工人是在内部临边区域,还是在外部临边区域的步骤包括:
在去噪后图像中人为对属于高层建筑物边界线的像素点进行标记,得到标记后边界像素点;
根据全部标记后边界像素点的坐标来进行拟合得到拟合曲线;
获取目标工人对应的感兴趣区域内工人骨架图中左胯关键点和右胯关键点的位置坐标,计算出左胯关键点与拟合曲线之间的第一距离,计算出右胯关键点与拟合曲线之间的第二距离;
将第一距离和第二距离的均值作为目标工人与拟合曲线之间的最终距离;
当最终距离小于或等于预设警戒阈值时,则目标工人在内部临边区域,否则目标工人在外部临边区域;
同理确定每个工人是在内部临边区域,还是在外部临边区域。
一种临边防护安全提醒识别系统,包括:
图像获取模块,用于获取监控摄像头在任一帧的去噪后图像;其中,去噪后图像中包含建筑工地施工工人;
感兴趣区域获取模块,用于获取去噪后图像中多个感兴趣区域,每个感兴趣区域内包含一个工人;
纹理图获取模块,用于利用每个感兴趣区域内每个像素点在预设邻域范围内全部像素点的灰度值构建灰度共生矩阵;根据每个灰度共生矩阵的自相关性和熵,计算出每个感兴趣区域内每个像素点对应的局部规律程度;用于将每个感兴趣区域内每个像素点对应的局部规律程度对应标注在每个感兴趣区域上,得到每个感兴趣区域对应的纹理图;
褶皱线显著图获取模块,用于对每个感兴趣区域进行边缘检测得到多条边缘线,根据每条边缘线两侧像素点的对比度从多条边缘线中选取出褶皱线,由得到的多条褶皱线构成褶皱线显著图;
衣物褶皱趋势特征图获取模块,用于按照预设延伸长度延伸每条褶皱线两端,根据每条褶皱线每一端延伸出的像素点对应的局部规律程度,计算出每条褶皱线每一端的规律分布值;用于将每条褶皱线每一端的规律分布值中最大值作为每条褶皱线的压褶疑似度,将每条褶皱线的压褶疑似度对应标注在褶皱线显著图上,得到每个感兴趣区域对应的衣物褶皱趋势特征图;
临边防护判断模块,用于根据每个感兴趣区域、该感兴趣区域对应的纹理图、该感兴趣区域对应的衣物褶皱趋势特征图确定出该感兴趣区域内工人安全带的穿戴情况;根据每个感兴趣区域内工人所在位置和工人安全带的穿戴情况,判断每个感兴趣区域内工人的临边防护是否合规。
本发明的有益效果是:
本发明提供一种临边防护安全提醒识别方法及系统,先获取监控摄像头在某一时刻的去噪后图像;对去噪后图像中人体关键点进行检测得到去噪后图像中每一个工人骨架图;本发明以每个工人为研究对象,判断每个工人的安全带穿戴情况;因为安全带上的纹理是较为密集的横纵网格型,与工人的贴身衣物上的纹理有较大差异,因此需要对感兴趣区域进行纹理分析,在对感兴趣区域进行纹理分析时,获取感兴趣区域内每个像素点在预设邻域内的灰度共生矩阵;根据每个灰度共生矩阵的自相关性和熵,计算出每个像素点对应的局部规律程度,由每个像素点对应的局部规律程度组成纹理图;
根据安全带的穿戴标准,安全带卡扣需调整至合适穿戴者身形的位置,安全带整体对人体有一定的约束感,因此被安全带约束着的贴身衣物会产生褶皱,而且衣物褶皱有着向安全带聚拢的趋势,接下来对去噪后图像中衣物褶皱进行分析,得到衣物褶皱趋势特征图;
最后根据纹理图和衣物褶皱趋势特征图来确定工人安全带穿戴情况,识别出工人上半身和下半身是否穿戴安全带,即能识别出工人的安全带穿戴类型;在得到工人的安全带穿戴类型和工人所在位置后,判定工人的临边防护结果是否合规。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种临边防护安全提醒识别方法的实施例总体步骤的流程示意图;
图2为本发明中任一工人骨架图示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的一种临边防护安全提醒识别方法的实施例,如图1所示,该方法包括:
实施例1:
S1、获取监控摄像头在任一帧的去噪后图像;其中,去噪后图像中包含建筑工地施工工人。
在建筑行业的施工工地中,为了杜绝工人高空坠落的风险,需要设置临边防护栏、安全绳等措施。但是总有百密一疏,硬件设施难以百分百落实,有些工人也抱有侥幸心理,在没做好安全措施的情况下进行作业,导致严重的生命安全事故,因此,需要对工人是否穿戴好临边防护安全带进行识别,如果发现未穿戴好安全带,可及时进行提醒保证工人的安全。
临边防护用到的安全带分为区域限制安全带和高空作业安全带,由于可承受的压力不同,高空作业安全带可以用于临边防护护栏之外的区域作业,而区域限制安全带只可用于临边防护护栏之内的区域作业。
在建筑行业的施工工地中,在临边等危险区域会设置监控摄像头,监控摄像头会记录工人的施工作业情况,所以可以直接获取监控摄像头中的画面,接下来以某一个监控摄像头中的画面为例,获取监控摄像头在任一帧的图像为图像A,然后对图像A使用降噪算法滤除噪声点,得到去噪后图像B。
S2、获取去噪后图像中多个感兴趣区域,每个感兴趣区域内包含一个工人。
获取去噪后图像中多个感兴趣区域的步骤包括:对去噪后图像中人体关键点进行检测得到去噪后图像中每个工人骨架图,如图2所示,为本发明中任一工人骨架图示意图;获取每个工人骨架图的最小外接矩形,将每个最小外接矩形按预设比例扩大后在去噪后图像中对应的区域作为每个感兴趣区域。
本发明中使用美国卡耐基梅隆大学开源OpenPose模型对图像B中的人体关键点进行检测,使用可扩展的卡尔曼滤波算法实现对单个工人的目标跟踪,当有两个工人距离过近时,可能会发生识别出来了关键点,但无法判断归属于那个工人,因此使用匈牙利匹配算法完成关键点与工人的配对。
经过以上步骤,得到了图像B中每一个工人的骨架图,考虑到工人站位密集,也为了减少无关变量的干扰,提升OpenPose模型的鲁棒性,只识别与安全带穿戴位置有关的8个关键点,分别是颈部上方、颈部下方、右肩膀、左肩膀、右胯、左胯、右腿膝盖、左腿膝盖;选取任一个工人作为目标工人,获取目标工人骨架图的感兴趣区域,对目标工人骨架图求最小外接矩形,并固定最小外接矩形的中心点,将整个最小外接矩形按照预设比例5%进行放大,避免关键点识别误差导致无法包括整个穿戴了安全带的身躯,最终得到取去噪后图像中多个感兴趣区域,每个感兴趣区域内包含一个工人。
S3、利用每个感兴趣区域内每个像素点在预设邻域范围内全部像素点的灰度值构建灰度共生矩阵;根据每个灰度共生矩阵的自相关性和熵,计算出每个感兴趣区域内每个像素点对应的局部规律程度。
计算出每个感兴趣区域内每个像素点对应的局部规律程度的步骤包括:选取任一感兴趣区域内任一像素点作为中心像素点,获取中心像素点在预设邻域范围内的全部邻域像素点,利用全部邻域像素点和中心像素点的灰度值构建灰度共生矩阵;计算出中心像素点对应的灰度共生矩阵的自相关性和熵的第一比值;将第一比值与预设第一参数的乘积,作为中心像素点对应的局部规律程度,同理得到每个感兴趣区域内每个像素点对应的局部规律程度。
因为安全带上的纹理是较为密集的横纵网格型,与工人的贴身衣物上的纹理有较大差异,因此可对感兴趣区域图像B进行纹理分析;首先,使用灰度转换法将图像B转化为灰度图像G,以灰度图像G中的一个像素点Pixel#为例,在像素点Pixel#的位置展开一个边长为的正方形邻域,其中,Width为安全带的宽度,经验值取Width=10cm,这样选取邻域大小能够使得安全带中心的像素点的局部规律程度Reg达到最大。
求得正方形邻域的灰度共生矩阵,然后求得灰度共生矩阵的自相关性COR和熵ENT,综合得到局部规律程度Reg:
其中,Reg表示Pixel#像素点的局部规律程度;COR表示灰度共生矩阵的自相关性;ENT表示灰度共生矩阵的熵;k1表示超参数,实施者可自行设定,本发明将其设置为2。
在像素点的局部规律程度计算公式中,自相关性COR度量了灰度共生矩阵元素在行或列方向上的相似程度,自相关性越大,说明纹理越规则。熵ENT反应了图像中纹理的非均匀程度或复杂程度,值越大,说明该像素点周围的纹理越无序。
S4、将每个感兴趣区域内每个像素点对应的局部规律程度对应标注在每个感兴趣区域上,得到每个感兴趣区域对应的纹理图。
本发明中通过步骤S3得到了每个感兴趣区域内每个像素点对应的局部规律程度,将每个感兴趣区域内每个像素点对应的局部规律程度对应标注在每个感兴趣区域上,得到每个感兴趣区域对应的纹理图。
S5、对每个感兴趣区域进行边缘检测得到多条边缘线,根据每条边缘线两侧像素点的对比度从多条边缘线中选取出褶皱线,由得到的多条褶皱线构成褶皱线显著图。
根据每条边缘线两侧像素点的对比度从多条边缘线中选取出褶皱线的步骤包括:选取任一条边缘线作为目标边缘线,过目标边缘线上每个像素点作目标边缘线的多条垂线;在每条垂线上从位于目标边缘线上的像素点开始向目标边缘线左侧选取多个像素点,作为左侧筛选后像素点;在每条垂线上从位于目标边缘线上的像素点开始向目标边缘线右侧选取多个像素点,作为右侧筛选后像素点;计算出全部左侧筛选后像素点的第一灰度均值和全部右侧筛选后像素点的第二灰度均值;将第一灰度均值和第二灰度均值的差值绝对值,作为目标边缘线两侧像素点的对比度;当目标边缘线两侧像素点的对比度大于或等于预设对比度阈值时,将目标边缘线作为褶皱线,同理从多条边缘线中选取出褶皱线。
根据安全带的穿戴标准,安全带卡扣需调整至合适穿戴者身形的位置,安全带整体对人体有一定的约束感。因此被安全带约束着的贴身衣物会产生褶皱,而且衣物褶皱有着向安全带聚拢的趋势,接下来对此进行分析。
本发明由全部左侧筛选后像素点组成Block1集合,由全部右侧筛选后像素点组成Block2集合,对所有Block1中像素点求均值得到第一灰度均值Ave1,对所有Block2中像素点求均值得到第二灰度均值Ave2,然后求得目标边缘线两侧像素点的对比度CON,目标边缘线两侧像素点的对比度CON的计算公式为:
CON=|Ave1-Ave2|
其中,CON表示目标边缘线两侧像素点的对比度;Ave1表示对全部左侧筛选后像素点求均值得到的第一灰度均值;Ave2表示对全部右侧筛选后像素点求均值得到的第二灰度均值。因为衣物褶皱的两侧往往是有着光影过渡的,若没有光影过渡,则更可能是衣物表面的平面图案。
设定预设对比度阈值β,经验值取β=0.5,若一条目标边缘线对比度CON满足CON≥β,则该条目标边缘线作为褶皱线,同理从多条边缘线中选取出褶皱线,由得到的多条褶皱线构成褶皱线显著图。
S6、按照预设延伸长度延伸每条褶皱线两端,根据每条褶皱线每一端延伸出的像素点对应的局部规律程度,计算出每条褶皱线每一端的规律分布值。
计算出每条褶皱线每一端的规律分布值的步骤包括:获取每条褶皱线第一端按照预设延伸长度延伸出的像素点的数量,同时获取每条褶皱线第一端延伸出的像素点对应的局部规律程度和值;将每条褶皱线第一端延伸出的像素点对应的局部规律程度和值,与每条褶皱线第一端按照预设延伸长度延伸出的像素点的数量的第二比值,作为每条褶皱线第一端的规律分布值,同理计算出每条褶皱线每一端的规律分布值。
选取任一条褶皱线作为目标褶皱线,目标褶皱线按照预设延伸长度延伸出的像素点的数量M,同时获取目标褶皱线第一端延伸出的像素点对应的局部规律程度和值,得到目标褶皱线第一端的规律分布值;目标褶皱线第一端的规律分布值的计算公式为:
其中,Front1表示目标褶皱线第一端的规律分布值;Regi表示目标褶皱线第一端延伸出第i个像素点对应的局部规律程度;M表示目标褶皱线按照预设延伸长度延伸出的像素点的数量M;Width表示安全带的宽度,经验值取Width=10cm;同理计算出目标褶皱线第二端的规律分布值Front2;在目标褶皱线第一端的规律分布值的计算公式中,利用目标褶皱线第一端延伸出像素点对应的局部规律程度均值,作为目标褶皱线第一端的规律分布值。
S7、将每条褶皱线每一端的规律分布值中最大值作为每条褶皱线的压褶疑似度,将每条褶皱线的压褶疑似度对应标注在褶皱线显著图上,得到每个感兴趣区域对应的衣物褶皱趋势特征图。
只要有一端是安全带,那么褶皱线就是安全带造成的,因此,将每条褶皱线每一端的规律分布值中最大值作为每条褶皱线的压褶疑似度Poss=MAX(Frout1,Front2),将每条褶皱线的压褶疑似度对应标注在褶皱线显著图上,得到每个感兴趣区域对应的衣物褶皱趋势特征图。
S8、根据每个感兴趣区域、该感兴趣区域对应的纹理图、该感兴趣区域对应的衣物褶皱趋势特征图确定出该感兴趣区域内工人安全带的穿戴情况;根据每个感兴趣区域内工人所在位置和工人安全带的穿戴情况,判断每个感兴趣区域内工人的临边防护是否合规。
本发明中在得到每个感兴趣区域、该感兴趣区域对应的纹理图、该感兴趣区域对应的衣物褶皱趋势特征图后,先根据每个感兴趣区域、该感兴趣区域对应的纹理图、该感兴趣区域对应的衣物褶皱趋势特征图确定出该感兴趣区域内工人安全带的穿戴情况;后根据每个感兴趣区域内工人所在位置和工人安全带的穿戴情况,判断每个感兴趣区域内工人的临边防护是否合规。
实施例2:
本实施例基于实施例1,本实施例中,根据每个感兴趣区域、该感兴趣区域对应的纹理图、该感兴趣区域对应的衣物褶皱趋势特征图确定出该感兴趣区域内工人安全带的穿戴情况的步骤包括:选取任一工人作为目标工人,获取目标工人对应的感兴趣区域、纹理图以及衣物褶皱趋势特征图;将目标工人对应的感兴趣区域、纹理图以及衣物褶皱趋势特征图输入到已训练完成的第一神经网络中,输出每个工人上半身是否穿戴安全带;将目标工人对应的感兴趣区域、纹理图以及衣物褶皱趋势特征图输入到已训练完成的第二神经网络中,输出每个工人下半身是否穿戴安全带;若目标工人上半身未穿戴安全带,同时目标工人下半身未穿戴安全带,则确定目标工人未穿戴安全带;若目标工人上半身已穿戴安全带,同时目标工人下半身未穿戴安全带,则确定目标工人穿戴区域限制安全带;若目标工人上半身已穿戴安全带,同时目标工人下半身已穿戴安全带,则确定目标工人穿戴高空作业安全带;同理确定出每个感兴趣区域内每个工人安全带的穿戴情况。
人体关键点包括:颈部上方、颈部下方、右肩膀、左肩膀、右胯、左胯、右腿膝盖、左腿膝盖八个人体关键点。
根据每个感兴趣区域内工人所在位置和工人安全带的穿戴情况,判断每个感兴趣区域内工人的临边防护是否合规的步骤包括:根据每个感兴趣区域和每个感兴趣区域内工人骨架图确定每个工人是在内部临边区域,还是在外部临边区域;若任一工人在内部临边区域,同时已穿戴区域限制安全带或者已穿戴高空作业安全带,那么临边防护提醒结果为该工人临边防护合规;如果任一工人在内部临边区域,同时未穿戴安全带,那么临边防护提醒结果为该工人临边防护违规;若任一工人在外部临边区域,同时已穿戴高空作业安全带,那么临边防护提醒结果为该工人临边防护合规;如果任一工人在外部临边区域,同时已穿戴区域限制安全带或者未穿戴安全带,那么临边防护提醒结果为该工人临边防护违规。
根据每个感兴趣区域和每个感兴趣区域内工人骨架图确定每个工人是在内部临边区域,还是在外部临边区域的步骤包括:在去噪后图像中人为对属于高层建筑物边界线的像素点进行标记,得到标记后边界像素点;根据全部标记后边界像素点的坐标来进行拟合得到拟合曲线;获取目标工人对应的感兴趣区域内工人骨架图中左胯关键点和右胯关键点的位置坐标,计算出左胯关键点与拟合曲线之间的第一距离,计算出右胯关键点与拟合曲线之间的第二距离;将第一距离和第二距离的均值作为目标工人与拟合曲线之间的最终距离;当最终距离小于或等于预设警戒阈值时,则目标工人在内部临边区域,否则目标工人在外部临边区域;同理确定每个工人是在内部临边区域,还是在外部临边区域。
本实施例中,连接右胯关键点和左胯关键点,延长这条连线,使其分割目标工人骨架图的感兴趣区域,将右胯关键点和左胯关键点连线上方的区域作为第一子区域,将右胯关键点和左胯关键点连线下方的区域作为第二子区域。
首先构建第一神经网络识别上半身,即识别第一子区域的安全带穿戴情况;第二神经网络的具体结构为Yolo v5,第一神经网络的输入为第一子区域的去噪后图像、纹理规律性图、衣物褶皱趋势特征图,输出安全带穿戴情况;安全带穿戴情况的识别结果分为两种:上半身已穿戴安全带、上半身未穿戴安全带;接下来,训练第一神经网络,采集各种上半身已穿戴安全带图像,和已知上半身已穿戴安全带图像的每个感兴趣区域、该感兴趣区域对应的纹理图、该感兴趣区域对应的衣物褶皱趋势特征图,作为训练集,使用均方误差损失函数做反向传播使得第一神经网络收敛,优化算法使用Adam。
接着构建第二神经网络识别下半身,即识别第二子区域的安全带穿戴情况,如果第一神经网络成功识别到了已穿戴安全带,那么接下来运行第二神经网络,第二神经网络的具体结构为Yolo v5,将第一神经网络作为源领域,第二神经网络作为目标领域,进行迁移学习,使得第二神经网络的参数有了初始值,加快了训练过程,吸收了第一神经网络学习到的特征,而未经过迁移学习的第二神经网络的参数是随机初始化的;在训练第二神经网络时,采集各种下半身已穿戴安全带图像,和已知下半身已穿戴安全带图像的每个感兴趣区域、该感兴趣区域对应的纹理图、该感兴趣区域对应的衣物褶皱趋势特征图,作为训练集,使用均方误差损失函数做反向传播使得第二神经网络收敛,优化算法使用Adam。
最终,综合第一神经网络和第二神经网络的识别结果,可得到工人的安全带穿戴情况:若识别结果的组合为上半身未穿戴安全带,否则为未穿戴安全带;若识别结果的组合为上半身穿戴安全带+半身未穿戴安全带,则为已穿戴区域限制安全带;若识别结果的组合为上半身已穿戴安全带+下半身已穿戴安全带,则为已穿戴高空作业安全带。
根据每个感兴趣区域和每个感兴趣区域内工人骨架图确定每个工人是在内部临边区域,还是在外部临边区域,需要在去噪后图像中人为对属于高层建筑物边界线的像素点进行标记,得到标记后边界像素点;根据全部标记后边界像素点的坐标来进行拟合得到拟合曲线,在得到拟合曲线后,求取工人与拟合曲线之间的距离,先获取左胯关键点的位置坐标(x1,y1),同时获取右胯关键点的位置坐标(x2,y2)。
计算出左胯关键点的位置坐标(x1,y1)和右胯关键点的位置坐标(x2,y2)与拟合曲线之间的距离,左胯关键点与拟合曲线之间的距离计算公式为:
在计算出左胯关键点与拟合曲线之间的距离Dis1后,计算出右胯关键点与拟合曲线之间的距离Dis2,之后求Dis1和Dis2的均值本发明中预设警戒阈值为/>经验值取若距离/>满足/>则该工人在内部临边区域,否则工人在外部临边区域;分析工人所处位置,得到分析结果:工人在内部临边区域、工人在外部临边区域。
根据行业标准,在内部临边区域(05)作业的工人只需要穿戴区域限制安全带,也可穿戴高空作业安全带;在在外部临边区域(06)作业的工人必须穿戴高空作业安全带。
根据每个感兴趣区域和每个感兴趣区域内工人骨架图确定每个工人是在内部临边区域,还是在外部临边区域;若任一工人在内部临边区域,同时已穿戴区域限制安全带或者已穿戴高空作业安全带,那么临边防护提醒结果为该工人临边防护合规;如果任一工人在内部临边区域,同时未穿戴安全带,那么临边防护提醒结果为该工人临边防护违规;若任一工人在外部临边区域,同时已穿戴高空作业安全带,那么临边防护提醒结果为该工人临边防护合规;如果任一工人在外部临边区域,同时已穿戴区域限制安全带或者未穿戴安全带,那么临边防护提醒结果为该工人临边防护违规;在得到每个工人的临边防护结果后通过扬声器进行提醒,达到保障建筑生产安全的目的。
实施例3:
本实施例提供了一种临边防护安全提醒识别系统,包括:
图像获取模块,用于获取监控摄像头在任一帧的去噪后图像;其中,去噪后图像中包含建筑工地施工工人;
感兴趣区域获取模块,用于获取去噪后图像中多个感兴趣区域,每个感兴趣区域内包含一个工人;
纹理图获取模块,用于利用每个感兴趣区域内每个像素点在预设邻域范围内全部像素点的灰度值构建灰度共生矩阵;根据每个灰度共生矩阵的自相关性和熵,计算出每个感兴趣区域内每个像素点对应的局部规律程度;用于将每个感兴趣区域内每个像素点对应的局部规律程度对应标注在每个感兴趣区域上,得到每个感兴趣区域对应的纹理图;
褶皱线显著图获取模块,用于对每个感兴趣区域进行边缘检测得到多条边缘线,根据每条边缘线两侧像素点的对比度从多条边缘线中选取出褶皱线,由得到的多条褶皱线构成褶皱线显著图;
衣物褶皱趋势特征图获取模块,用于按照预设延伸长度延伸每条褶皱线两端,根据每条褶皱线每一端延伸出的像素点对应的局部规律程度,计算出每条褶皱线每一端的规律分布值;用于将每条褶皱线每一端的规律分布值中最大值作为每条褶皱线的压褶疑似度,将每条褶皱线的压褶疑似度对应标注在褶皱线显著图上,得到每个感兴趣区域对应的衣物褶皱趋势特征图;
临边防护判断模块,用于根据每个感兴趣区域、该感兴趣区域对应的纹理图、该感兴趣区域对应的衣物褶皱趋势特征图确定出该感兴趣区域内工人安全带的穿戴情况;根据每个感兴趣区域内工人所在位置和工人安全带的穿戴情况,判断每个感兴趣区域内工人的临边防护是否合规。
本实施例提供了一种临边防护安全提醒识别系统具体实施方式与一种临边防护安全提醒识别方法的实施方式基本相同,在此不再赘述。
本发明提供一种临边防护安全提醒识别方法及系统,构建新的安全带识别模型,针对临边防护场景中,根据工人所在的临边作业环境是在护栏之内还是护栏之外和工人穿戴的安全带类型,进行临边防护提醒。
Claims (3)
1.一种临边防护安全提醒识别方法,其特征在于,该方法包括:
获取监控摄像头在任一帧的去噪后图像;其中,去噪后图像中包含建筑工地施工工人;
获取去噪后图像中多个感兴趣区域,每个感兴趣区域内包含一个工人;
利用每个感兴趣区域内每个像素点在预设邻域范围内全部像素点的灰度值构建灰度共生矩阵;根据每个灰度共生矩阵的自相关性和熵,计算出每个感兴趣区域内每个像素点对应的局部规律程度;
将每个感兴趣区域内每个像素点对应的局部规律程度对应标注在每个感兴趣区域上,得到每个感兴趣区域对应的纹理图;
对每个感兴趣区域进行边缘检测得到多条边缘线,根据每条边缘线两侧像素点的对比度从多条边缘线中选取出褶皱线,由得到的多条褶皱线构成褶皱线显著图;
按照预设延伸长度延伸每条褶皱线两端,根据每条褶皱线每一端延伸出的像素点对应的局部规律程度,计算出每条褶皱线每一端的规律分布值;
将每条褶皱线每一端的规律分布值中最大值作为每条褶皱线的压褶疑似度,将每条褶皱线的压褶疑似度对应标注在褶皱线显著图上,得到每个感兴趣区域对应的衣物褶皱趋势特征图;
根据每个感兴趣区域、该感兴趣区域对应的纹理图、该感兴趣区域对应的衣物褶皱趋势特征图确定出该感兴趣区域内工人安全带的穿戴情况;根据每个感兴趣区域内工人所在位置和工人安全带的穿戴情况,判断每个感兴趣区域内工人的临边防护是否合规;
所述计算出每个感兴趣区域内每个像素点对应的局部规律程度的步骤包括:
选取任一感兴趣区域内任一像素点作为中心像素点,获取中心像素点在预设邻域范围内的全部邻域像素点,利用全部邻域像素点和中心像素点的灰度值构建灰度共生矩阵;
计算出中心像素点对应的灰度共生矩阵的自相关性和熵的第一比值;
将第一比值与预设第一参数的乘积,作为中心像素点对应的局部规律程度,同理得到每个感兴趣区域内每个像素点对应的局部规律程度;
所述根据每条边缘线两侧像素点的对比度从多条边缘线中选取出褶皱线的步骤包括:
选取任一条边缘线作为目标边缘线,过目标边缘线上每个像素点作目标边缘线的多条垂线;
在每条垂线上从位于目标边缘线上的像素点开始向目标边缘线左侧选取多个像素点,作为左侧筛选后像素点;
在每条垂线上从位于目标边缘线上的像素点开始向目标边缘线右侧选取多个像素点,作为右侧筛选后像素点;
计算出全部左侧筛选后像素点的第一灰度均值和全部右侧筛选后像素点的第二灰度均值;
将第一灰度均值和第二灰度均值的差值绝对值,作为目标边缘线两侧像素点的对比度;
当目标边缘线两侧像素点的对比度大于或等于预设对比度阈值时,将目标边缘线作为褶皱线,同理从多条边缘线中选取出褶皱线;
所述计算出每条褶皱线每一端的规律分布值的步骤包括:
获取每条褶皱线第一端按照预设延伸长度延伸出的像素点的数量,同时获取每条褶皱线第一端延伸出的像素点对应的局部规律程度和值;
将每条褶皱线第一端延伸出的像素点对应的局部规律程度和值,与每条褶皱线第一端按照预设延伸长度延伸出的像素点的数量的第二比值,作为每条褶皱线第一端的规律分布值,同理计算出每条褶皱线每一端的规律分布值;
所述根据每个感兴趣区域、该感兴趣区域对应的纹理图、该感兴趣区域对应的衣物褶皱趋势特征图确定出该感兴趣区域内工人安全带的穿戴情况的步骤包括:
选取任一工人作为目标工人,获取目标工人对应的感兴趣区域、纹理图以及衣物褶皱趋势特征图;
将目标工人对应的感兴趣区域、纹理图以及衣物褶皱趋势特征图输入到已训练完成的第一神经网络中,输出每个工人上半身是否穿戴安全带;
将目标工人对应的感兴趣区域、纹理图以及衣物褶皱趋势特征图输入到已训练完成的第二神经网络中,输出每个工人下半身是否穿戴安全带;
若目标工人上半身未穿戴安全带,同时目标工人下半身未穿戴安全带,则确定目标工人未穿戴安全带;
若目标工人上半身已穿戴安全带,同时目标工人下半身未穿戴安全带,则确定目标工人穿戴区域限制安全带;
若目标工人上半身已穿戴安全带,同时目标工人下半身已穿戴安全带,则确定目标工人穿戴高空作业安全带;
同理确定出每个感兴趣区域内每个工人安全带的穿戴情况;
所述获取去噪后图像中多个感兴趣区域的步骤包括:
对去噪后图像中人体关键点进行检测得到去噪后图像中每个工人骨架图;获取每个工人骨架图的最小外接矩形,将每个最小外接矩形按预设比例扩大后在去噪后图像中对应的区域作为每个感兴趣区域;
所述根据每个感兴趣区域内工人所在位置和工人安全带的穿戴情况,判断每个感兴趣区域内工人的临边防护是否合规的步骤包括:
根据每个感兴趣区域和每个感兴趣区域内工人骨架图确定每个工人是在内部临边区域,还是在外部临边区域;
若任一工人在内部临边区域,同时已穿戴区域限制安全带或者已穿戴高空作业安全带,那么临边防护提醒结果为该工人临边防护合规;如果任一工人在内部临边区域,同时未穿戴安全带,那么临边防护提醒结果为该工人临边防护违规;
若任一工人在外部临边区域,同时已穿戴高空作业安全带,那么临边防护提醒结果为该工人临边防护合规;如果任一工人在外部临边区域,同时已穿戴区域限制安全带或者未穿戴安全带,那么临边防护提醒结果为该工人临边防护违规;
所述根据每个感兴趣区域和每个感兴趣区域内工人骨架图确定每个工人是在内部临边区域,还是在外部临边区域的步骤包括:
在去噪后图像中人为对属于高层建筑物边界线的像素点进行标记,得到标记后边界像素点;
根据全部标记后边界像素点的坐标来进行拟合得到拟合曲线;
获取目标工人对应的感兴趣区域内工人骨架图中左胯关键点和右胯关键点的位置坐标,计算出左胯关键点与拟合曲线之间的第一距离,计算出右胯关键点与拟合曲线之间的第二距离;
将第一距离和第二距离的均值作为目标工人与拟合曲线之间的最终距离;
当最终距离小于或等于预设警戒阈值时,则目标工人在内部临边区域,否则目标工人在外部临边区域;
同理确定每个工人是在内部临边区域,还是在外部临边区域。
2.根据权利要求1所述的一种临边防护安全提醒识别方法,其特征在于,所述人体关键点包括:
颈部上方、颈部下方、右肩膀、左肩膀、右胯、左胯、右腿膝盖、左腿膝盖八个人体关键点。
3.一种临边防护安全提醒识别系统,其特征在于,包括:
图像获取模块,用于获取监控摄像头在任一帧的去噪后图像;其中,去噪后图像中包含建筑工地施工工人;
感兴趣区域获取模块,用于获取去噪后图像中多个感兴趣区域,每个感兴趣区域内包含一个工人;
纹理图获取模块,用于利用每个感兴趣区域内每个像素点在预设邻域范围内全部像素点的灰度值构建灰度共生矩阵;根据每个灰度共生矩阵的自相关性和熵,计算出每个感兴趣区域内每个像素点对应的局部规律程度;用于将每个感兴趣区域内每个像素点对应的局部规律程度对应标注在每个感兴趣区域上,得到每个感兴趣区域对应的纹理图;
褶皱线显著图获取模块,用于对每个感兴趣区域进行边缘检测得到多条边缘线,根据每条边缘线两侧像素点的对比度从多条边缘线中选取出褶皱线,由得到的多条褶皱线构成褶皱线显著图;
衣物褶皱趋势特征图获取模块,用于按照预设延伸长度延伸每条褶皱线两端,根据每条褶皱线每一端延伸出的像素点对应的局部规律程度,计算出每条褶皱线每一端的规律分布值;用于将每条褶皱线每一端的规律分布值中最大值作为每条褶皱线的压褶疑似度,将每条褶皱线的压褶疑似度对应标注在褶皱线显著图上,得到每个感兴趣区域对应的衣物褶皱趋势特征图;
临边防护判断模块,用于根据每个感兴趣区域、该感兴趣区域对应的纹理图、该感兴趣区域对应的衣物褶皱趋势特征图确定出该感兴趣区域内工人安全带的穿戴情况;根据每个感兴趣区域内工人所在位置和工人安全带的穿戴情况,判断每个感兴趣区域内工人的临边防护是否合规;
所述感兴趣区域获取模块进一步用于对去噪后图像中人体关键点进行检测得到去噪后图像中每个工人骨架图;获取每个工人骨架图的最小外接矩形,将每个最小外接矩形按预设比例扩大后在去噪后图像中对应的区域作为每个感兴趣区域;
所述纹理图获取模块进一步用于选取任一感兴趣区域内任一像素点作为中心像素点,获取中心像素点在预设邻域范围内的全部邻域像素点,利用全部邻域像素点和中心像素点的灰度值构建灰度共生矩阵;计算出中心像素点对应的灰度共生矩阵的自相关性和熵的第一比值;将第一比值与预设第一参数的乘积,作为中心像素点对应的局部规律程度,同理得到每个感兴趣区域内每个像素点对应的局部规律程度;
所述褶皱线显著图获取模块进一步用于选取任一条边缘线作为目标边缘线,过目标边缘线上每个像素点作目标边缘线的多条垂线;在每条垂线上从位于目标边缘线上的像素点开始向目标边缘线左侧选取多个像素点,作为左侧筛选后像素点;在每条垂线上从位于目标边缘线上的像素点开始向目标边缘线右侧选取多个像素点,作为右侧筛选后像素点;计算出全部左侧筛选后像素点的第一灰度均值和全部右侧筛选后像素点的第二灰度均值;将第一灰度均值和第二灰度均值的差值绝对值,作为目标边缘线两侧像素点的对比度;当目标边缘线两侧像素点的对比度大于或等于预设对比度阈值时,将目标边缘线作为褶皱线,同理从多条边缘线中选取出褶皱线;
所述衣物褶皱趋势特征图获取模块进一步用于获取每条褶皱线第一端按照预设延伸长度延伸出的像素点的数量,同时获取每条褶皱线第一端延伸出的像素点对应的局部规律程度和值;将每条褶皱线第一端延伸出的像素点对应的局部规律程度和值,与每条褶皱线第一端按照预设延伸长度延伸出的像素点的数量的第二比值,作为每条褶皱线第一端的规律分布值,同理计算出每条褶皱线每一端的规律分布值;
所述临边防护判断模块进一步用于选取任一工人作为目标工人,获取目标工人对应的感兴趣区域、纹理图以及衣物褶皱趋势特征图;将目标工人对应的感兴趣区域、纹理图以及衣物褶皱趋势特征图输入到已训练完成的第一神经网络中,输出每个工人上半身是否穿戴安全带;将目标工人对应的感兴趣区域、纹理图以及衣物褶皱趋势特征图输入到已训练完成的第二神经网络中,输出每个工人下半身是否穿戴安全带;若目标工人上半身未穿戴安全带,同时目标工人下半身未穿戴安全带,则确定目标工人未穿戴安全带;若目标工人上半身已穿戴安全带,同时目标工人下半身未穿戴安全带,则确定目标工人穿戴区域限制安全带;若目标工人上半身已穿戴安全带,同时目标工人下半身已穿戴安全带,则确定目标工人穿戴高空作业安全带;同理确定出每个感兴趣区域内每个工人安全带的穿戴情况;以及用于在去噪后图像中人为对属于高层建筑物边界线的像素点进行标记,得到标记后边界像素点;根据全部标记后边界像素点的坐标来进行拟合得到拟合曲线;获取目标工人对应的感兴趣区域内工人骨架图中左胯关键点和右胯关键点的位置坐标,计算出左胯关键点与拟合曲线之间的第一距离,计算出右胯关键点与拟合曲线之间的第二距离;将第一距离和第二距离的均值作为目标工人与拟合曲线之间的最终距离;当最终距离小于或等于预设警戒阈值时,则目标工人在内部临边区域,否则目标工人在外部临边区域;同理确定每个工人是在内部临边区域,还是在外部临边区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310407689.9A CN116912756B (zh) | 2023-04-14 | 2023-04-14 | 一种临边防护安全提醒识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310407689.9A CN116912756B (zh) | 2023-04-14 | 2023-04-14 | 一种临边防护安全提醒识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116912756A CN116912756A (zh) | 2023-10-20 |
CN116912756B true CN116912756B (zh) | 2024-04-09 |
Family
ID=88363507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310407689.9A Active CN116912756B (zh) | 2023-04-14 | 2023-04-14 | 一种临边防护安全提醒识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116912756B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150045235A (ko) * | 2013-10-18 | 2015-04-28 | 아이브스테크놀러지(주) | 안전 벨트 탐지 장치 및 방법 |
WO2019113308A1 (en) * | 2017-12-05 | 2019-06-13 | Franchitti Jean Claude | Active adaptation of networked compute devices using vetted reusable software components |
CN112382044A (zh) * | 2020-10-30 | 2021-02-19 | 北京中铁建建筑科技有限公司 | 一种用于工地的智能安全监控系统 |
CN112396017A (zh) * | 2020-11-27 | 2021-02-23 | 上海建科工程咨询有限公司 | 一种基于图像识别的工程安全隐患识别方法及系统 |
CN113313186A (zh) * | 2021-06-09 | 2021-08-27 | 广东电网有限责任公司 | 一种不规范穿戴工作服识别方法及系统 |
CN113404318A (zh) * | 2021-07-06 | 2021-09-17 | 中建八局第三建设有限公司 | 基于bim、uwb和ar技术的临边洞口施工管控方法 |
CN114663772A (zh) * | 2022-04-15 | 2022-06-24 | 智洋创新科技股份有限公司 | 一种电网现场作业人员合规穿戴检测方法和系统 |
CN114757643A (zh) * | 2022-04-06 | 2022-07-15 | 中建八局发展建设有限公司 | 一种混凝土浇筑过程智能监管动态识别系统和方法 |
CN115471874A (zh) * | 2022-10-28 | 2022-12-13 | 山东新众通信息科技有限公司 | 基于监控视频的施工现场危险行为识别方法 |
CN115497040A (zh) * | 2022-09-14 | 2022-12-20 | 南京晓庄学院 | 一种基于图像识别的施工现场安全管理辅助决策系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180034408A1 (en) * | 2016-07-29 | 2018-02-01 | X Development Llc | Edge protection for a floating photovoltaic power generation system |
-
2023
- 2023-04-14 CN CN202310407689.9A patent/CN116912756B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150045235A (ko) * | 2013-10-18 | 2015-04-28 | 아이브스테크놀러지(주) | 안전 벨트 탐지 장치 및 방법 |
WO2019113308A1 (en) * | 2017-12-05 | 2019-06-13 | Franchitti Jean Claude | Active adaptation of networked compute devices using vetted reusable software components |
CN112382044A (zh) * | 2020-10-30 | 2021-02-19 | 北京中铁建建筑科技有限公司 | 一种用于工地的智能安全监控系统 |
CN112396017A (zh) * | 2020-11-27 | 2021-02-23 | 上海建科工程咨询有限公司 | 一种基于图像识别的工程安全隐患识别方法及系统 |
CN113313186A (zh) * | 2021-06-09 | 2021-08-27 | 广东电网有限责任公司 | 一种不规范穿戴工作服识别方法及系统 |
CN113404318A (zh) * | 2021-07-06 | 2021-09-17 | 中建八局第三建设有限公司 | 基于bim、uwb和ar技术的临边洞口施工管控方法 |
CN114757643A (zh) * | 2022-04-06 | 2022-07-15 | 中建八局发展建设有限公司 | 一种混凝土浇筑过程智能监管动态识别系统和方法 |
CN114663772A (zh) * | 2022-04-15 | 2022-06-24 | 智洋创新科技股份有限公司 | 一种电网现场作业人员合规穿戴检测方法和系统 |
CN115497040A (zh) * | 2022-09-14 | 2022-12-20 | 南京晓庄学院 | 一种基于图像识别的施工现场安全管理辅助决策系统 |
CN115471874A (zh) * | 2022-10-28 | 2022-12-13 | 山东新众通信息科技有限公司 | 基于监控视频的施工现场危险行为识别方法 |
Non-Patent Citations (3)
Title |
---|
A multidimensional chaotic image encryption algorithm based on the region of interest;Liu, Yang 等;《SPRINGER》;20200221;全文 * |
基于BIM与机器视觉技术结合的建筑施工危险区域入侵预警研究;王伟;吕山可;张雨果;赵楚楠;何华刚;;安全与环境工程;20200330(第02期);全文 * |
基于深度学习的口罩佩戴检测方法研究;陈政生;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20220215(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116912756A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102697503B (zh) | 一种基于毫米波成像的人体检测方法 | |
CN102708372B (zh) | 一种隐匿物品的自动检测和识别方法 | |
CN101425137A (zh) | 基于拉普拉斯金字塔的人脸图像融合方法 | |
EP3044759B1 (de) | Verfahren zur analyse der räumlichen ausdehnung von freien warteschlangen | |
CN110378179B (zh) | 基于红外热成像的地铁逃票行为检测方法及系统 | |
CN102609684B (zh) | 人体姿势检测方法及装置 | |
CN104486618B (zh) | 视频图像的噪声检测方法及装置 | |
CN103530878A (zh) | 一种基于融合策略的边缘提取方法 | |
CN102708561B (zh) | 一种基于毫米波成像的隐私保护装置 | |
CN102332157B (zh) | 一种消除阴影的方法 | |
CN102707322A (zh) | 一种基于毫米波成像的人体检测装置 | |
CN110889376A (zh) | 一种基于深度学习的安全帽佩戴检测系统及方法 | |
DE112011105435B4 (de) | Augenliderfassungsvorrichtung | |
JP2012203680A (ja) | 画像処理装置 | |
CN112613359B (zh) | 用于人员异常行为检测的神经网络的构建方法 | |
CN113223009A (zh) | 一种衣着检测系统 | |
CN109215010A (zh) | 一种图像质量判断的方法及机器人人脸识别系统 | |
CN101527043A (zh) | 基于运动目标轮廓信息的视频对象分割方法 | |
CN115082465B (zh) | 基于扫描电镜图像处理的羊毛羊绒分类方法 | |
CN108108740B (zh) | 一种主动毫米波人体图像性别识别方法 | |
CN108090426A (zh) | 一种基于机器视觉的群养猪身份识别方法 | |
CN111967455A (zh) | 一种基于计算机视觉综合判定规定着装的方法 | |
CN116912756B (zh) | 一种临边防护安全提醒识别方法及系统 | |
CN103065298B (zh) | 一种模拟视网膜滤波的视觉显著性检测方法 | |
JP2019109760A (ja) | 画像監視装置 |
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 |