[发明专利]基于图像识别的工作区域安全帽佩戴的检测方法

说明书

本发明公开了一种基于图像识别的工作区域安全帽佩戴的检测方法。该方法通过采集工作区域的图像，并对采集到的图像进行预处理；接着检测图像中的人体头部、安全帽目标，并得到人体头部和安全帽的分类信息和相应目标的区域位置信息，接着计算人体头部与安全帽的重叠率；用于判断人是否佩戴安全帽，本发明特征提取采用Resnet或VGG‑16模型作为特征提取网络的特征提取方法，能够降低图像特征提取的困难，并采用基于Adaboost的特征分类方法，一方面能够保证识别准确率较高，另一方面可以使得模型的泛化能力更高，同时能够提升安全帽检测的准确率、提升安全帽佩戴状态识别的准确率，并降低整个处理流程运行时间。适合在图像处理技术领域推广应用。

技术领域

本发明涉及图像处理技术领域，尤其是一种基于图像识别的工作区域安全帽佩戴的检测方法。

背景技术

目标检测，通常也被称为目标提取，是一种基于目标集合和统计特征的图像分割，它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。目标检测的意义在于让计算机智能地从输入图像中识别目标的类型，并获得目标的区域位置信息。目标检测是图像目标跟踪、视频分析的前提。目标检测具备重要的作用：分类信息、目标区域信息(矩形区域参数)，这成为目标跟踪、视频图像分析的重要基础。

目前针对图像或视频数据的安全帽检测技术主要包括以下几类：第一类是基于运动目标检测技术的安全帽检测方法，该技术主要针对监控视频数据，对视频数据应用运动目标跟踪技术来检测运动的安全帽，该技术存在一定的问题，一方面运动的物体可能包含行人、车辆、以及路边摇动的树木等，无法做到安全帽的分类精确识别，更无法做到安全帽的准确定位。第二类是基于HOG特征提取与SVM分类的安全帽检测技术，HOG特征是基于图像梯度幅值和边缘方向的描述图像局部特征的一种方法，SVM是简历在统计学习上的一种分类方法。基于HOG特征提取与SVM分类技术的安全帽检测方法具有算法处理简单的优点，但也存在算法识别率低、模型泛化能力弱等缺点。第三类是基于hear-like特征与adaboost的安全帽检测检测技术，该技术最早应用于传统的人脸检测，是基于Hear-Like特征提取与adaboost分类技术的安全帽检测方法，该方法中的特征提取包括三类特征：边缘特征、现行特征、中心特征，并应用级联的弱分类器构建一个强分类器即Adaboost分类方法，该方法的缺点在于特征提取存在不足，无法达到较高的识别准确率。

发明内容

本发明所要解决的技术问题是提供一种能够降低图像特征提取的困难、提升安全帽检测的准确率、提升安全帽佩戴状态识别的准确率，并降低整个处理流程运行时间的基于图像识别的工作区域安全帽佩戴的检测方法。

本发明解决其技术问题所采用的技术方案为：该基于图像识别的工作区域安全帽佩戴的检测方法，包括以下步骤：

1)、采集工作区域的图像，并对采集到的图像进行预处理；所述图像预处理包括图像尺度的变化和图像增强处理，所述图像尺度的变化是指将图像调整成固定尺寸大小的图像，所述图像增强处理是指增加图像的对比度；

2)、图像目标检测；采用SSD或YOLO目标检测框架检测图像中的人体头部、安全帽目标，并得到人体头部和安全帽的分类信息和相应目标的区域位置信息，所述图像目标检测的过程如下所述：

A、正负样本筛选；以目标标注的ground_truth区域作为依据，如果图像区域与ground_truth区域的重叠率大于规定的门限值，则认为此图像区域信息为正样本，如果图像区域与ground_truth的重叠率小于规定的门限值，则认为此图像区域信息为负样本；

B、特征提取；采用Resnet或VGG-16模型作为特征提取网络提取正负样本中的特征描述信息；