[发明专利]一种隧道工人安全帽检测及人脸识别方法

说明书

本发明涉及一种隧道工人安全帽检测及人脸识别方法，属于图像目标检测和人脸识别技术领域，首先利用获取的人员佩戴和未佩戴安全帽的图像标注数据生成分类标注数据集并进行数据增强，图像均衡化以平衡隧道的苛刻的关照条件所造成的不利影响；训练一个分类卷积神经网络模型Tiny‑YOLOv3及融合距离阈值的FaceNet神经网络模型，人脸图片传入FaceNet网络得到表征该人脸的特征向量，计算特征向量与数据库中人脸之间的欧式距离与余弦相似度的组合距离，组合距离不仅表征了特征向量的方向也考虑了其数值上的绝对差异；同时对检测与识别结果进行异常警报，确保隧道工作人员的身份有效、未佩戴安全帽的预警以及无关人员的禁止访问。

技术领域

本发明属于图像目标检测和人脸识别技术领域，涉及一种隧道工人安全帽检测及人脸识别方法。

背景技术

卷积神经网络(CNNs)作为一种深度学习的模型架构，已成为图像处理和计算机视觉领域最为有效的方法。权值共享和局部感受野这两大特点减少了权值的数量，使得模型的运算复杂度下降；对图像的特征的平移不变性也使其具有良好的特征提取能力和高度的稳定性。

当前已有大量研究利用卷积神经网络进行目标检测和人脸识别方法探索，自2014年R.Girshick等人提出基于候选区域的R-CNN深度学习模型起，产生了一批经典的目标检测算法，如Faster R-CNN、SSD、YOLO等，同时人脸识别模型如FaceNet、ArcFace等。这些模型的发展趋势大致上是，网络层数的不断加深以获得更好的特征提取能力，图像尺度不断增多以覆盖更广范围的特征。但模型越来越复杂也随之带来网络难以收敛、参数增长快、计算速度慢等问题，其中最显著的问题是随着模型复杂度的增加，很难部署到资源有限的设备上。

同时在隧道的施工现场，正确佩戴安全帽能有效地防止和减轻工人在作业过程中安全事故的伤害。相关研究表明因未佩戴安全帽而导致的安全事故占比较大。然而目前在施工现场对安全帽佩戴的监管分为两种思路，一是主要依赖人工监管，效率低下且耗费人力；二是利用深度学习的建立检测网络，但现有安全帽佩戴检测网络模型存在准确率低，推理速度慢，部署到边缘计算设备时精度和实时性均达不到要求等问题。因此，利用轻量级的端到端的检测网络是安全帽检测的不二选择。同时隧道的安全帽检测除了常规行业如建筑行业存在的小目标准确率低的问题，还存在较暗光线的干扰。

对人脸识别的模型而言，人脸图像经过多次卷积操作后，使得最后的输入向量包含了最丰富的空间和语义信息。对于如何识别工人的身份，一般采取的是计算表征人脸的特征向量间的欧式距离或余弦相似度来计算是否成功识别，但是它们中的任意一个都无法兼顾向量的方向和绝对差异。与此同时一般人脸识别网络最后使用128维度的向量表征身份，但是对于大量数据时，采取更高的维度的表征向量有利于区分特征向量之间更加精细的特征。

发明内容

有鉴于此，本发明的目的在于提供一种基于Tiny-YOLOv3和融合距离阈值FaceNet的隧道工人安全帽检测及人脸识别方法，进行模型训练，实现实时检测安全帽的情况下快速得到人脸，经过人脸对齐后，通过计算人脸的表征向量和数据库进行对比，对工人的身份和是否佩戴安全帽快速进行识别。

为达到上述目的，本发明提供如下技术方案：

一种隧道工人安全帽检测及人脸识别方法，包括以下步骤：

S1：获取隧道工作人员不同姿态的带有安全帽的人脸图像，进行人脸对齐后作为人脸识别的数据集，记作recog_dataset数据集，并建立每个员工的人脸数据库；

S2：获取带有和没有安全帽的若干人脸图像，对其中的佩戴安全帽与未佩戴安全帽的人脸进行标签标注和数据增强，作为检测网络的训练集，记作detec_dataset数据集；