CN109670441B - 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 - Google Patents

Abstract

本发明公开了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，涉及计算机视觉应用技术领域。通过应用深度学习技术，识别检测图片中的人体和安全帽，并根据识别到的人体，获取人体的姿势来确定应该佩戴安全帽的准确区域，从而避免图像呈现的平面关系与人物实际的立体关系不同而产生的误差，在实际生产环境中的识别率达到了90％，并且识别速度最高可达15帧每秒。本发明有效降低了生产环境中人为监管的难度，只要分析出有异常佩戴行为则会通知监管者，监管者只需根据现场反馈的图像和信息进行下一步管理即可，无需时刻亲临现场关注现场情况。

Description

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

技术领域

本发明涉及计算机视觉应用技术领域，尤其涉及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。

背景技术

随着我国经济的发展，建筑工地越来越多，国家对于建筑业的要求也越来越高，但安全事故仍时有发生，这不仅对企业造成严重的经济损失，还给受害人家庭带来灾难，对社会稳定造成了一定的影响。

我国《安全生产法》规定，进入工地必须佩戴安全帽，但是工人作业时是否真的有佩戴安全帽，难以保证。而未佩戴安全帽的安全隐患，在事故发生的时候会带来非常大的伤害，而且这些安全隐患往往很难被安全管理者所发现。如果能够及时发现，对安全事故进行预警，将会减少安全事故的伤害。

随着人工智能的发展，视频监控在社会各领域尤其在安全生产领域的应用越来越广，尤其在安全监察领域，对通过视频智能分析是否佩戴安全帽的需求极为迫切。安全帽佩戴检测是对象检测技术的一种，目标检测是利用深度学习、图像处理或机器视觉等技术去识别特定目标的一种方法。由于光照变化、遮挡、目标大小等各种因素影响，检测难度大，而且识别效果差。复杂背景下的目标检测一直是近年来理论和应用的研究热点。

传统的安全帽检测算法是通过图像的RGB分量来进行判断，受光照影响非常大，实际生产环境下识别率较低。早期的目标检测算法通过学习图像的浅层特征并通过一些精巧的归一、池化等操作，在一些形状变化小、光照变化小的情况下均得到了较好的结果，但是计算量较大，而且适用性不广。

发明内容

本发明所要解决的技术问题是在复杂背景下，提高识别率、缩短识别时间的同时，提供一种可实时分析视频图像，分析图像中的人体是否正确佩戴安全帽的检测方法。

为了解决上述问题，本发明提出以下技术方案：

第一方面，本发明提出一种安全帽穿戴识别的检测方法，包括以下步骤：

S1，获取检测图片；

S2，判断所述检测图片是否存在人体以及安全帽；

S3，若所述检测图片存在人体以及安全帽，获取所述人体的姿势，根据所述人体的姿势确定正确佩戴区域；

S4，判断所述安全帽是否在所述正确佩戴区域内；

S5，若是，则判定所述人体正确佩戴安全帽，若否，则执行报警操作。

其进一步地技术方案为，所述步骤S1包括：

对实时视频流进行解析，得到待分析图片；

获取所述待分析图片的光流分量值；

若所述待分析图片的光流分量值大于第一预设阈值，则选取所述待分析图片作为检测图片。

其进一步地技术方案为，所述步骤S2包括：

在所述检测图片的卷积特征层上利用k个不同的矩形框进行提名，筛选出可能存在人体和/或安全帽的候选区域，其中k为正整数；

对所述候选区域分别进行人体和安全帽的特征提取；

利用人体特征模型对所述特征进行分类、回归，识别所述检测图片是否有人体；

若识别所述检测图片有人体，则对人体进行边框位置回归处理，得到人体框；

利用安全帽特征模型对所述特征进行分类、回归，识别所述检测图片是否有安全帽；

若识别所述检测图片有安全帽，则对安全帽进行边框位置回归处理，得到安全帽框。

其进一步地技术方案为，所述步骤S2之前还包括：

收集安全帽图像样本和非安全帽图像样本，进行分类、标注以及训练，获得安全帽特征模型；

收集人体图像样本和非人体图像样本，进行分类、标注以及训练，获得人体特征模型。

其进一步地技术方案为，所述根据人体的姿势确定正确佩戴区域，包括：

获取所述人体框的宽高比α；

若α的值大于第二预设阈值，则判定所述人体的姿势为站立；

若α的值小于第二预设阈值，则判定所述人体的姿势为蹲。

其进一步地技术方案为，若人体的姿势为站立，确定所述正确佩戴区域为第一佩戴区域，所述第一佩戴区域为人体框上部的第一预设高度*第一预设宽度的方形区域；

若人体的姿势为蹲，确定所述正确佩戴区域为第二佩戴区域，所述第二佩戴区域为人体框上部的第二预设高度*第二预设宽度的方形区域。

其进一步地技术方案为，所述S4步骤包括：

获取与所述人体的人体框存在重合区域且重合区域在所述人体头部的安全帽为目标安全帽；

若所述人体的姿势为站立，判断所述目标安全帽的安全帽框的是否位于所述第一佩戴区域内；

若是，则判定所述目标安全帽在所述正确佩戴区域内；

若所述人体的姿势为蹲，判断所述目标安全帽的安全帽框的是否位于所述第二佩戴区域内；

若是，则判定所述目标安全帽在所述正确佩戴区域内。

其进一步地技术方案为，还包括：

若所述检测图片存在多个人体，则重复步骤S3-S5，判断所述检测图片中的所有人体是否都正确佩戴安全帽；

若所有人体都正确佩戴安全帽，则判定所述检测图片无违规行为；

若有一人体未正确佩戴安全帽，则判定所述检测图片有违规行为，执行报警操作。

第二方面，本发明提出一种安全帽穿戴识别的检测系统，包括：用于执行如第一方面所述的方法的单元。

第三方面，本发明实施例提供了一种终端，该终端包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储支持终端执行上述方法的应用程序代码，所述处理器被配置用于执行上述第一方面的方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述第一方面的方法。

与现有技术相比，本发明所能达到的技术效果包括：

通过应用深度学习技术，识别检测图片中的人体和安全帽，并根据识别到的人体，判断人体的姿势来确定应该佩戴安全帽的准确区域，从而避免图像呈现的平面关系与人物实际的立体关系不同而产生的误差，在实际生产环境中的识别率达到了90％，并且识别速度最高可达15帧每秒。本发明有效降低了生产环境中人为监管的难度，只要分析出有异常佩戴行为则会通知监管者，监管者只需根据现场反馈的图像和信息进行下一步管理即可，无需时刻亲临现场关注现场情况。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例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为本发明实施例提供的一种安全帽穿戴识别的检测方法流程图；

图2为本发明另一实施例提供的安全帽穿戴识别的检测系统示意图；

图3为本发明另一实施例提供的一种终端示意图；

图4为本发明实施例提供的检测模型训练流程示意图；

图5为本发明实施例步骤S101的具体实施流程示意图；

图6为本发明实施例步骤S102的具体实施流程示意图；

图7为本发明实施步骤S103-S105的具体实施流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对实施例中的技术方案进行清楚、完整地描述，附图中类似的组件标号代表类似的组件。显然，以下将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作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。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明实施例说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明实施例。如在本发明实施例说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

实施例

参见图1，其为本发明实施例提供的一种安全帽穿戴识别的检测方法流程图，有图可知，其包括以下步骤：

S101，获取检测图片；

参见图5，具体实施中，检测图片的质量好坏对决定了下一步识别、分析的准确性和工作效率。为减少系统的计算量，缩短检测时间，本实施例通过以下具体步骤来获取检测图片：

对实时视频流进行解析，得到待分析图片；

一般的，在视频流中存在三种编码帧：帧内编码帧(I帧)，预测编码帧(P帧)和双向编码帧(B帧)。I帧只利用本帧空间相关性进行视频压缩，P帧利用前向参考帧进行时间域预测编码，B帧利用前向和后向双向的参考帧进行时间域预测编码。通常情况下，I帧压缩比率低，图像质量稍好，而且是P帧和B帧的基础，所以在应优先选取I帧进行分析，其次是包含信息更多的P帧。

由于相邻两帧I帧的是时间差较长，所以在相邻两I帧之间也要选取几张P帧进行作为待分析图片，防止有关键信息遗漏。

获取所述待分析图片的光流分量值；

本实例利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系，从而计算出相邻帧之间物体的运动信息。光流场即是通过一个图片序列，把图像中每个像素的运动速度和运动方向找出来。本实施例通过使用稀疏光流的计算方法来获取所述待分析图片的光流分量值：

式中，为光流分量值，表示角点在x方向的运动偏移量，/>值越大，即在x方向的运动偏移量越大，两帧图像之间的差距越大。

若所述待分析图片的光流分量值大于第一预设阈值，则选取所述待分析图片作为检测图片。

具体实施中，设定第一预设阈值为1.2，若所述待分析图片的光流分量值大于1.2，则判定此待分析图片与上帧图像的差距较大，为避免检测结果出现遗漏，应该选此待分析图片作为检测图片进行下一步地分析。

需要说明的是，本领域技术人员也可通过获取图片在y方向的运动偏移量来确定待分析图片与上帧图像的差距，自行筛选出待分析图片，兼顾提高检测的准确性和检测效率。

S102，判断所述检测图片是否存在人体以及安全帽；

参见图4，具体实施中，需要进行人体特征模型和安全帽特征模型的训练。

收集安全帽图像样本和非安全帽图像样本，进行分类、标注以及训练，获得安全帽特征模型；收集人体图像样本和非人体图像样本，进行分类、标注以及训练，获得人体特征模型。

采集大量人体图像样本和非人体图像样本、安全帽图像样本和非安全帽图像样本，利用专门的工具进行标注，并分为训练样本和测试样本，训练样本用于训练模型的参数，测试样本用作测试模型的效果。本实例选用人体图像样本和非人体图像样本各20000张、安全帽图像样本和非安全帽图像样本各8000张，利用ImgLabel工具标注区域和类别。以7：3的比例分成训练集和测试集。

参见图6，在所述检测图片的卷积特征层上利用k个不同的矩形框进行提名，筛选出可能存在人体和/或安全帽的候选区域，其中k为正整数；

具体实施中，由于目标可能出现在图像的任何位置，而且目标的大小、长宽比例也不确定，所以最初采用滑动窗口的策略对整幅图像进行遍历，而且需要设置不同的尺度，不同的长宽比。这种穷举的策略虽然包含了目标所有可能出现的位置，但是时间复杂度高，产生冗余窗口太多，严重影响后续特征提取和分类的速度和性能。

本实施例在图片最终的卷积特征层上利用k个不同的矩形框(Anchor Box)进行提名，通过实验测试，当k取9时，在时间效率和检测准确度方面是较好的折中，既保证实时检测，又能保证检测的准确性。当k小于9时，检测速度提高，但准确性下降，有些人体检测不到，容易发生遗漏。当k大于9时，准确度提高，但检测速度降低。

对所述候选区域分别进行人体和安全帽的特征提取；

具体实施中，特征数据提取的多少直接影响着下一步识别工作的速度和准确度。通常提取的图像特征主要包括：图像的纹理特征、边缘特征以及运动特征。(1)纹理特征主要包括图像的灰度直方图、边缘方向直方图、灰度共生矩阵等。(2)边缘特征直接显示了图像的轮廓，主要包括图像的周长、面积、宽高比(主轴率)、分散度、紧密度等。(3)运动特征与运动行为相关，一般包括运动质心、速度、位移、梯度等。

具体实施中，输入整张图片，使用Darknet51网络自动获取图片的特征。

利用人体特征模型对所述特征进行分类、回归，识别所述检测图片是否有人体；若识别所述检测图片有人体，则对人体进行边框位置回归处理，得到人体框；

利用安全帽特征模型对所述特征进行分类、回归，识别所述检测图片是否有安全帽；若识别所述检测图片有安全帽，则对安全帽进行边框位置回归处理，得到安全帽框。

具体实施中，对特征提取之后的Feature Map进行二分类判断是否含有人体和/或安全帽，再用k个回归模型(各自对应不同的Anchor Box)调整候选框位置与大小，最后进行人体、安全帽分类。

本实例将模型对Feature Map中的每个Feature的边框预测值(中心点相对坐标与框的相对宽高)进行了进一步处理以得到实际值，利用sigmoid函数对预测中心坐标进行归一化操作，在加上当前所在Feature相对于图片左上角的偏置值即为实际坐标；利用exp函数对预测的对象宽高进行归一化操作，再乘以当前Anchor Box对应的先验框宽高即为实际宽高，每个Anchor Box对应的先验框宽高由对数据集进行聚类可得。

本实施例借助检测和分类模型与GPU判断各个区域中是否含有特定类型的目标。其中检测模型为Darknet，分类器为基于focal损失函数的YOLOV3模型。再对检测到的人体和安全帽通过边框位置回归后处理操作，得到最终的人体框和安全帽框。

本实例使得区域提名、分类、回归一起共用卷积特征，提高了人体检测的速度，保证了检测的准确度。本实例中也可使用其他目标检测算法。如R-CNN、SPP net、SSD和YOLO算法。

S103，若所述检测图片存在人体以及安全帽，则获取所述人体的姿势，根据所述人体的姿势确定正确佩戴区域。

具体实施中，检测到人体和安全帽后，要进一步判断人体是否正确佩戴安全帽，由于拍摄视角的关系，靠近镜头的人体和远离镜头的人体，其大小是不相同的，安全帽也类似；因此本发明实施例根据获取人体的姿势来模拟安全帽被正确佩戴时的数据，进行判断人体是否正确佩戴安全帽。具体步骤如下：

获取所述人体框的宽高比α；

若α的值大于第二预设阈值，则判定所述人体的姿势为站立；

若α的值小于第二预设阈值，则判定所述人体的姿势为蹲；

具体实施中，根据人体框的宽高比判断人体的姿势，本实施例设定第二预设阈值为1.8，若α的值大于1.8，则判定所述人体的姿势为站立；若α的值小于1.8，则判定所述人体的姿势为蹲；本领域技术人员也可根据图片的拍摄角度或者其他因素自行确定第二预设阈值的数值，本发明对此不做具体限定。

若人体的姿势为站立，确定所述正确佩戴区域为第一佩戴区域，所述第一佩戴区域为人体框上部的第一预设高度*第一预设宽度的方形区域；若人体的姿势为蹲，确定所述正确佩戴区域为第二佩戴区域，所述第二佩戴区域为人体框上部的第二预设高度*第二预设宽度的方形区域。

在具体实施例中，获取到人体框的宽为A，高为B，若：

A/B＞1.8，判定该人体框对应的人体其姿势为站立，确定所述正确佩戴区域为人体框上部的第一预设高度*第一预设宽度的方形区域；其中，第一预设高度为B*0.2，第一预设宽度为A*1.2；

A/B＜1.8，判定该人体框对应的人体其姿势为蹲，确定所述正确佩戴区域为人体框上部的第二预设高度*第二预设宽度的方形区域；其中，第二预设高度为B*0.3，第二预设宽度为A*1.1。

需要说明的是，本发明实施例根据人体的站姿以及蹲姿，模拟安全帽正确佩戴时的数值，安全帽正确佩戴时帽壳部分可能会超出人物边框，侧身时尤为明显，因此通过设定第一佩戴区域为第一预设高度*第一预设宽度以及第二佩戴区域为第二预设高度*第二预设宽度来限定安全帽被正确佩戴时的区域，其中，第一预设高度、第一预设宽度、第二预设高度、第二预设宽度的取值如果过小，则判断条件严苛，对侧身以及蹲姿易误判为未正确佩戴；而取值如果过大，则可能导致远处的人与近处的安全帽进行匹配(超大帽子下一个超小的人)。本领域技术人员也可根据图片的拍摄角度或者其他因素自行确定第一佩戴区域和第二佩戴区域的范围，本发明对此不做具体限定。

S104，判断所述安全帽是否在所述正确佩戴区域内；

具体实施中，获取与所述人体的人体框存在重合区域且重合区域在所述人体头部的安全帽为目标安全帽；

若所述人体的姿势为站立，判断所述目标安全帽的安全帽框的是否位于所述第一佩戴区域内；若是，则判定所述目标安全帽在所述正确佩戴区域内；

若所述人体的姿势为蹲，判断所述目标安全帽的安全帽框的是否位于所述第二佩戴区域内；若是，则判定所述目标安全帽在所述正确佩戴区域内。

具体实施中，获取目标安全帽后，根据人体的姿势，若人体姿势判定为站立，判断目标安全帽是否位于人体框上部的第一预设高度内，若是，则判断目标安全帽是否位于人体框上部的第一预设宽度，若是，则判定所述目标安全帽在所述正确佩戴区域内，将人体标记为已佩戴，对应的目标安全帽标记为已被佩戴。若有一项为否，则判断目标安全帽不在所述正确佩戴区域内，则判定人体未正确佩戴安全帽。

若人体姿势判定为蹲，判断目标安全帽是否位于人体框上部的第二预设高度内，若是，则判断目标安全帽是否位于人体框上部的第二预设宽度，若是，则判定所述目标安全帽在所述正确佩戴区域内，将人体标记为已佩戴，对应的目标安全帽标记为已被佩戴。若有一项为否，则判定目标安全帽不在所述正确佩戴区域内。

需要说明的是，本领域技术人员亦可根据需要调整具体判断目标安全帽是否位于正确佩戴区域内的顺序。

S105，若是，则判定所述人体正确佩戴安全帽，若否，则执行报警操作。

具体实施中，若安全帽在正确佩戴区域内，则判定所述人体正确佩戴安全帽，检测图片无违规行为；若安全帽不在正确佩戴区域内，则判定所述人体未正确佩戴安全帽，检测图片存在违规行为，执行报警操作。

参见图7，在另一实施例中，若所述检测图片存在多个人体，则重复步骤S103-S105，判断所述检测图片中的所有人体是否都正确佩戴安全帽；

若所有人体都正确佩戴安全帽，则判定所述检测图片无违规行为；

若有一人体未正确佩戴安全帽，则判定所述检测图片有违规行为，执行报警操作。

如图7所示，其为步骤S103-S105判断人体是否正确佩戴安全帽的具体实施方式，如以下步骤：

STEP1:求人体框的宽高比α

STEP2:根据α的值判断人体姿势，设定安全帽的正确佩戴区域。

STEP3:遍历所有安全帽，判断安全帽与人的区域是否有重合。如果有则调到STEP4，否则继续判断下一未被佩戴的安全帽。

STEP4:若人体姿势为站立，判断安全帽是否处于人物框的上部第一预设高度内，是的话进入STEP5，否则返回STEP 3判断下一未被佩戴的安全帽；

若人体姿势为蹲，判断安全帽是否处于人物框的上部第二预设高度内，是的话进入STEP5，否则返回STEP 3判断下一未被佩戴的安全帽。

STEP5:若人体姿势为站立，判断安全帽是否处于人物框的上部第一预设宽度内，是则判为正确佩戴，将人和安全帽标记为已佩戴和已被佩戴，并记录匹配信息；

若人体姿势为蹲，判断安全帽是否处于人物框的上部第二预设宽度内，是则判为正确佩戴，将人和安全帽标记为已佩戴和已被佩戴，并记录匹配信息。

STEP6：重复STEP1-STEP5直至所有人均被标记。

STEP7:判断是否所有人均标记为正确佩戴安全帽，如果没有则进入STEP8。

STEP8：将未正确佩戴安全帽的人和已被佩戴的安全帽进行STEP1-STEP5的匹配，匹配成功的安全帽的原佩戴者再与未被佩戴的安全帽进行STEP1-STEP5的匹配。

STEP9:如果仍有人被标记为未正确佩戴安全帽，则认为图中有违规行为。否则认为图片无违规行为。

如果图片有违规行为，则产生预警信息并发送到终端。如果无违规行为则不产生预警信号。

需要说明的是，在某些实施例中，判断目标安全帽是否在正确佩戴区域内的步骤STEP4和STEP5可互换。

参见图2，其为本发明实施例提供的一种基于人体检测的区域防范系统的示意框图。如图所示，本实施例中的系统200可包括：获取单元201，第一判断单元202，确定单元203，第二判断单元204，报警单元205。其中，

获取单元201，用于获取检测图片；

第一判断单元202，用于判断所述检测图片是否存在人体以及安全帽；

确定单元203，用于若所述检测图片存在人体以及安全帽，则获取所述人体的姿势，根据所述人体的姿势确定正确佩戴区域；

第二判断单元204，用于判断所述安全帽是否在所述正确佩戴区域内；

报警单元205，用于若所述安全帽在所述正确佩戴区域内，则判定所述人体正确佩戴安全帽，若所述安全帽不在所述正确佩戴区域内，则执行报警操作；

在一实施例中，获取单元201还用于对实时视频流进行解析，得到待分析图片；获取所述待分析图片的光流分量值；若所述待分析图片的光流分量值大于第一预设阈值，则选取所述待分析图片作为检测图片。

在一实施例中，系统200还包括模型训练单元206，模型训练单元206用于收集安全帽图像样本和非安全帽图像样本，进行分类、标注以及训练，获得安全帽特征模型；收集人体图像样本和非人体图像样本，进行分类、标注以及训练，获得人体特征模型。

在一实施例中，确定单元203具体用于获取所述人体框的宽高比α；若α的值大于第二预设阈值，则判定所述人体的姿势为站立；若α的值小于第二预设阈值，则判定所述人体的姿势为蹲；若人体的姿势为站立，确定所述正确佩戴区域为第一佩戴区域，所述第一佩戴区域为人体框上部的第一预设高度*第一预设宽度的方形区域；若人体的姿势为蹲，确定所述正确佩戴区域为第二佩戴区域，所述第二佩戴区域为人体框上部的第二预设高度*第二预设宽度的方形区域。

在一实施例中，第一判断单元202具体用于在所述检测图片的卷积特征层上利用k个不同的矩形框进行提名，筛选出可能存在人体和/或安全帽的候选区域，其中k为正整数；对所述候选区域分别进行人体和安全帽的特征提取；利用人体特征模型对所述特征进行分类、回归，识别所述检测图片是否有人体；若识别所述检测图片有人体，则对人体进行边框位置回归处理，得到人体框；利用安全帽特征模型对所述特征进行分类、回归，识别所述检测图片是否有安全帽；若识别所述检测图片有安全帽，则对安全帽进行边框位置回归处理，得到安全帽框。

在一实施例中，第二判断单元204用于获取与所述人体的人体框存在重合区域且重合区域在所述人体头部的安全帽为目标安全帽；若所述人体的姿势为站立，判断所述目标安全帽的安全帽框的是否位于所述第一佩戴区域内；若是，则判定所述目标安全帽在所述正确佩戴区域内；若所述人体的姿势为蹲，判断所述目标安全帽的安全帽框的是否位于所述第二佩戴区域内；若是，则判定所述目标安全帽在所述正确佩戴区域内。

参见图3，是本发明另一实施例提供的一种终端300示意框图。如图所示的本实施例中的终端300可以包括：一个或多个处理器301；一个或多个输入设备302，一个或多个输出设备303和存储器304。上述处理器301、输入设备302、输出设备303和存储器304通过总线305连接。存储器302用于存储指令，处理器301用于执行存储器302存储的指令。其中，处理器301用于执行：获取检测图片；判断所述检测图片是否存在人体以及安全帽；若所述检测图片存在人体以及安全帽，则获取所述人体的姿势，根据所述人体的姿势确定正确佩戴区域；判断所述安全帽是否在所述正确佩戴区域内；若是，则判定所述人体正确佩戴安全帽，若否，则执行报警操作。

在一实施例中，所述处理器301还用于执行：对实时视频流进行解析，得到待分析图片；获取所述待分析图片的光流分量值；若所述待分析图片的光流分量值大于第一预设阈值，则选取所述待分析图片作为检测图片。

在一实施例中，所述处理器301还用于执行：收集包含人体的样本图片，对所述样本图片进行标注，训练得到人体分类器模型的参数。

在一实施例中，所述处理器301还用于执行：收集安全帽图像样本和非安全帽图像样本，进行分类、标注以及训练，获得安全帽特征模型；收集人体图像样本和非人体图像样本，进行分类、标注以及训练，获得人体特征模型；在所述检测图片的卷积特征层上利用k个不同的矩形框进行提名，筛选出可能存在人体和/或安全帽的候选区域，其中k为正整数；对所述候选区域分别进行人体和安全帽的特征提取；利用人体特征模型对所述特征进行分类、回归，识别所述检测图片是否有人体；若识别所述检测图片有人体，则对人体进行边框位置回归处理，得到人体框；利用安全帽特征模型对所述特征进行分类、回归，识别所述检测图片是否有安全帽；若识别所述检测图片有安全帽，则对安全帽进行边框位置回归处理，得到安全帽框。

在一实施例中，所述处理器301还用于执行：获取所述人体框的宽高比α；若α的值大于第二预设阈值，则判定所述人体的姿势为站立；若α的值小于第二预设阈值，则判定所述人体的姿势为蹲；若人体的姿势为站立，确定所述正确佩戴区域为第一佩戴区域，所述第一佩戴区域为人体框上部的第一预设高度*第一预设宽度的方形区域；若人体的姿势为蹲，确定所述正确佩戴区域为第二佩戴区域，所述第二佩戴区域为人体框上部的第二预设高度*第二预设宽度的方形区域。

在一实施例中，所述处理器301还用于执行：获取与所述人体的人体框存在重合区域且重合区域在所述人体头部的安全帽为目标安全帽；若所述人体的姿势为站立，判断所述目标安全帽的安全帽框的是否位于所述第一佩戴区域内；若是，则判定所述目标安全帽在所述正确佩戴区域内；若所述人体的姿势为蹲，判断所述目标安全帽的安全帽框的是否位于所述第二佩戴区域内；若是，则判定所述目标安全帽在所述正确佩戴区域内。

在一实施例中，所述处理器301还用于执行：若所述检测图片存在多个人体，则重复步骤S3-S5，判断所述检测图片中的所有人体是否都正确佩戴安全帽；若所有人体都正确佩戴安全帽，则判定所述检测图片无违规行为；若有一人体未正确佩戴安全帽，则判定所述检测图片有违规行为，执行报警操作。

应当理解，在本发明实施例中，所称处理器301可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

输入设备302可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等，输出设备303可以包括显示器(LCD等)、扬声器等。

该存储器304可以包括只读存储器和随机存取存储器，并向处理器301提供指令和数据。存储器304的一部分还可以包括非易失性随机存取存储器。例如，存储器304还可以存储设备类型的信息。

具体实现中，本发明实施例中所描述的处理器301、输入设备302、输出设备303可执行本发明实施例提供的一种参数调整方法的个实施例中所描述的实现方式，也可执行本发明实施例所描述的终端300的实现方式，在此不再赘述。

在本发明的另一实施例中提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现：

获取检测图片；判断所述检测图片是否存在人体以及安全帽；若所述检测图片存在人体以及安全帽，则根据所述人体的姿势确定正确佩戴区域；判断所述安全帽是否在所述正确佩戴区域内；若是，则判定所述人体正确佩戴安全帽，若否，则执行报警操作。

所述计算机可读存储介质可以是前述任一实施例所述的终端的内部存储单元，例如终端的硬盘或内存。所述计算机可读存储介质也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述计算机可读存储介质还可以既包括所述终端的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的终端和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的终端和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。

以上所述，为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (5)

1.一种安全帽穿戴识别的检测方法，其特征在于，包括以下步骤：

S1，获取检测图片；

S2，判断所述检测图片是否存在人体以及安全帽；

S3，若所述检测图片存在人体以及安全帽，则获取所述人体的姿势，根据所述人体的姿势确定正确佩戴区域；

S4，判断所述安全帽是否在所述正确佩戴区域内；

S5，若是，则判定所述人体正确佩戴安全帽，若否，则执行报警操作；

其中，步骤S1包括：

对实时视频流进行解析，得到待分析图片，所述待分析图片包括帧内编码帧以及预测编码帧；

获取所述待分析图片的光流分量值；

若所述待分析图片的光流分量值大于第一预设阈值，则选取所述待分析图片作为检测图片；

所述根据所述人体的姿势确定正确佩戴区域，包括：

若人体的姿势为站立，确定所述正确佩戴区域为第一佩戴区域，所述第一佩戴区域为人体框上部的第一预设高度*第一预设宽度的方形区域；

若人体的姿势为蹲，确定所述正确佩戴区域为第二佩戴区域，所述第二佩戴区域为人体框上部的第二预设高度*第二预设宽度的方形区域；

步骤S2包括：

收集安全帽图像样本和非安全帽图像样本，进行分类、标注以及训练，获得安全帽特征模型；

收集人体图像样本和非人体图像样本，进行分类、标注以及训练，获得人体特征模型；

在所述检测图片的卷积特征层上利用k个不同的矩形框进行提名，筛选出可能存在人体和/或安全帽的候选区域，其中k为正整数；

对所述候选区域分别进行人体和安全帽的特征提取；

利用人体特征模型对所述特征进行分类、回归，识别所述检测图片是否有人体；

若识别所述检测图片有人体，则对人体进行边框位置回归处理，得到人体框；

利用安全帽特征模型对所述特征进行分类、回归，识别所述检测图片是否有安全帽；

若识别所述检测图片有安全帽，则对安全帽进行边框位置回归处理，得到安全帽框；

所述获取所述人体的姿势包括：

获取所述人体框的宽高比α；

若α的值大于第二预设阈值，则判定所述人体的姿势为站立；

若α的值小于第二预设阈值，则判定所述人体的姿势为蹲；

S4步骤包括：

获取与所述人体的人体框存在重合区域且重合区域在所述人体头部的安全帽为目标安全帽；

若所述人体的姿势为站立，判断所述目标安全帽的安全帽框是否位于所述第一佩戴区域内；

若是，则判定所述目标安全帽在所述正确佩戴区域内；

若所述人体的姿势为蹲，判断所述目标安全帽的安全帽框是否位于所述第二佩戴区域内；

若是，则判定所述目标安全帽在所述正确佩戴区域内。

2.如权利要求1所述的安全帽穿戴识别的检测方法，其特征在于，还包括：

若所述检测图片存在多个人体，则重复步骤S3-S5，判断所述检测图片中的所有人体是否都正确佩戴安全帽；

若所有人体都正确佩戴安全帽，则判定所述检测图片无违规行为；

若有一人体未正确佩戴安全帽，则判定所述检测图片有违规行为，执行报警操作。

3.一种安全帽穿戴识别的检测系统，其特征在于，包括：

获取单元，用于获取检测图片，具体地，对实时视频流进行解析，得到待分析图片，所述待分析图片包括帧内编码帧以及预测编码帧；获取所述待分析图片的光流分量值；若所述待分析图片的光流分量值大于第一预设阈值，则选取所述待分析图片作为检测图片；

第一判断单元，用于判断所述检测图片是否存在人体以及安全帽，具体地，收集安全帽图像样本和非安全帽图像样本，进行分类、标注以及训练，获得安全帽特征模型；收集人体图像样本和非人体图像样本，进行分类、标注以及训练，获得人体特征模型；在所述检测图片的卷积特征层上利用k个不同的矩形框进行提名，筛选出可能存在人体和/或安全帽的候选区域，其中k为正整数；

对所述候选区域分别进行人体和安全帽的特征提取；利用人体特征模型对所述特征进行分类、回归，识别所述检测图片是否有人体；若识别所述检测图片有人体，则对人体进行边框位置回归处理，得到人体框；利用安全帽特征模型对所述特征进行分类、回归，识别所述检测图片是否有安全帽；若识别所述检测图片有安全帽，则对安全帽进行边框位置回归处理，得到安全帽框；

确定单元，用于若所述检测图片存在人体以及安全帽，则获取所述人体的姿势，根据所述人体的姿势确定正确佩戴区域，具体地，所述获取所述人体的姿势包括：获取所述人体框的宽高比α；若α的值大于第二预设阈值，则判定所述人体的姿势为站立；若α的值小于第二预设阈值，则判定所述人体的姿势为蹲；所述根据所述人体的姿势确定正确佩戴区域，包括：若人体的姿势为站立，确定所述正确佩戴区域为第一佩戴区域，所述第一佩戴区域为人体框上部的第一预设高度*第一预设宽度的方形区域；若人体的姿势为蹲，确定所述正确佩戴区域为第二佩戴区域，所述第二佩戴区域为人体框上部的第二预设高度*第二预设宽度的方形区域；

第二判断单元，用于判断所述安全帽是否在所述正确佩戴区域内，具体地，获取与所述人体的人体框存在重合区域且重合区域在所述人体头部的安全帽为目标安全帽；若所述人体的姿势为站立，判断所述目标安全帽的安全帽框是否位于所述第一佩戴区域内；若是，则判定所述目标安全帽在所述正确佩戴区域内；若所述人体的姿势为蹲，判断所述目标安全帽的安全帽框是否位于所述第二佩戴区域内；若是，则判定所述目标安全帽在所述正确佩戴区域内；

报警单元，用于若所述安全帽在所述正确佩戴区域内，则判定所述人体正确佩戴安全帽，若所述安全帽不在所述正确佩戴区域内，则执行报警操作。

4.一种终端，该终端包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其特征在于，所述存储器用于存储支持终端执行如权利要求1-2任一项所述的方法的应用程序代码，所述处理器被配置用于执行如权利要求1-2任一项所述的方法。

5.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-2任一项所述的方法。