[发明专利]基于视频流数据的安全帽识别方法

权利要求书

1.基于视频流数据的安全帽识别方法，其特征在于，包括以下步骤：

步骤一、视频流数据获取

在施工现场中作业人员的活动区域设置摄像头，获取摄像机视频流，并对视频流数据进行逐帧解码，转化为Lab空间表示，使其转换为相应的彩色图像；

步骤二、活动目标提取

通过对视频中获取的n帧画面进行背景建模，然后对n+1帧画面中的活动目标进行帧差，将n+1帧像素值I(x,y)减去背景模型中相同位置像素点的平均值u(x,y)，得到差值d(x,y)，然后将该差值d(x,y)与阈值TH进行比较，当差值d(x,y)大于阈值TH时，则标记为前景点；否则，标记为背景点；其中，TH值采用自适应算法确定，即计算每个像素的3帧图像间帧间差的平均值与标准差的和，作为比较的标准TH；

通过前景点连续的帧来判断该活动目标是否连续运动，是否连续出现，若达不到连续N帧出现，则过滤；反之，该活动目标连续N帧出现，且N帧内活动目标的目标质心坐标的位置像素大于i个像素点，则判断为持续运动，得到活动目标的前景图片；其中，N＝[1,200]，N值的大小，反映为观察目标的时间跨度，此值越小，则给出判断的反应时间越快，越灵敏；i表示为水平和垂直方向上的位置像素量，i的取值范围[1,20]，i越小，检测越灵敏；

步骤三、人体目标匹配

截取步骤二中判断为活动目标的前景图片与人体特征模型进行匹配，若大于相似度M，则判断前景图片中有人体目标，并进入下一步；反之，则判断待测目标图像中没有人体目标，并返回步骤二继续进行活动目标的提取操作；其中M＝[0,1]，M值越大，表示目标为人的可能性越高；

步骤四、头部定位

对在步骤三中获取的有人体目标的前景图片继续进行提取，并截取所述前景图片中Y坐标最大值的30％矩形区域为头肩区域，该头肩区域作为下一步的安全帽匹配区；

步骤五、安全帽颜色匹配

通过Lab颜色算法对步骤四中截取到的头肩区域图片进行颜色还原，并通过对区块的监测将相近的同类颜色点进行合并连接；若未监测到红、黄、蓝、白色块或合并后的红、黄、蓝、白色块区域小于S像素，则直接忽略，并返回步骤二；若监测到红、黄、蓝、白色块和/或合并后的红、黄、蓝、白色块区域大于S像素，则判断头肩区域图片与安全帽颜色匹配，进入下一步；其中，S像素为不同分辨率下安全帽最小像素要求值，在1080×720的分辨率下，S像素调整范围为100～1600个像素，对应于10×10～40×40像素的矩形；

步骤六、安全帽规定颜色匹配

提取步骤五中获得的安全帽颜色匹配的头肩区域图片中的颜色值，比对通过事先用户提供的不同颜色的安全帽模板图片的Lab空间表示范围值(L_min,L_max,a_min,a_max,b_min,b_max)，获取当前的是属于哪种模板颜色，并判断该颜色与该施工区域规定佩戴的安全帽颜色是否相一致；

步骤七、安全帽轮廓匹配

将步骤六中获取到的安全帽规定颜色匹配的头肩区域图片与安全帽轮廓特征模型进行安全帽轮廓匹配，若相似度大于L则判断为佩戴符合规定的安全帽类型，反之则判断为佩戴不符合规定的安全帽类型；阈值L的取值范围是[0,1]，精度要求越高，则越接近1。

2.根据权利要求1所述的基于视频流数据的安全帽识别方法，其特征在于：步骤三中的所述人体特征模型是通过神经网络模型训练分类器训练和识别得到的，其具体方法为：

训练时，输入大量人体图片作为正样本，输入大量无人员图片作为负样本，通过神经网络模型训练分类器进行训练学习并得到人体特征模型；

识别时，输入运动目标的前景图片，通过运动目标的前景图片与神经网络模型训练分类器中的人体特征模型进行识别匹配，若大于置信度U，则判断前景图片中有人体目标；置信度U＝[0,1]，U越高表明目标越符合人体特征。