[发明专利]基于视频流数据的安全帽识别方法

说明书

本发明公开了基于视频流数据的安全帽识别方法，包括以下步骤：视频流数据获取；活动目标提取；人体目标匹配；头部定位；安全帽颜色匹配；安全帽规定颜色匹配；安全帽轮廓匹配。本发明采用基于视频流数据的安全帽识别方法，突破了单一的检测手段，结合了活动目标检测、人体目标匹配、头部定位、安全帽颜色及轮廓比对技术，大大提高了安全帽的识别率，利用本发明涉及的方法，可以实现对施工现场的作业人员安全帽佩戴状况的自动识别检测，防止未佩戴安全帽或者佩戴安全帽颜色错误的人员进入施工区域，替代人工巡视督导的传统模式，节省人力，并辅助各级施工区安全监管单位进行施工区智能化监管，提高施工区安全监管信息化水平。

技术领域

本发明涉及数字视频智能分析技术领域，尤其涉及一种基于视频流数据的安全帽识别方法，是一种用于各类工作现场人员的安全帽防护措施的保障和检测、识别预警的技术。

背景技术

目前主要的检测目标手段，有以下几类：

一是基于知识的安全帽检测方法，如模板匹配、人脸特征、形状与边缘、纹理特性、颜色特征。基于HOG(梯度直方图)特征的应用就是一种经典的模式。

二是基于统计的安全帽检测方法，如主成分分析与安全帽特征、神经网络方法、支持向量机、隐马尔可夫模型、Adaboost算法等。类HAAR分类器作为机器视觉的基本算法，也被工业界广泛的采用。所谓分类器，在这里就是指对安全帽和非安全帽进行分类的算法，在机器学习领域，很多算法都是对事物进行分类、聚类的过程。OpenCV中的ML机器学习模块提供了很多分类、聚类的算法，已经在实际工程中大量使用。

三是基于射频标签等传感器的方法，识别是否佩戴了安全帽。《一种安全帽、安全帽佩戴状态监控方法及系统》，它对于最关注的人本身的安全保障并不够，而且使用中安全帽因为遗失，损坏，更换等因素，造成使用和维护这套系统的代价较高，缺少市场应用的成本优势。

现有的机器学习方法针对安全帽的识别方法，局限在特定测试集下表现尚可，但对于实际广泛使用的场景下，会出现不适应，表现为无法检测，或将类似颜色背景视为安全帽的误检测情况。

使用静态分类检测器方法，以《一种基于视频分析的人员安全帽佩戴情况实时检测方法》，它使用的viola-Jones检测器，在现场使用中由于误识别人，会导致基于此对象判断的结果出现误判。

使用动态视频流检测活动的人目标，再进行安全帽识别的方法，例如《施工现场安全帽佩戴情况监控方法》，比较静态分类检测器方法，增加了活动目标，降低了静态类似目标的干扰。有利提升检测目标人判断的准确率，但对于安全帽的多种场景下的适应，还不够。而且在真实的部署中，RGB颜色空间表示，对于光照亮度的变化极度敏感，并不能通过相对稳定的阈值反映出安全帽的颜色。由于其值阈变化范围不确定，导致在实际应用中，不同场景都要单独调试，造成使用成本和维护成本增加。难以在市场中进行批量应用。

分析现有的安全帽识别方法，基本上从状态传感器、射频标签、静态图片安全帽特征识别、动态视频安全帽识别加以分类。主要的技术问题，是使用中实际场景的普遍的适用性不足，导致使用成本、实施和维护成本高，难以转化为产品提供给用户。

发明内容

为了解决上述背景技术中提出的问题，本发明的目的是提出了基于视频流数据的安全帽识别方法，可以实现对施工现场的作业人员安全帽佩戴状况的自动识别检测，防止未佩戴安全帽或者佩戴安全帽颜色错误的人员进入施工区域。

为实现上述目的，本发明采取的技术方案为：

基于视频流数据的安全帽识别方法，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