[发明专利]一种基于深度学习的视频中安全帽佩戴的检测方法及装置

说明书

本发明公开了一种基于深度学习的视频中安全帽佩戴的检测方法及装置，方法包括：从搜集的视频数据中取M张图片；将M张中的N张图片进行标注，对M张图片进行标注获取行人正样本数据、行人负样本数据、安全帽正样本数据、安全帽负样本数据；使用行人正样本数据和行人负样本数据训练行人检测网络，使用安全帽正样本数据和安全帽负样本数据训练安全帽检测网络；获取待检测图片，通过背景差分法获取待检测区域；将待检测区域输入到训练后的行人检测网络，判断待检测区域中是否存在行人；若是，执行将所述存在行人的待检测区域中的预设区域输入到训练后的安全帽检测网络中进行检测；若未检测到，发出警报。应用本发明实施例，可以提高检测效率。

技术领域

本发明涉及一种安全帽检测方法及器件，更具体涉及一种一种基于深度学习的视频中安全帽佩戴的检测方法及装置。

背景技术

安全帽是矿工、电工、建筑工人等工种在工作中要求佩戴的，能够有效的保护人员的安全，但是一系列因为未佩戴安全帽而引发的事故，给我们敲响了警钟，有些员工上岗时未佩戴安全帽本身就会增加安全隐患，还有少数人，喜欢将安全帽当凳子坐，稍不注意，就有可能“坐”出安全隐患或事故。为了减少此类情况的发生，很多工作环境都安装有监控摄像头，通过视频监控技术，及时了解员工安全帽佩戴情况，然而，目前监控视频监控主要是由工作人员不停地观看监控画面，通常一人要同时观看多组画面，视线需要不停的移动，在这种状态下长时间工作，容易导致监控人员精力下降，可能会错过一些危险情况，监控人员有时会因故暂时离开工作岗位，这就为安全埋下了隐患，监控也就失去了作用。

目前对员工是否正确佩戴安全帽的检测方法为：利用利用两帧图像灰度差值获得运动区域，对于获得的运动区域内使用团块检测方法获得候选区域；对于获得的候选区域通过可变形的组件模型系统检测，得到明确的目标头肩区域；对于得到的目标头肩区域，进行级联系统检测以获得目标头部区域，然后对于目标头部区域进行HSV颜色空间转换；对于得到的HSV颜色空间下的头部区域，用神经网络对于头部区域图像进行分类判断，确定目标是否佩戴安全帽，随后通过HSV颜色空间，判断安全帽颜色；输出头部区域以及安全帽佩戴检测结果。

但是，现有技术的在获取待检测区域后，还需要进行头肩区域的检测，然后再利用神经网络对HSV颜色空间的图片进行安全帽检测，整个检测过程步骤较多，导致计算量过大，进而导致检测效率不高。

发明内容

本发明所要解决的技术问题在于提供了一种基于深度学习的视频中安全帽佩戴的检测方法及装置，以解决现有技术中检测效率不高的缺点。

本发明是通过以下技术方案解决上述技术问题的：

本发明实施例提供了一种基于深度学习的视频中安全帽佩戴的检测方法，所述方法包括：

步骤1：从搜集的视频数据中抽取M张图片；

步骤2：将所述M张图片中的N张图片进行标注，将标注后的N张含有行人的图片作为行人正样本数据；将M-N张不含有行人的图片作为行人负样本数据；将标注后的所述N张图片中的带有安全帽的区域标注为安全帽正样本数据；将所述安全帽正样本数据中的各个安全帽遮盖，作为安全帽负样本数据；且M、N均为正整数；

步骤3：使用行人正样本数据和行人负样本数据训练行人检测网络，使用安全帽正样本数据和安全帽负样本数据训练安全帽检测网络；

步骤4：获取待检测图片，并通过背景差分法获取所述待检测图片中的待检测区域；

步骤5：将所述待检测区域输入到训练后的行人检测网络，判断所述待检测区域中是否存在行人；若是，执行步骤6；

步骤6：将所述存在行人的待检测区域中的预设区域输入到训练后的安全帽检测网络中进行检测，若检测到安全帽，通过HSV颜色空间判断安全帽的类型；若未检测到，发出警报。

可选的，所述步骤1具体包括：