[发明专利]基于视频的工服工帽穿戴状态自动识别方法与报警系统

说明书

本发明属于图像处理技术领域，公开了一种基于视频的工服工帽穿戴状态自动识别方法与报警系统,基于视频流时间序列图像，采用时域差分和背景减除相结合，提取视频图像中的移动目标；根据所检测到的目标团块特征和团块外轮廓时间周期特征完成人体目标与其他目标的分类；对检测到的人体目标，进行头部和躯干部分的分割；在Lab颜色空间，分别对人体目标头部进行是否佩戴安全帽和躯干部分是否穿着工作服进行智能分析；如果发现安全防护异常，实时上报安全报警消息至管理人员，同时抓拍存档。本发明不必额外增加设备安装和维护费用；采用人工智能技术，实现工地工作人员工服工帽全天候监测，应用方便，成本低，具有较大的应用前景。

技术领域

本发明属于图像处理技术领域，尤其涉及一种基于视频的工服工帽穿戴状态自动识别方法与报警系统。

背景技术

当前我国仍然处于大建设阶段，每年都有数十万个工地在施工建设。同时，又处于从粗放到集约转型阶段，各建设公司急需高效的现场管理手段，降低成本，提高效益，而安全管理可谓是施工现场管理的重中之重。现场安全管理涉及多方面的内容，当前仍然是以岗前教育和工作过程中人工监督为主。建筑工程施工各专业、各作业面在时间和空间上相互交错，且分布广，生产过程中的人工监督要做到面面俱到难度大，对人力的投入要求也很高。鉴于此，本发明运用视频监控的实时现场图像，采用图像分析与理解技术，实现目标提取、分类和识别，对施工现场工作人员工服工帽穿戴情况全天候监督，发现问题实时通知监督管理人员，同时抓拍现场照片存档，实现时间和空间上无死角监督。本发明的执行，还可大大降低人力成本。

基于视频的目标分类识别，从大的方面来讲可分为基于图像分析、理解的经典方法和基于深度学习的神经网络方法。经典方法基于图像本身进行处理分析，首先提取图像中的可能目标，然后提取每个可能目标的不变特征，最后与待识别目标特征进行比较，完成分类识别。其优点是每一个处理过程可以根据实际应用需要做特殊处理，因而其输出结果是可控的；而且可以不必有大量的训练样本，即可实现指定目标的识别。其劣势是在同样数据集下，经典方法综合性能表现要弱于现代深度学习的神经网络方法。基于深度学习的神经网络方法，其优点是在相同数据集下，综合性能优异。

但是，每个神经网络其功能和性能是由该网络模型和训练数据集决定的，如果检测目标有变化，则需要用相应的数据集重新训练神经网络，必要时还需重新设计网络模型。虽然神经网络训练过程一般需要较长时间，这个在离线进行，对应用的影响不大，但训练数据集的获取是一个长时间高成本的过程。而且，神经网络的处理过程，其中间结果开发者都无法控制。

施工工地现场环境复杂，不同工地环境也不相同，工地生命周期也短，训练数据的获取与标注在实际操作中有较大的困难。更重要的是，现实当中，各建设公司所使用的工作服和安全帽从颜色到样式，各种各样，而且不同时期，同一公司所使用的工服工帽也可能不同，这也对采用基于深度学习的神经网络分类识别方法不利。另外，对工地现成全天候监控过程中，单个摄像头，以每秒处理20帧计算，全天有1728000帧，虽然深度学习神经网络有较高的识别性能，但不可避免的误报是一个问题，却又不能有效的控制。

实际上，在对工地现场的全天候实时监控中，识别率并不是重要的目标，最重要的是，识别到的结果，一定是想要的，在此基础上争取更高的识别率，而深度学习神经网络无法保证这一点。如实际场景中，假如有工作人员没有完整穿戴工服工帽，其活动一定具有一个时间段，只要在该时间段中能够检测到一个正确结果即可达到监控的目的。

总之，本发明根据施工工地应用的特殊场景，采用经典图像分析、识别智能技术，较好地满足了智慧工地工作人员工服工帽穿戴自动监测需求，解决的问题主要有：

人工管理存在的问题。由于施工现场在空间上的广度大，各专业工种作业时间交叉，全天候都有工作人员作业，人工管理不仅成本高，而且无论空间还是时间上总是存在盲区，本发明基于视频监控的智能处理方法，可以全覆盖整个空间和时间维度，实现全天候无死角实时监控管理。