[发明专利]一种基于计算机视觉人体姿态估计的施工安全帽佩戴监测方法

说明书

本发明公开了一种基于计算机视觉人体姿态估计的施工安全帽佩戴监测方法，包括以下步骤：S100根据实时多人姿态估计算法模型OpenPose检测并输出图像中的所有个体的身体骨架姿态；S200根据深度学习目标检测算法模型YOLOv3检测出图像中的工人与安全帽，以两类矩形边框分别进行标识和输出；S300整合两种算法模型，根据两类矩形边框的交面比、以及安全帽矩形边框的对角线长度和人物面部中心点到安全帽中心点长度的比对，判断图中工人是否佩戴安全帽。本发明能够准确判断安全帽是否被正确佩戴，该方法逻辑流程清晰，检测速度快，对实时保障施工现场安全帽的有效佩戴，对维护施工人员的生命安全具有重要意义。

技术领域

本发明属于土木工程安全文明施工管理以及智能视频监控领域，特别是涉及一种基于计算机视觉人体姿态估计的施工安全帽佩戴监测方法。

背景技术

土木工程施工需要大量人员参与，现场环境复杂，是一项风险较高的生产制造过程。安全帽可以显著缓冲物理撞击，降低头部损伤，有效保障施工人员的生命安全。然而，在施工作业中，时常出现施工人员未按照生产规范佩戴安全帽，形成安全隐患。因此，实时保障施工现场安全帽的有效佩戴，对维护施工人员的生命安全具有重要意义。基于人工的方法检测工人是否佩戴安全帽是在施工现场设置安全生产监督员，然而该方法自动化程度低，成本高昂，难以实现全场实时监测。自动化的监测方法有基于传感器的接触式监测和基于监控视频图像的非接触式监测。基于传感器的接触式监测，可以记录施工作业人员个人信息，方便管理，然而该方法硬件成本较高，佩戴舒适度欠佳，并且传感器容易受人为干扰损坏；基于监控视频图像的非接触式方法具有成本低、部署便捷的优点，施工人员无额外负担。早期的基于图像的安全帽佩戴检测方法主要使用传统图像处理和计算机视觉技术，使用如方向梯度直方图特征(Histogram of Oriented Gradients，HOG)特征、圆形霍夫变换(Circle Hough Transform，CHT)，或者单纯根据图像的RGB分量识别安全帽。这些传统方法依赖于提前裁剪出目标区域图像(即施工人员)，判别标准朴素，部分方法仅适用于直立人体，并且无法精确判断施工人员已经正确佩戴安全帽，或者只是将其拿在手里或放置在旁边，无法适应实际施工现场的复杂背景环境和施工人员行为。

近年来，以卷积神经网络为代表的深度学习凭借其强大的非线性特征学习能力在图像分类、目标检测等领域取得了一系列突破性研究成果，其中一些方法已应用于安全帽佩戴检测任务中。比如可将安全帽佩戴检测建模为目标检测任务，检测对象分为已佩戴安全帽施工人员和未佩戴安全帽施工人员，通过在视频图像中框选标注这两类对象制作数据集，随后使用该数据集训练一个目标检测神经网络。将施工现场图像输入给训练完成的神经网络即可实现安全帽佩戴的实时检测。然而，安全帽在目标中面积占比较小，两类目标的特征区分不明显，导致需要大量数据以供训练网络。

发明内容

本发明所要解决的问题是目前基于视频的施工人员安全帽佩戴检测方法的检测精度较低、检测原理较朴素，在实际的复杂施工现场和人体行为下容易失效的问题，因此提出了一种基于计算机视觉人体姿态估计的施工安全帽佩戴监测方法。

本发明通过以下技术方案实现：一种基于计算机视觉人体姿态估计的施工安全帽佩戴监测方法，包括以下步骤：

S100根据实时多人姿态估计算法模型OpenPose检测并输出图像中的所有个体的身体骨架姿态；

S200根据深度学习目标检测算法模型YOLOv3检测出图像中的工人与安全帽，以两类矩形边框分别进行标识和输出；

S300整合两种算法模型，根据两类矩形边框的交面比、以及安全帽矩形边框的对角线长度和人物面部中心点到安全帽中心点长度的比对，判断图中工人是否佩戴安全帽。

进一步的，步骤S100中包括：

S110将一张图片输入到一个卷积神经网络，输出特征图；