[发明专利]一种基于FTP协议的低带宽要求的安全帽识别方法

说明书

本发明公开了一种基于FTP协议的低带宽要求的安全帽识别方法，包括如下步骤：步骤S1：图像获取装置上传图片至服务器；步骤S2：检测人体、人头和安全帽位置，进行第一次计算；步骤S3：所述步骤S2中如果检测到人头，将安全帽和人头分配到具体的人体，如果人体没有分配到安全帽，但分配到了人头，则认为没有戴安全帽，计结果为1；如果既没有分配到安全帽，也没有分配到人头，则忽略；步骤S4：对步骤S3中的结果进行过滤，将过滤结果送入超分辨率模块。本发明通过FTP协议将图片数据传输到云端平台进行识别，对带宽要求低，服务器处理速度更快；对小目标识别时，引入超分辨率模块，得到更加清晰和精细的目标之后再识别，大大提升了准确率。

技术领域

本发明涉及一种图像识别方法，特别涉及一种基于FTP协议的低带宽要求的安全帽识别方法。

背景技术

在建筑工地、矿井等高危现场，工作人员佩戴安全帽是必要的安全措施。目前，大多数生产现场以人工值守和视频监控的方式对工人进行监管，容易出现信息滞后、疏漏等情况，耗费人力物力，却得不到良好的监管效果。而借助于计算机视觉的方法，可以实现及时预警，减轻值守工人的负担，也让问题溯源更容易。

目标检测是计算机视觉中最常见的问题之一，随着深度学习的发展，基于卷积神经网络的模型已经被广泛应用于安防、教育、自动驾驶等领域。

针对安全帽检测的问题，现有方法大多采用区域定位和分类的思路。传统方法有基于HOG特征、Haar-Like特征的Adaboost级联分类器，由于采用了单一特征，对目标的表征能力不足，导致模型环境适应性较差，准确率低。基于深度学习的目标检测方法分为两阶段、单阶段和Anchor-Free，分别以Faster RCNN，SSD/Yolo，CenterNet为代表，在准确率上极大的超越了传统算法，让复杂环境下的目标检测成为现实。

但施工现场通常安装球机以监控更多的区域，工人在整个画面中尺寸较小，导致目前大多数算法难以准确判断工人是否佩戴安全帽。现有技术缺点包括：

1)当目标(头部区域)在画面中尺寸较小，低于50＊50像素时，算法准确率急剧下降

2)基于视频的实时智能分析对硬件和带宽要求高

3)现有技术大多采用自上而下的方式来进行识别，算法耗时与人数成正比。

现有的一些技术也存在一些其他的缺陷，如申请号为201910350959.0中国发明专利申请，采用AlphaPose得到人体关键点，但是AlphaPose运算量较大，达不到实时的效果，且AlphaPose是一种自上而下的方法，耗时与人数成正比，同样也存在距离较远精度下降的问题；再比如申请号为201910064486.8的中国发明专利申请，基于机器视觉算法，先检测人体，然后逐个检测人是否戴了安全帽，耗时与人数成正比，当距离稍远时，准确率下降明显。

发明内容

本发明要解决的技术问题是克服现有技术的缺陷，提供一种基于FTP协议的低带宽要求的安全帽识别方法。

为了解决上述技术问题，本发明提供了如下的技术方案：

本发明一种基于FTP协议的低带宽要求的安全帽识别方法，包括如下步骤：

步骤S1：图像获取装置上传图片至服务器；

步骤S2：检测人体、人头和安全帽位置，进行第一次计算；

步骤S3：所述步骤S2中如果检测到人头，将安全帽和人头分配到具体的人体，如果人体没有分配到安全帽，但分配到了人头，则认为没有戴安全帽，计结果为1；

如果既没有分配到安全帽，也没有分配到人头，则忽略；这种情况说明人头被遮挡了。

步骤S4：对所述步骤S3中的结果进行过滤，将过滤结果送入超分辨率模块；