[发明专利]一种基于图像特征提取的实时安全帽检测方法

说明书

本发明涉及一种基于图像特征提取的实时安全帽检测方法，步骤S1:建立人体数据集和安全帽数据集，并使用DPM算法训练人体检测模型，使用HOG特征和SVM训练安全帽分类器；步骤S2：从实时视频中获取视频帧图像；步骤S3：对获取的视频帧图像，使用人体检测模型，并提取出人体所在矩形区域；步骤S4：对提取出的人体所在矩形区域进行安全帽颜色匹配，若无匹配成功区域，则播放报警信息，否则进行步骤S5；步骤S5：对安全帽颜色匹配成功的区域，使用安全帽分类器进行安全帽检测，若没有检测到安全帽，则播放报警信息。本发明实现了安全帽识别的智能化，提高了安全帽检测的准确率与鲁棒性，在不同的场景中均能够准确检测出工人是否佩戴安全帽。

技术领域

本发明涉及图像识别技术领域，特别是一种基于图像特征提取的实时安全帽检测方法。

背景技术

在现代化的建筑工地或者电力维修等现场，工人们面临着因作业环境差而受到伤害的危险，特别是在施工或维修过程中由于工人安全防范意识低、物体容易坠落等原因易造成人员伤亡，而如果能够佩戴安全帽则能有效的减少对人员的伤害。因此，在施工现场或维修基地入口处，对工人佩戴安全帽情况进行实时检测能有效防止人员因未戴安全帽受到未知的伤害。通过在入口处或维修处放置摄像头，对摄像头拍摄到的视频进行实时处理，从而判断工人佩戴安全帽情况并及时报警提醒，可以有效降低工人们受到人身伤害的风险。

在计算机视觉技术飞速发展的今天，计算机能够识别的场景越来越多，因此越来越多的场合开始使用基于视频分析的安全检测技术。基于视频分析的安全帽检测也有所研究。目前采用的方法中数据集的制作过程太过繁杂，使用到了深度图像，还需要对用户头部关节点进行定位，如果定位不准则会使方法的效率大大降低；目前采用的方法虽然在一定条件下可以实现安全帽的检测，但是在统计满足条件的像素点的个数与设定的像素点个数阈值作比较可以看出目前方法鲁棒性较差，因为在远景图片中，能够满足条件的像素点的个数必然要比近景图片中要少上很多，如果设置的阈值太小的话，在近景图片中就会有较大误差，如果设置的阈值过大的话，在远景图片中就会有较大误差。

发明内容

有鉴于此，本发明的目的是提供一种基于图像特征提取的实时安全帽检测方法，实现了安全帽识别的智能化，提高了安全帽检测的准确率与鲁棒性，在不同的场景中均能够准确检测出工人是否佩戴安全帽，具有准确率高，鲁棒性好，能够实时识别的安全帽佩戴情况的优点。

本发明采用以下方案实现：一种基于图像特征提取的实时安全帽检测方法，包括以下步骤：

步骤S1:收集人体图像作为人体数据集，收集安全帽图像作为安全帽数据集，利用人体数据集使用DPM算法训练人体检测模型，利用安全帽数据集使用HOG（Histogram ofOriented Gradients）特征和SVM（Support Vector Machines）训练安全帽分类器；

步骤S2：从实时视频中获取视频帧图像；

步骤S3：对获取的视频帧图像，使用DPM（Deformable Parts Model）算法训练的人体检测模型进行人体检测，并提取出人体所在矩形区域；

步骤S4：对提取出的人体所在矩形区域进行安全帽颜色匹配，若无匹配成功区域，则播放报警信息，若有匹配成功区域，则进行步骤S5；

步骤S5：对安全帽颜色匹配成功的区域，使用由HOG（Histogram of OrientedGradients）特征和SVM（Support Vector Machines）训练好的安全帽分类器进行安全帽检测，若没有检测到安全帽，则播放报警信息。

进一步地，步骤S1中所述使用DPM算法训练人体检测模型的具体内容为：收集人体图像，建立人体图像数据集，使用DPM（Deformable Parts Model）算法进行训练，得到人体检测模型。