[发明专利]一种基于颜色分割的安全帽检测方法

说明书

本发明涉及图像识别与处理技术领域，公开了一种基于颜色分割的安全帽检测方法，包括原始图像数据获取、目标图像颜色空间转换、获取安全帽HSV图像空间、颜色分割、膨胀、腐蚀、边缘检测、获取边界的外接矩形、过滤异常的安全帽候选矩形框和统计安全帽位置和数量等步骤，利用了安全帽色彩单一的特点，通过颜色分割的方式提取安全帽，对安全帽进行检测，且本方案是基于数字图像处理的方式进行检测，对比基于深度学习的自顶向下的检测方式，在兼具检测准确性的前提下还具有设备要求低，检测实时性高的优点。

技术领域

本发明涉及图像识别与处理技术领域，尤其涉及一种基于颜色分割的安全帽检测方法。

背景技术

安全帽是指对人头部受坠落物及其他特定因素引起的伤害起防护作用的帽子，安全帽在各种存在潜在危险的施工场所是非常常见的且简单易行的一种防护措施，一旦发生高空坠物或者其他情形时，往往能够起到非常关键的防护作用。但是部分人的安全意识淡泊，常常忘记或者不愿意佩戴安全帽，一旦发生安全事故可能造成严重的后果，但是对于不佩戴安全帽的行为，尽管制定各种相关制度作为要求，但是效果差强人意，对于这样的行为监督起来非常麻烦。近年来诞生了一部分智能识别安全帽佩戴情况的方法，取得了显著效果。

例如，2019年8月30日公开的申请号为CN201910484745.2的中国发明专利《基于深度学习的安全帽定位与颜色识别方法与系统》公开了一种基于深度学习的安全帽佩戴识别方法及设备，所述方法通过将待识别图像输入预先构建的安全帽识别模型；其中，所述安全帽识别模型基于预先标注的图像样本和多层卷积神经网络训练获得；基于安全帽识别模型的输出结果，获得待识别图像中包含安全帽的子图像。解决了现有技术中安全帽佩戴识别方案受光照的影响较大，并且不同的特征提取方法对算法的鲁棒性也有影响的技术问题，实现快速和准确进行安全帽佩戴识别的技术效果。

也有基于有基于机器学习的方式如HOG+SVM，通过提取图像的HOG特征，并载入SVM进行训练，以此来检测安全帽；还有部分方案是基于深度学习的安全帽检测方式，如基于YOLO、SSD的对象检测网络。为保证检测的准确性，使用机器学习和深层次的网络的安全帽检测方式，需要大量的训练样本进行训练，复杂度高，计算开销大，因此设备部署成本高，不便于大规模应用部署。

因此，申请人发明了一种基于颜色分割的安全帽检测方法，在兼具检测准确度的前提下，大大降低了检测算法的复杂度和部署难度，具有很高的商用价值。

发明内容

(一)要解决的技术问题

本发明实施例提供一种基于颜色分割的安全帽检测方法，用以实现通过机器视觉的方式完成单色安全帽的智能化检测工作，利用了安全帽色彩单一的特点，通过颜色分割的方式提取安全帽，并通过一系列图像分割和优化处理来保证检测的精度，对比基于深度学习的自顶向下的检测方式，在兼具检测准确性的前提下还具有设备要求低，检测实时性高的优点。

(二)发明内容

本发明实施例提供一种基于颜色分割的安全帽检测方法，包括以下步骤：

步骤一：原始图像数据获取

通过影像设备获取包含目标人员的原始图像数据；或者通过视频设备获取包含目标人群的原始视频流数据，并截取其中的目标频帧作为目标图像；

步骤二：目标图像颜色空间转换

将目标图像转化至HSV图像空间；

步骤三：获取安全帽HSV图像空间

根据安全帽颜色确定目标颜色区间；

步骤四：颜色分割

将HSV空间图像与步骤三所确定的颜色区间进行对比，生成像素值为0，1的二值图像，以初步确定安全帽的大致区域；

步骤五：膨胀