[发明专利]一种基于安监场景下的轻量化安全帽识别方法及系统

说明书

本发明提供一种基于安监场景下的轻量化安全帽识别方法，包括获取待识别图像；使用预先训练好的头部检测网络对待识别图像进行头部检测，得到含有头部目标的头部图像，且进一步使用预先训练好的分类网络对头部图像进行分类判断，以确定头部目标是否佩戴安全帽；其中，头部检测网络为基于网络分支均由3x3卷积核、1x1卷积核及残差模块组成的LFFD网络构建出来的；分类网络为基于采用残差模块隔层相连的ResNet18网络构建出来的，该残差模块的输入数据为由LFFD网络中两个3*3卷积与1×1卷积短接相加并经Relu激活函数输出的数据。实施本发明，采用的检测网络结构不深且参数少，适合边缘部署的同时达到很好的检测效果，能很好的兼顾准确率和速度。

技术领域

本发明涉及计算机图像处理技术领域，尤其涉及一种基于安监场景下的轻量化安全帽识别方法及系统。

背景技术

安全帽是保护工人生命的一道有效屏障，能有效地减少或防止外来危险对人头部的伤害，从而降低工人工作时的作业风险。因此，未佩戴安全帽的行为是电力企业安全生产的监控和防范重点。然而，由于施工现场作业面分散、范围大，使得依赖人工监察安全帽的佩带情况，监管难度大且效率低。由此可见，开发安全帽佩戴检测系统对施工作业面工作人员安全保障更具有现实意义。

近年来，随着计算机视觉技术的发展，安全帽的视觉检测研究取得了一定的进展。传统检测识别安全帽方法一般根据颜色形状来处理，但实际生产过程中，人员可能佩戴不同颜色的安全帽并且工作时的姿态多变，导致安全帽检测难度加大。例如，刘云波等人使用目标像素点的颜色方法识别安全帽佩戴情况，该方法利用梯度直方图特征和支持向量机(Support Vector Machine，SVM)先定位到人体区域，进而采用安全帽区域的颜色特征进行识别定位，然后利用安全帽的Haar特征(Haar-like features)和霍夫变换进行检测是否佩戴安全帽。又如，冯国臣等人主要以统计颜色特征方法进行安全帽检测。

随着深度学习的发展，安全帽检测方法通过检测网络模型来实现，主要分为两大类，分别为一阶段和两阶段。其中，两阶段的方法，以R-CNN(Region-CNN)为代表，使用候选区域和CNN(Convolutional Neural Network)代替滑动窗口和手工设计特征的方法进行目标检测，来提升准确率和检测速率，还有后期优化设计的Fast R-CNN和Faster R-CNN等网络。一阶段的方法，分类和box的回归是同步的，一般会结合anchor和多尺寸图像变换(图像金字塔)一起使用，以YOLO(You Only Look Once，Yolo v1/v2/v3等)系列的检测算法和SSD(Single Shot MultiBox Detector)检测算法为代表，算法在检测精度和时间上较之前的算法均取得了更好的效果。

然而，二阶段的检测网络模型虽然有较好的准确率，但是模型大，参数多，部署困难，不适合轻量化部署；一阶段的检测网络虽然有更快的检测速度，但是准确率有限。

因此，为了平衡好准确率和速度之间的关系，亟需一种轻量化安全帽识别方法，采用的检测网络结构不深且参数少，适合边缘部署的同时达到很好的检测效果，能很好的兼顾准确率和速度。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于安监场景下的轻量化安全帽识别方法及系统，采用的检测网络结构不深且参数少，适合边缘部署的同时达到很好的检测效果，能很好的兼顾准确率和速度。

为了解决上述技术问题，本发明实施例提供了一种基于安监场景下的轻量化安全帽识别方法，所述方法包括以下步骤：

获取待识别图像；