[发明专利]一种安全帽佩戴检测的图像数据集冗余清洗方法

说明书

本发明涉及一种安全帽佩戴检测的图像数据集冗余清洗方法，包括以下步骤：使用目标检测算法YOLO V4算法在VOC数据集上进行训练，选择最优结果的模型文件进行保存；利用FFmpeg将摄像头采集到的视频解析成图像；解析完成的图像按照顺序输入训练完成的目标检测模型，检测结果仅保留检测到人的图像；判断前后两张图检测到的人员数量是否一致；不一致，则将两张图像均保存；一致，则计算两张图像中人员各个人员位置中心点坐标；计算各个对应中心点之间的距离之和；判断计算距离之和是否大于设定阈值；判断结果为否，则删除其中一张图；判断结果为是，则保留两张图。本发明的优点：提升安全帽佩戴检测图像数据冗余清洗方法的可解释性。

技术领域

本发明涉及目标检测技术领域，具体是指一种安全帽佩戴检测的图像数据集冗余清洗方法。

背景技术

安全帽作为施工作业时必须佩戴的工作帽有着诸多应用场合，如建筑工地、工厂生产线以及井下采矿等。作业人员佩戴安全帽不仅是安全生产作业的规范要求，更是人生安全的重要保障。因此，安全帽佩戴检测模型有着十分广阔的应用前景。与此同时，需要安全帽佩戴检测模型准确率达到一定高度。这就要对每个具体应用场合的监控视频数据进行有针对性的安全帽佩戴检测模型训练。

随着深度学习技术的不断发展，目标检测模型作为机器视觉识别中重要方向之一，也广泛采用了基于深度学习的检测技术。通常，深度学习技术需要大量标注完成的样本作为训练集，并利用反向传播算法对其模型参数进行调优以达到预定效果。深度学习不仅要求参与训练的样本数量要多，还需要样本之间体现出差异。大量相似的样本是不利于提升深度学习模型的泛化能力，也不利于模型部署后的实际测试应用。

在安全帽佩戴检测模型实际训练时，训练集通常是通过网络监控摄像头或录像机获取视频数据并将视频数据解析成图像数据，然后利用图像标注软件平台对该图像中没有佩戴安全帽的区域进行标注。但是，当视频解析成图像是按照一定帧率将视频中的帧以图像格式保存。如果设定的帧率偏低，则原本拍摄到没有佩戴安全帽的图像可能会丢失，导致数据集收集周期变长；如果设定的帧率偏高，则可能会存在大量重复数据。为了尽快收集数据，帧率往往设置偏高。因此，需要对视频转图像后存在的冗余进行自动清除。

针对图像数据集中冗余清除，目前常用的方法有以下几种：

(1)人工检测

人工检测作为最原始的方法，虽然判断图像数据集中的冗余数据较为准确，但是人工成本高。此外，人工检测主观性较强，不同标注人员之间存在差异。这些因素使得通过人工检测清洗图像数据集中冗余的方式难以及时响应项目需求。

(2)结构相似性

结构相似性作为评价两张图像之间相似程度的指标常用于图像去相似任务中。但是，将其应用在安全帽佩戴监测项目中会存在因非安全帽区域变化而导致的结构相似性值变高，误将其判定为两张图存在差异，这点往往是我们不愿意看到的。

上述方法不能在安全帽佩戴检测项目中很好地实现图像数据集冗余清洗。

发明内容

本发明要解决上述技术问题，提供一种可以适用于安全帽佩戴检测的图像数据集冗余清洗方法。

为解决上述技术问题，本发明提供的技术方案为：一种安全帽佩戴检测的图像数据集冗余清洗方法，包括以下步骤：

S1，使用目标检测算法YOLO V4算法在VOC数据集上进行训练，以反向传播算法进行参数调优，选择最优结果的模型文件进行保存；

S2，利用FFmpeg将摄像头采集到的视频解析成图像；

S3，解析完成的图像按照顺序输入步骤S1中训练完成的目标检测模型，检测结果仅保留检测到人的图像；

S4，判断前后两张图检测到的人员数量是否一致；