一种融合HOG人体目标检测和SVM分类器的安全帽识别方法

暂无

一种融合HOG人体目标检测和SVM分类器的安全帽识别方法\n技术领域\n[0001] 本发明涉及视频监控领域，具体涉及一种融合HOG人体目标检测和SVM分类器的安全帽识别方法。\n背景技术\n[0002] HOG(Histogram of Oriented Gradient)：即方向梯度直方图，是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。\n[0003] SVM(Support Vector Machine)：即支持向量机，是一种可训练的机器学习方法。\n[0004] HSV(Hue,Saturation,Value)：是根据颜色的直观特性创建的一种颜色空间，该模型中颜色的参数分别是：色调(H)，饱和度(S)，亮度(V)。\n[0005] 在施工工地中，工作人员佩戴安全帽是一项非常重要的要求，其直接关系到工作人员的人身安全，所以有必要对施工工地上所有的工作人员是否按要求佩戴安全帽进行严格的监控。\n[0006] 在现有技术中，针对安全帽的检测技术非常少：\n[0007] 有一种专门针对安全帽检测的方法，重点研究运动人员的背景减除检测方法并提出了加权时间均值背景模型，其次在特征选取部分尝试了多种不同的特征，最终给出一组较为有效的特征。之后针对大小、颜色、磨损程度均不完全一样的各种安全帽，提出一种基于十六方向Gabor的HOG特征(方向梯度直方图)提取方法，经过SVM训练得到多项式分类器，能够在目标与背景灰度相似的情况下识别出安全帽，最后基于颜色直方图的Mean Shift安全帽跟踪算法，实现视频中未佩戴安全帽头部的跟踪。这种方法的缺点是：背景模型学习速率较低，在检测头部时，肤色和发色的颜色阈值固定，无法自适应，安全帽识别算法时间计算复杂度高，搜索效率较低下。\n[0008] 还有一种用高斯函数模拟安全帽四方向边缘特征的安全帽检测算法，通过对安全帽进行建模，获取安全帽图像，提取四方向边缘特征，用高斯函数模拟特征分布，采用线性分段函数区分视频中窗口为安全帽区域和非安全帽区域实现安全帽的检测。这种方法主要是用来进行煤矿井下目标人员的检测，煤矿井下环境特殊，全天候人工照明，加上粉尘和潮湿等因素的影响，导致井下视频具有以下特点：照度低，光照分布不均匀，所有的图像以黑、灰、白颜色为主，处理图像时没有色彩信息可利用，不适用于一般的户外场合。\n[0009] 另一种安全帽定位方法，其选取Haar-like特征，使用adaboost算法训练级联分类器。将待检测图像预处理后，送入分类器，由分类器输出安全帽在图像中的位置坐标。这种方法在训练分类器时比较复杂，且分类器的准确率受训练样本的影响。\n[0010] 综上所述，这些方法均不能够同时保证准确率和低复杂度，另外，上述方法只是检测图像中是否存在安全帽，无法检测出只是随身携带而并未按规定佩戴安全帽的情况。\n发明内容\n[0011] 本发明的目的在于提供一种融合HOG人体目标检测和SVM分类器的安全帽识别方法，解决现有技术对施工工地中工作人员是否按要求佩戴安全帽的监控精度不够,准确率低，而且监控过程和计算复杂的问题。\n[0012] 为解决上述的技术问题，本发明采用以下技术方案：\n[0013] 一种融合HOG人体目标检测和SVM分类器的安全帽识别方法，包括以下步骤：\n[0014] 步骤一，获取HOG正负样本特征、SVM分类函数和高斯核函数的参数 值；\n[0015] 步骤二，提取监视框：\n[0016] 在作业人员进入施工现场的必经通道处设置摄像头，设置与工作人员体形相适应的监视框；\n[0017] 步骤三，运动目标检测：\n[0018] 在监视框范围内选取前几帧无目标图像的像素值作为背景单高斯分布的初始均值向量u0和协方差矩阵 其中I是单位矩阵, 是t时刻方差,初始值一般赋予一个较大的值,如\n[0019] 抓取待检测图像，将获取的待检测图像的像素值和背景单高斯分布进行匹配检验，当像素值与背景单高斯分布均值的距离小于其标准差的δ倍时(δ一般取2.5-3)，则该像素点判决为背景点，并取值为0，否则为前景点，取值为1，得到运动目标的二值图像；\n[0020] 对被判断为背景的像素点，更新该像素点的均值向量ut和协方差矩阵更新公式为：\n[0021] ut＝(1-ρ)ut-1+ρXt\n[0022]\n[0023] Xt为t时刻的像素值，ut为t时刻高斯分布的均值向量，ut-1是t-1时刻高斯分布的均值向量, 是t-1时刻方差，更新率ρ取值为0＜ρ＜1，其值越大，更新越快。\n[0024] 运用形态学滤波的方法对得到的二值图像进行后续处理，除去干扰点，形成较为完整的目标图像；\n[0025] 步骤四，HOG特征匹配：\n[0026] 提取待测目标图像的HOG特征，将待测目标图像的HOG特征和已获取HOG正负样本特征进行匹配,若待测目标图像判断为负样本，认为待测目标图像中没有人体目标，重新获取新的图像，返回步骤二，若待测目标图像判断为正样本,则认为图像中有人体目标，进一步判断是否佩戴安全帽；\n[0027] 步骤五，判断是否佩戴安全帽：\n[0028] 截取上一步中目标人体的头部图像，提取该图像的颜色特征向量x，代入最优SVM分类函数f(x)计算得到一个函数值，若该值大于0，则判断为佩戴了安全帽，若该值小于0，则判断为未佩戴安全帽，给出报警提示。\n[0029] 更进一步的技术方案是所述步骤一中，HOG正负样本特征的获取方法是：\n[0030] ①，先获取有完整的人体目标的正样本图像和非人体目标的负样本图像各m张(m可取值为20-30)；\n[0031] ②，计算m张正样本图像和m张负样本图像中每个像素点(x,y)的梯度幅值G(x,y)和梯度方向α(x,y)，形成图像矩阵；\n[0032] ③，图像矩阵分为小的细胞单元，每个细胞单元为6*6像素,每3*3个细胞单元构成一个块，将0°～180°的角度平均分成9个通道；\n[0033] ④，对细胞单位中的每个像素点的梯度幅值和方向统计出梯度方向直方图；\n[0034] ⑤，梯度方向直方图的横坐标选取9个方向通道，梯度方向直方图的纵坐标为属于\n9个方向通道中一个通道的像素的梯度大小的累加和，最终得到一组由各个通道像素梯度累加和构成的向量；\n[0035] ⑥，以向量对应的像素所在的小块为单位，对向量进行归一化处理；将经过归一化处理后所有的向量连接起来，形成HOG正负样本特征。\n[0036] 图像中某点像素(x,y)的梯度公式如下：\n[0037] Gx(x,y)＝H(x+1,y)-H(x-1,y)\n[0038] Gy(x,y)＝H(x,y+1)-H(x,y-1)\n[0039] 式中Gx(x,y)，Gy(x,y)，H(x,y)分别为输入图像中像素点(x,y)处的水平方向梯度、垂直方向梯度和像素值。\n[0040] 像素点(x,y)处的梯度幅值G(x,y)和梯度方向α(x,y)按照下式计算：\n[0041]\n[0042]\n[0043] SVM分类函数是通过SVM分类器训练得到，获取的方法是：\n[0044] ①，分别选取n帧(n的最佳范围为5000-10000)佩戴安全帽和n帧未佩戴安全帽的工作人员头部矩形图像；得出到上述2n帧图片中像素点的色调H分量的统计直方图；将实际得到的色调H值范围均匀划分成100个小块，统计图像中像素点的色调H值落入各个小块内的像素个数，得到对应的2n个1*100的特征向量，形成一个100*2n的矩阵，提取向量维数庞大的颜色特征；\n[0045] ②，将上述矩阵按列归一化，即矩阵中每一个单独的数除以该列最大的数，得到每个数取值范围都在0到1之间的矩阵；取矩阵的某一行向量，它由n个正样本的色调H值和n个负样本的色调H值构成，假设这正样本的平均数 和负样本的平均数 之间无显著差异；\n通过正样特征向量x1和负样本x2，以及正样本的平均数 和负样本的平均数 构造出统计量T，该统计量T是用来判断正样本的平均数 和负样本的平均数 有无显著差异的；根据自由度n1+n2-2(n1、n2分别是正负样本的个数，这里它们相等，均为n)和显著水平α，再经过查询T界值表，得到理论值；比较计算得到的统计量T值和理论值，如果计算得到的统计量T值小于理论值，则正样本和负样本差异不显著，剔除该行向量；如果计算得到的统计量T值大于理论值，则两样本差异显著，保留该行向量，记录行号；更换另一行向量，重复差异检验步骤，如此循环直到构成每个行向量的正样本和负样本都进行过一次差异是否显著的检验，最后所有保留下来的行向量构成一个d*2n的特征矩阵(d≤100)，该矩阵的每一列xi是d维空间中的向量；\n[0046] 统计量T构造公式如下:\n[0047]\n[0048] 其中x1,x2分别是正负样本的特征向量, 分别是正负样本的平均数，n1、n2分别是正负样本的个数。\n[0049] ③，根据已知类别的样本集s＝{(xi,yi)|i＝1,...,2n}求取最优SVM分类函数来解决未知样本的分类问题，其中xi∈Rd是经过降维后的d维空间中的向量，yi＝{+1,-1}为xi对应的类别标号，由于该样本集s线性不可分，故使用高斯核函数将其映射到高维使其线性可分，即将SVM分类函数中的xix用K(xi,x)代替，其中高斯核函数的参数 通过下述高斯核函数的参数 值的获取方法获得，根据Karush-Kuhn-Tucker(KKT)条件，引入拉格朗日函数求解得到关于色调H值的最优SVM分类函数f(x)(f为符号函数，x为待分类样本的特征向量)，[0050] 分类函数公式\n[0051]\n[0052]\n[0053] ys＝1，\n[0054] 其中sgn为符号函数，x为待测样本，s＝{(xi,yi)|i＝1,...,2n}是样本集，yi＝{+\n1,-1}，yi＝1时表示为ys，xs是与ys相对于的特征样本，ai为最优的拉格朗日乘子，ai通过下式求解：\n[0055]\n[0056] 是xi的转置，\n[0057] 约束条件：\n[0058]\n[0059] ai≥0。\n[0060] 高斯核函数的参数 值的获取方法是：\n[0061] ①，首先给定一组 需要遍历的值，取 为其中某一值 将上述已知分类的2n个样本特征向量均匀分成k份(k一般取10)，编号为1-k，任取1份作为测试数据，其它k-1份作为训练数据，代入已经求取得到的SVM分类函数，得到该测试数据的类别，判断其是否分类正确；\n[0062] ②，共进行k次交叉验证，其中部分样本分类正确，部分样本分类错误，将分类正确的次数除以k,可得到该 下的分类错误率，改变 的值，重复交叉验证过程，当遍历完所有给定的 值，将分类错误率最小的 作为最终的高斯核函数的参数\n[0063] 高斯核函数公式如下:\n[0064]\n[0065] 其中xi,xj分别是样本的特征向量。\n[0066] 与现有技术相比，本发明的有益效果是：本发明能够对施工工地中工作人员是否按要求佩戴安全帽进行精确的监控，算法原理简单，具有实时性和较高的准确率，不仅可以有效区分人体目标和非人体目标，克服背景中出现的干扰因素，而且能够适应室外多变的光照条件和安全帽颜色的变化，具有较强的鲁棒性。\n具体实施方式\n[0067] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。\n[0068] 根据本发明一种利用融合HOG人体目标检测和SVM分类器的安全帽识别方法一个实施例：一种利用融合HOG人体目标检测和SVM分类器的安全帽识别方法，包括以下步骤：\n[0069] 步骤一，获取HOG正负样本特征、高斯核函数的参数 值和SVM分类函数；\n[0070] 步骤二，提取监视框：\n[0071] 在作业人员进入施工现场的必经通道处设置摄像头，设置与工作人员体形相适应的监视框；\n[0072] 步骤三，运动目标检测：\n[0073] 在监视框范围内选取前几帧无目标图像的像素值作为背景单高斯分布的初始均值向量u0和协方差矩阵 其中I是单位矩阵, 是t时刻方差,初始值一般赋予一个较大的值,如\n[0074] 抓取待检测图像，将获取的待检测图像的像素值和背景单高斯分布进行匹配检验，当像素值与背景单高斯分布均值的距离小于其标准差的δ倍时(δ一般取2.5-3)，则该像素点判决为背景点，并取值为0，否则为前景点，取值为1，得到运动目标的二值图像；\n[0075] 对被判断为背景的像素点，更新该像素点的初始均值向量u0和协方差矩阵[0076] 更新公式为：\n[0077] ut＝(1-ρ)ut-1+ρXt\n[0078]\n[0079] Xt为t时刻的像素值，ut为t时刻高斯分布的均值向量，ut-1是t-1时刻高斯分布的均值向量, 是t-1时刻方差，更新率ρ取值为0＜ρ＜1，其值越大，更新越快。\n[0080] 运用形态学滤波的方法对得到的二值图像进行后续处理，除去干扰点，形成较为完整的目标图像；\n[0081] 步骤四，HOG特征匹配：\n[0082] 提取待测目标图像的HOG特征，将待测目标图像的HOG特征和已获取HOG正负样本特征进行匹配,若待测目标图像判断为负样本，认为待测目标图像中没有人体目标，重新获取新的图像，返回步骤二，若待测目标图像判断为正样本,则认为图像中有人体目标，进一步判断是否佩戴安全帽；\n[0083] 步骤五，判断是否佩戴安全帽：\n[0084] 截取上一步中目标人体的头部图像，提取该图像的颜色特征向量x，代入最优SVM分类函数f(x)计算得到一个函数值，若该值大于0，则判断为佩戴了安全帽，若该值小于0，则判断为未佩戴安全帽，给出报警提示。\n[0085] 根据本发明一种利用融合HOG人体目标检测和SVM分类器的安全帽识别方法的一个优选实施例，所述步骤一中，HOG正负样本特征的获取方法是：\n[0086] ①，先获取有完整的人体目标的正样本图像和非人体目标的负样本图像各m张(m可取值为20-30)；\n[0087] ②，计算m张正样本图像和m张负样本图像中每个像素点(x,y)的梯度幅值G(x,y)和梯度方向α(x,y)，形成图像矩阵；\n[0088] ③，图像矩阵分为小的细胞单元，每个细胞单元为6*6像素,每3*3个细胞单元构成一个块，将0°～180°的角度平均分成9个通道；\n[0089] ④，对细胞单位中的每个像素点的梯度幅值和方向统计出梯度方向直方图；\n[0090] ⑤，梯度方向直方图的横坐标选取9个方向通道，梯度方向直方图的纵坐标为属于\n9个方向通道中一个通道的像素的梯度大小的累加和，最终得到一组由各个通道像素梯度累加和构成的向量；\n[0091] ⑥，以向量对应的像素所在的小块为单位，对向量进行归一化处理；将经过归一化处理后所有的向量连接起来，形成HOG正负样本特征。\n[0092] 图像中某点像素(x,y)的梯度公式如下：\n[0093] Gx(x,y)＝H(x+1,y)-H(x-1,y)\n[0094] Gy(x,y)＝H(x,y+1)-H(x,y-1)\n[0095] 式中Gx(x,y)，Gy(x,y)，H(x,y)分别为输入图像中像素点(x,y)处的水平方向梯度、垂直方向梯度和像素值。\n[0096] 像素点(x,y)处的梯度幅值G(x,y)和梯度方向α(x,y)按照下式计算：\n[0097]\n[0098]\n[0099] SVM分类函数是通过SVM分类器训练得到，获取的方法是：\n[0100] ①，分别选取n帧(n的最佳范围为5000-10000)佩戴安全帽和n帧未佩戴安全帽的工作人员头部矩形图像；得出到上述2n帧图片中像素点的色调H分量的统计直方图；将实际得到的色调H值范围均匀划分成100个小块，统计图像中像素点的色调H值落入各个小块内的像素个数，得到对应的2n个1*100的特征向量，形成一个100*2n的矩阵，提取向量维数庞大的颜色特征；\n[0101] ②，将上述矩阵按列归一化，即矩阵中每一个单独的数除以该列最大的数，得到每个数取值范围都在0到1之间的矩阵；取矩阵的某一行向量，它由n个正样本的色调H值和n个负样本的色调H值构成，假设这正样本的平均数 和负样本的平均数 之间无显著差异；\n通过正样特征向量x1和负样本x2，以及正样本的平均数 和负样本的平均数 构造出统计量T，该统计量T是用来判断正样本的平均数 和负样本的平均数 有无显著差异的；根据自由度n1+n2-2(n1、n2分别是正负样本的个数，这里它们相等，均为n)和显著水平α，再经过查询T界值表，得到理论值；比较计算得到的统计量T值和理论值，如果计算得到的统计量T值小于理论值，则正样本和负样本差异不显著，剔除该行向量；如果计算得到的统计量T值大于理论值，则两样本差异显著，保留该行向量，记录行号；更换另一行向量，重复差异检验步骤，如此循环直到构成每个行向量的正样本和负样本都进行过一次差异是否显著的检验，最后所有保留下来的行向量构成一个d*2n的特征矩阵(d≤100)，该矩阵的每一列xi是d维空间中的向量；\n[0102] 统计量T构造公式如下:\n[0103]\n[0104] 其中x1,x2分别是正负样本的特征向量, 分别是正负样本的平均数，n1、n2分别是正负样本的个数。\n[0105] ③，根据已知类别的样本集s＝{(xi,yi)|i＝1,...,2n}求取最优SVM分类函数来解决未知样本的分类问题，其中xi∈Rd是经过降维后的d维空间中的向量，yi＝{+1,-1}为xi对应的类别标号，由于该样本集s线性不可分，故使用高斯核函数将其映射到高维使其线性可分，即将SVM分类函数中的xix用K(xi,x)代替，其中高斯核函数的参数 通过下述高斯核函数的参数 值的获取方法获得，根据Karush-Kuhn-Tucker(KKT)条件，引入拉格朗日函数求解得到关于色调H值的最优SVM分类函数f(x)(f为符号函数，x为待分类样本的特征向量)，[0106] 分类函数公式\n[0107]\n[0108]\n[0109] ys＝1，\n[0110] 其中sgn为符号函数，x为待测样本，s＝{(xi,yi)|i＝1,...,2n}是样本集，yi＝{+\n1,-1}，yi＝1时表示为ys，xs是与ys相对于的特征样本，ai为最优的拉格朗日乘子，ai通过下式求解：\n[0111]\n[0112] 是xi的转置，\n[0113] 约束条件：\n[0114]\n[0115] ai≥0。\n[0116] 高斯核函数的参数 值的获取方法是：\n[0117] ①，首先给定一组 需要遍历的值，取 为其中某一值 将上述已知分类的2n个样本特征向量均匀分成k份(k一般取10)，编号为1-k，任取1份作为测试数据，其它k-1份作为训练数据，代入已经求取得到的SVM分类函数，得到该测试数据的类别，判断其是否分类正确；\n[0118] ②，共进行k次交叉验证，其中部分样本分类正确，部分样本分类错误，将分类正确的次数除以k,可得到该 下的分类错误率，改变 的值，重复交叉验证过程，当遍历完所有给定的 值，将分类错误率最小的 作为最终的高斯核函数的参数\n[0119] 高斯核函数公式如下:\n[0120]\n[0121] 其中xi,xj分别是样本的特征向量。\n[0122] 尽管这里参照本发明的多个解释性实施例对本发明进行了描述，但是，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的原则范围和精神之内。更具体地说，在本申请公开和权利要求的范围内，可以对主题组合布局的组成部件和/或布局进行多种变型和改进。除了对组成部件和/或布局进行的变形和改进外，对于本领域技术人员来说，其他的用途也将是明显的。