一种安全帽佩戴情况检测方法

1.一种安全帽佩戴情况检测方法，其特征在于，包括：
S101、输入图像；
S102、检测当前帧中所有人头的大小和位置；
S103、根据人头的大小和位置计算安全帽的大小和位置范围ROI；
S104、循环取得ROI内的RGB图像，并将其转化为HSV图像；
S105、取所述HSV图像中的V通道亮度图，并取得该ROI一半大小作为实际安全帽的大小，利用该大小窗口在V通道亮度图中滑动计算每个位置的亮度直方图；
S106、取直方图中的分界亮度Bin，分别计算图像直方图在分界亮度Bin以下之和在分界亮度Bin以上之和；
S107、判断图像直方图在分界亮度Bin以下之和是否大于在分界亮度Bin以上之和，若是，则执行步骤S108，否则执行步骤S109；
S108、判定图像中目标对象未佩戴安全帽，执行步骤S1010；
S109、判定图像中目标对象已佩戴安全帽，执行步骤S1010；
S1010、输出当前帧结果。
2.根据权利要求1所述的安全帽佩戴情况检测方法，其特征在于，所述步骤S102具体包括：选用HOG特征，采集人头正样本和负样本，利用libSVM进行训练，并通过训练得到的人头模板在图像中进行窗口滑动检测，获得当前帧中所有人头的大小和位置。
3.根据权利要求2所述的安全帽佩戴情况检测方法，其特征在于，所述步骤S103具体包括：根据人头的大小和位置采用滑动窗口的方式扫描定位出的人头部分图像，计算安全帽的大小和位置范围ROI。
4.根据权利要求1至3之一所述的安全帽佩戴情况检测方法，其特征在于，所述步骤S106中取直方图中的分界亮度Bin，具体包括：预先采集大量佩戴各种颜色安全帽的头部图片样本以及未佩戴任何安全帽的头部图片，均将其转化为HSV图像，并分别统计所述HSV图像中的V通道亮度直方图，通过安全帽与非安全帽的统计直方图选取一分界亮度Bin。

一种安全帽佩戴情况检测方法\n技术领域\n[0001] 本发明涉及视频监控技术领域，尤其涉及一种安全帽佩戴情况检测方法。\n背景技术\n[0002] 建筑工地因施工人员复杂，工程工期紧，作业环境差，施工过程危险源多，施工人员的安全意识偏低，造成施工现场管理中的漏洞较多，其中高处坠落和物体打击造成的危害尤为严重。为减轻高处坠落和物体打击的危害，安全帽无疑是一个很好的预防措施，安全帽里边连着一根扣带的网状帽箍，是安全帽的一个枢纽部门，它能够延迟并减少传递到头部和颈部的压力，更重要的是，它可以吸收由撞击带来的大部分能量。然而，有的建筑工人错误地以为戴安全帽没有必要，违反安全规定不戴安全帽的情况时有发生，带来安全隐患。\n因此在工地对安全帽的佩戴情况进行监控十分必要，采用摄像机对工地安全帽的佩戴情况进行监控是一个很有效的方法。但是如果依靠人工对视频图像进行监控，不仅耗时耗力，而且效率也非常低，人不可能时刻盯着显示器进行观察，这样可能会造成摄像画面的遗漏，影响到监控的有效性。因此，需要一种脱离人工的、高度智能化的、准确度高并且有实用价值的安全帽是否佩戴的自动检测方法，并将其运用到工地，以保证工地施工人员的安全。\n[0003] 传统的建筑工地安全帽检测系统包括摄像机和计算机，摄像机的取像方向与被监视人体成夹角，摄像机输出格式为RGB格式，其检测方法运用智能视频彩色安全帽检测方法对视频图像进行分析监控，主要步骤为：对RGB格式的图像进行运动检测、运动目标分割、单人块匹配处理，将人体图像分割出来；提取RGB图像的G分量，对二维分量G的X分量求和得到关于Y分量的一维分量，根据成像头与人体的角度计算出人体头部在成像系统的比例关系，确定出人体头部在Y分量上的起始点坐标，并求和；将所求的和与黑色的RGB图像的G分量进行比较，误差小于某一设定值则表示为未戴安全帽，否则，表示为已戴安全帽。另一种安全帽检测方法采用相关度匹配的思想，对RGB格式图像进行运动检测、运动目标分割、单人块匹配处理，分割出人体图像；根据人体在整个图像中的位置坐标，得到安全帽在此位置的图像尺寸；将人体的头部图像方块分割出来并界定出人体头部的边缘线；然后将得到的人体头部图形与安全帽的图形进行相关度计算，相关度大于某一界定值则表示已戴安全帽，否则表示没戴安全帽。\n[0004] 上述两种传统的方法均采用运动检测来检测行人进行目标定位，这种检测方法受到噪声的干扰及光线强度的影响很大，这会导致人体图像的检测与分割准确度不高，并且如果人是静止的，通过运动检测的方式是检测不出来的。第二种方法通过界定出人体头部的边缘线，然后进行相关度匹配。实际上，在工地的施工现场背景很复杂，而边缘线的提取在背景复杂的情况下所受的干扰很大。而其他的安全帽检测算法一般是先检测到人脸，然后再确定安全帽的位置，再根据其它的算法确定该位置是否有安全帽，其缺点是要求人在画面中必须是正视的，一旦人侧身或是背对相机，该算法即失效。\n发明内容\n[0005] 本发明的目的在于通过一种安全帽佩戴情况检测方法，来解决以上背景技术部分提到的问题。\n[0006] 为达此目的，本发明采用以下技术方案：\n[0007] 一种安全帽佩戴情况检测方法，其包括：\n[0008] S101、输入图像；\n[0009] S102、检测当前帧中所有人头的大小和位置；\n[0010] S103、根据人头的大小和位置计算安全帽的大小和位置范围ROI；\n[0011] S104、循环取得ROI内的RGB图像，并将其转化为HSV图像；\n[0012] S105、取所述HSV图像中的V通道亮度图，并取得该ROI一半大小作为实际安全帽的大小，利用该大小窗口在V通道亮度图中滑动计算每个位置的亮度直方图；\n[0013] S106、取直方图中的分界亮度Bin，分别计算图像直方图在分界亮度Bin以下之和在分界亮度Bin以上之和；\n[0014] S107、判断图像直方图在分界亮度Bin以下之和是否大于在分界亮度Bin以上之和，若是，则执行步骤S108，否则执行步骤S109；\n[0015] S108、判定图像中目标对象未佩戴安全帽，执行步骤S1010；\n[0016] S109、判定图像中目标对象已佩戴安全帽，执行步骤S1010；\n[0017] S1010、输出当前帧结果。\n[0018] 特别地，所述步骤S102具体包括：选用HOG特征，采集人头正样本和负样本，利用libSVM进行训练，并通过训练得到的人头模板在图像中进行窗口滑动检测，获得当前帧中所有人头的大小和位置。\n[0019] 特别地，所述步骤S103具体包括：根据人头的大小和位置采用滑动窗口的方式扫描定位出的人头部分图像，计算安全帽的大小和位置范围ROI。\n[0020] 特别地，所述步骤S106中取直方图中的分界亮度Bin，具体包括：预先采集大量佩戴各种颜色安全帽的头部图片样本以及未佩戴任何安全帽的头部图片，均将其转化为HSV图像，并分别统计所述HSV图像中的V通道亮度直方图，通过安全帽与非安全帽的统计直方图选取一分界亮度Bin。\n[0021] 本发明提出的安全帽佩戴情况检测方法采用人头定位，简单且准确率高，无论是否佩戴安全帽，人是正身、侧身或者背对相机，都能快速准确的定位出人头位置，无需要求人在画面中必须正视相机；同时对安全帽的检测来说，本发明不依赖于安全帽颜色，有效解决了不同颜色安全帽的检测，突破了传统方法中对安全帽颜色的限制。\n附图说明\n[0022] 图1为本发明实施例提供的安全帽佩戴情况检测方法流程图；\n[0023] 图2为本发明实施例提供的工地监控视频中的一帧图像的示意图；\n[0024] 图3为本发明实施例提供的图像中目标对象的人头位置示意图；\n[0025] 图4为本发明实施例提供的图像中目标对象的安全帽位置示意图；\n[0026] 图5为本发明实施例提供的各色安全帽与非安全帽图片统计直方图。\n具体实施方式\n[0027] 下面结合附图和实施例对本发明作进一步说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容，除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。\n[0028] 请参照图1所示，图1为本发明实施例提供的安全帽佩戴情况检测方法流程图。\n[0029] 本实施例中安全帽佩戴情况检测方法具体包括：\n[0030] S101、输入工地监控视频中的一帧图像。如图2所示，201为图像中的目标对象即工人。\n[0031] S102、检测当前帧中所有人头的大小和位置。\n[0032] 选用HOG特征，采集人头正样本和负样本，利用libSVM进行训练，并通过训练得到的人头模板在图像中进行窗口滑动检测，获得当前帧中所有人头的大小和位置。如图3所示，图中301为检测出的人头位置。其中，HOG为Histograms of Oriented Gradients的简称，中文释义为梯度方向直方图。libSVM是台湾大学林智仁(Lin Chih-Jen)教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包。\n[0033] S103、根据人头的大小和位置计算安全帽的大小和位置范围ROI。\n[0034] 根据人头的大小和位置采用滑动窗口的方式扫描定位出的人头部分图像，计算安全帽的大小和位置范围ROI。如图4所示，图中401为目标对象的人头部分图像，402为安全帽位置范围。其中，ROI为region of interest的简称，中文释义为感兴趣区域。\n[0035] S104、循环取得ROI内的RGB图像，并将其转化为HSV图像。其中，HSV(Hue,Saturation,Value)是根据颜色的直观特性由A.R.Smith在1978年创建的一种颜色空间,也称六角锥体模型(Hexcone Model)。这个模型中颜色的参数分别是：色调(H)，饱和度(S)，亮度(V)。\n[0036] S105、取所述HSV图像中的V通道亮度图，并取得该ROI一半大小作为实际安全帽的大小，利用该大小窗口在V通道亮度图中滑动计算每个位置的亮度直方图。\n[0037] S106、取直方图中的分界亮度Bin，分别计算图像直方图在分界亮度Bin以下之和在分界亮度Bin以上之和。\n[0038] S107、判断图像直方图在分界亮度Bin以下之和是否大于在分界亮度Bin以上之和，若是，则执行步骤S108，否则执行步骤S109。\n[0039] S108、判定图像中目标对象未佩戴安全帽，执行步骤S1010。\n[0040] S109、判定图像中目标对象已佩戴安全帽，执行步骤S1010。\n[0041] S1010、输出当前帧结果。\n[0042] 依据大量数据的统计信息来对目标进行分类检测，预先采集大量佩戴各种颜色安全帽的头部图片样本以及未佩戴任何安全帽的头部图片，均将其转化为HSV图像，并分别统计所述HSV图像中的V通道亮度直方图，通过安全帽与非安全帽的统计直方图选取一分界亮度Bin。如图5所示，图中红色、黄色、蓝色、白色、橙色分别表示对应的颜色的安全帽，非安全帽表示未佩戴安全帽。从图5中可以明显看出安全帽与非安全帽图片统计直方图的差别，安全帽的直方图大部分分布在大概亮度95以上，而非安全帽直方图大部分分布在亮度95以下，因此，本实施例中可以取分界亮度Bin为95，分别计算图像直方图在亮度95以下之和在亮度95以上之和，若图像直方图在亮度95以下之和大于在亮度95以上之和，则判定图像中目标对象未佩戴安全帽，并输出当前帧结果，否则，判定图像中目标对象已佩戴安全帽，并输出当前帧结果。其中，所述分界亮度Bin的选取不局限于95，也可以是其他具有区别意义的相近数值。需要说明的是，图2至图4均依据实际实验结果绘制出的示意图，而非实际实验效果，仅仅用于更加直观的阐述本发明的技术方案。\n[0043] 本发明的技术方案选用HOG特征，采集人头的正负样本，利用libSVM进行训练，这样可直接进行人头定位，检测出图像中所有的人头和位置，这样的定位比传统方法简单且准确率高。在实验过程中，无论是否佩戴安全帽，人是正身、侧身或者背对相机，都能快速准确的定位出人头的位置，突破了传统方法中对人在画面中必须正视相机的要求。对于安全帽的检测，本发明依据大量数据的统计信息来对目标进行分类检测，采集大量佩戴各种颜色安全帽的头部图片样本以及没有佩戴任何安全帽的头部图片，把这两类样本图片转化为HSV图像，分别统计其V通道亮度直方图，通过安全帽与非安全帽统计直方图的明显差别来进行判别区分，过程简单且效率高。同时对安全帽的检测来说，本发明不依赖于安全帽颜色，有效解决了不同颜色安全帽的检测问题，突破了传统方法中对安全帽颜色的限制。\n[0044] 注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。