一种基于随机蕨融合多特征的安全帽检测方法技术

本发明专利技术公开了一种基于随机蕨多特征融合的安全帽检测方法，通过提取样本的HSI颜色直方图特征、HOG特征以及HOF特征，然后针对每个类别、每种直方图特征的随机蕨分类器进行训练；根据深度学习的YOLOv2获取人体目标，作为待检测样本，基于多特征的随机蕨分类器的融合，从而构建出安全帽检测框架。该方法基于深度学习，快速准确的检测出人体目标区域，从而提高了安全帽位置定位的准确度和速度；根据随机蕨分类器算法，融合多种特征训练分类器，提高了分类的准确定。该方法简单有效，实时性好，具有很好的应用前景。

A safety helmet detection method based on random fern fusion and multi features

The invention discloses a security hat detection method based on the multi feature fusion of random ferns. By extracting the HSI color histogram features, HOG features and HOF features of the sample, then training the random fern classifier for each category and each histogram, and obtaining the human target according to the depth learning YOLOv2. Based on the fusion of multi feature random fern classifiers, a security helmet detection framework is constructed. Based on the depth learning, the target area is detected quickly and accurately, thus the accuracy and speed of the location of the safety helmet is improved. According to the random fern classifier, a variety of feature training classifiers are fused, and the quasi determination of the classification is improved. The method is simple, effective and real-time, and has good application prospects.

【技术实现步骤摘要】
一种基于随机蕨融合多特征的安全帽检测方法
本专利技术属于计算机视觉、机器学习等
，更为具体地讲，涉及一种基于随机蕨多特征融合的安全帽检测方法。
技术介绍
随着计算机信息技术的发展，图像识别技术获得了越来越广泛的应用，比如医疗诊断、指纹识别、交通导航以及视频监控等方面。这对于工业生产，安全生产是至关重要的。在一些高危现场，工作人员配戴安全帽是必要的安全措施。现今，许多工业生产现场都设有监管体系，以监控工作人员是否佩戴安全帽，监控主要以人工值守和视频监控两种方式实施。由于人工值守易出现监控疏漏且监控范围有限、耗费人力物力，现在更多倾向于借助计算机视觉方法，采用视频监控实现监管。针对是否佩戴安全帽的检测问题，现有的方法大多基于区域定位和检测的基本思想。对于区域定位环节，很多方法选择先检测人体目标区域，从而判断待检测安全帽区域。常用的方法有基于方向梯度直方图(HistogramofOrientedGradient,HOG)特征，直接使用支持向量机(SupportVectorMachine,SVM)分类器检测人体目标，或使用码本分离算法及帧间差分提取图像中的前景或运动区域，再根据HOG直方图特征结合SVM分类器或运动区域形状特征判断是否为人体目标。这些方法缺点是基于传统SVM分类器的检测效果易受复杂的检测场景干扰，实时性较差。同样也有方法选择采用肤色检测来进行区域定位，使用YCbCr检测空间检测人脸区域从而确定待检测安全帽区域。这一类方法的局限性在于人脸区域的识别只适用于工人正面面对摄像头的情况，而现实工业场景中，工人不可能都是正面面对摄像头，可能是背影和侧影，这也就对人脸的识别造成了干扰，从而影响安全帽的检测。对于检测环节，大多方法选用单一特征。例如最常见的是选用简单的颜色分布直方图特征，统计检测区域内像素的颜色分布从而判断是否配戴安全帽。也有选用Hu不变矩或Haar-Like特征，基于SVM或AdaBoost级联分类器检测安全帽。这些方法缺点是只采用了单一特征，对安全帽目标的特征表征能力不足，当遇到诸如强烈光照，复杂的监控环境，低分辨率较模糊的图像等影响时，不能够准确的识别安全帽。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提出一种基于随机蕨多特征融合的安全帽检测方法，结合基于深度学习的目标检测与随机蕨多特征融合分类的方法，以准确检测工业生产中工作人员是否配戴安全帽。为实现上述专利技术目的，本专利技术基于随机蕨多特征融合的安全帽检测方法，其特征在于，包括以下步骤：(1)、随机蕨分类器训练1.1)、采集安全帽与非安全帽两个类别各N1、N2个样本，分别提取样本的HSI(色调Hue、饱和度Saturation、亮度Intensity)颜色直方图特征、HOG(HistogramofOrientedGradient，方向梯度直方图)特征以及HOF(HistogramsofOrientedOpticalFlow，光流直方图)特征，并分别构成HSI颜色直方图特征集合、HOG特征集合以及HOF特征集合；1.2)、构造随机蕨及特征值计算：针对每一类别样本，单独的每种直方图特征，根据半朴素贝叶斯法从直方图特征集合的M个直方图特征中随机抽取2b个直方图特征构成一组直方图特征子集，其中，b<M/2，相同方式随机抽取L次，得到L组直方图特征子集，每个直方图特征子集为一个随机蕨，从而构造出一个类别、一种直方图特征的L个随机蕨；在随机蕨中，随机选取b对直方图特征，并进行二值测试(计算特征值)，得到b个测试值随机组合，从而得到该随机蕨的特征值；对于一个随机蕨，其构造方式及特征值计算一旦确定，就不再随机；1.3)、对于步骤1.1)得到两个类别各N1、N2个样本、每个样本的三种直方图特征集合，依据步骤1.2)方法，计算出每个样本的L个随机蕨的特征值，然后，统计每个类别、每种直方图特征下，所有N1、N2样本的L个随机蕨的特征值概率分布，得到HSI颜色直方图特征的安全帽概率分布P(FjHSI|c1)以及非安全帽概率分布HOG特征的安全帽概率分布以及非安全帽概率分布和HOF特征的安全帽概率分布以及非安全帽概率分布其中，分别表示第j个随机蕨下HSI颜色直方图特征值变量、HOG特征值变量、HOF特征值变量，c1表示安全帽、c2表示非安全帽，一个概率分布构成一个随机蕨分类器；(2)、安全帽检测2.1)、采用YOLO深度学习框架的改进版本YOLOv2人体目标检测算法，获得图像中工作人员即人体目标区域，然后通过滑动窗口方法从人体目标区域提取多个安全帽检测候选区域分别作为一个待检测样本，分别提取HSI颜色直方图特征、HOG特征以及HOF特征，并分别构成HSI颜色直方图特征集合、HOG特征集合以及HOF特征集合；2.2)、待检测样本是否是安全帽的检测2.2.1)、对于一个待检测样本，依据步骤1.2)方法，计算出其在每种直方图特征下的L个随机蕨的特征值：其中，分别表示待检测样本第j个随机蕨下HSI颜色直方图特征值、HOG特征值、HOF特征值；2.2.2)、将分别赋值给依据步骤(1)训练得到的分类器，即HSI颜色直方图特征的安全帽概率分布以及非安全帽概率分布HOG特征的安全帽概率分布以及非安全帽概率分布和HOF特征的安全帽概率分布以及非安全帽概率分布分别得到待检测样本第j个随机蕨的后验概率以及2.2.3)、对单一直方图特征，每个类别所有L个随机蕨的联合似然分布为：2.2.4)、基于多特征的随机蕨分类器的融合：待检测样本的三种特征随机蕨分类器的样本分类置信度为：其中，P(c1)、P(c2)分别为安全帽、非安全帽的先验概率，在总样本集中的占比：待检测样本的最终分类置信度为：如果待检测样本的最终分类置信度大于设定的阈值，则认为是安全帽，否则认为不是安全帽；2.3)、根据步骤2.1)得到每个安全帽检测候选区域作为待检测样本，分别按照步骤2.2)进行是否是安全帽的检测，如果有一个待检测样本为安全帽，则认为图像中工作人员佩戴了安全帽，否则，认为没有佩戴。本专利技术的目的是这样实现的。本专利技术基于随机蕨多特征融合的安全帽检测方法，通过提取样本的HSI颜色直方图特征、HOG特征以及HOF特征，然后针对每个类别、每种直方图特征的随机蕨分类器进行训练；根据深度学习的YOLOv2获取人体目标，作为待检测样本，基于多特征的随机蕨分类器的融合，从而构建出安全帽检测框架。该方法基于深度学习，快速准确的检测出人体目标区域，从而提高了安全帽位置定位的准确度和速度；根据随机蕨分类器算法，融合多种特征训练分类器，提高了分类的准确定。该方法简单有效，实时性好，具有很好的应用前景。附图说明图1是本专利技术基于随机蕨多特征融合的安全帽检测方法一种具体实施方式流程图；图2是特征直方图二值测试示意图；图3是基于随机蕨结构的决策融合准则示意图；图4是工业生产监控红色安全帽的实验结果；图5是工业生产监控白色安全帽的实验结果。具体实施方式下面结合附图对本专利技术的具体实施方式进行描述，以便本领域的技术人员更好地理解本专利技术。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本专利技术的主要内容时，这些描述在这里将被忽略。近年来得益于深度学习的发展，基于深度学习的目标检测方法也取得了巨大的本文档来自技高网...

【技术保护点】
1.一种基于随机蕨多特征融合的安全帽检测方法，其特征在于，包括以下步骤：(1)、随机蕨分类器训练1.1)、采集安全帽与非安全帽两个类别各N1、N2个样本，分别提取样本的HSI(色调Hue、饱和度Saturation、亮度Intensity)颜色直方图特征、HOG(Histogram of Oriented Gradient，方向梯度直方图)特征以及HOF(Histogramsof Oriented Optical Flow，光流直方图)特征，并分别构成HSI颜色直方图特征集合、HOG特征集合以及HOF特征集合；1.2)、构造随机蕨及特征值计算：针对每一类别样本，单独的每种直方图特征，根据半朴素贝叶斯法从直方图特征集合的M个直方图特征中随机抽取2b个直方图特征构成一组直方图特征子集，其中，b

【技术特征摘要】
1.一种基于随机蕨多特征融合的安全帽检测方法，其特征在于，包括以下步骤：(1)、随机蕨分类器训练1.1)、采集安全帽与非安全帽两个类别各N1、N2个样本，分别提取样本的HSI(色调Hue、饱和度Saturation、亮度Intensity)颜色直方图特征、HOG(HistogramofOrientedGradient，方向梯度直方图)特征以及HOF(HistogramsofOrientedOpticalFlow，光流直方图)特征，并分别构成HSI颜色直方图特征集合、HOG特征集合以及HOF特征集合；1.2)、构造随机蕨及特征值计算：针对每一类别样本，单独的每种直方图特征，根据半朴素贝叶斯法从直方图特征集合的M个直方图特征中随机抽取2b个直方图特征构成一组直方图特征子集，其中，b<M/2，相同方式随机抽取L次，得到L组直方图特征子集，每个直方图特征子集为一个随机蕨，从而构造出一个类别、一种直方图特征的L个随机蕨；在随机蕨中，随机选取b对直方图特征，并进行二值测试(计算特征值)，得到b个测试值随机组合，从而得到该随机蕨的特征值；对于一个随机蕨，其构造方式及特征值计算一旦确定，就不再随机；1.3)、对于步骤1.1)得到两个类别各N1、N2个样本、每个样本的三种直方图特征集合，依据步骤1.2)方法，计算出每个样本的L个随机蕨的特征值，然后，统计每个类别、每种直方图特征下，所有N1、N2样本的L个随机蕨的特征值概率分布，得到HSI颜色直方图特征的安全帽概率分布以及非安全帽概率分布、HOG特征的安全帽概率分布以及非安全帽概率分布和HOF特征的安全帽概率分布以及非安全帽概率分布，其中，分别表示第j个随机蕨下HSI颜色直方图特征值变量、HOG特征值变...

【专利技术属性】
技术研发人员：周雪，周琦栋，邹见效，徐红兵，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51