本发明专利技术公开一种基于视频分析的变电站工人安全帽佩戴检测方法。该方法基于变电站场景下选用VIBE算法检测运动目标区域和HSV颜色特征初步定位安全帽区域，然后选用融合得Haar特征、HSV颜色空间特征，采集现场场景下安全帽正负样本，利用Adaboost算法进行分类器训练，对定位的安全帽区域提取融合特征，送入到训练好的安全帽分类器进行特征匹配检测，实现对安全帽精确识别定位。该安全帽识别方法比传统的方法准确率高，鲁棒性好，而且无论作业人员是否佩戴安全帽，人员目标是否全部出现在相机区域，都能快速准确的定位作业人员区域，对于没有佩戴安全帽的行为实时报警，排除安全隐患。
【技术实现步骤摘要】
本法专利技术涉及智能视频监控领域。
技术介绍
随着变电站场所工作人员安全事故的频繁发生，作业人员安全帽检测，跟踪报警对于电力行业的安全生产意义重大，必须需求一种有效的监测方法，对于变电站场所作业人员未佩戴安全帽就上岗作业的现象及时发现并报警。电力行业作为经济发展的生命线，变电站作为电力生产的重要环节，国家对于变电站安全工作日益重视，监控力度不断加大。全国大部分变电站场所均已经采用相应的监控措施，有效的遏制了重大安全事故的发生。目前，变电站场所作业人员安全帽佩戴监控情况，主要依靠视频监测技术。管理人员通过监控系统可以在调度中心看到变电站视频监控现场的实时场景图像，这样既能直观监视和记录现场的安全生产情况，也能为事后事故发生分析提供有效的资料；同时变电站监视系统的实施使得变电站可以实现真正意义上的无人值守，为实现减员增效、电网可视化监控和调度提供了有力保障，使电网运行更为安全、可靠。但是，目前无人值守变电站监视系统虽然具有监控报警功能，却主要集中于传感器的报警分析，视频检测多为辅助手段在使用过程中，监控人员需要不停地观测场景画面，通过解释获得的视频信息做出相应的决策。监控人员长时间处于这种工作状态，容易产生注意力下降，以致丢失应有的报警信息；当同时观测多个监控器时，几乎无法做到全面完整的监控。如果监控人员因故暂时离开，而这时有现场作业人员未佩戴安全帽，就无法及时发现，监控就失去了意义。目前针对安全帽的检测技术还比较少，有人提出采集变电站专用的安全帽样本和未佩戴安全帽的样本将其转化为HSV颜色空间，求取样本HSV颜色空间中V通道颜色直方图，通过比较正负样本统计直方图的差别，实现对安全帽的识别。这种方法的缺点：在检测安全帽的颜色阀值固定，无法自适应；当环境较差时，光照较暗时，利用颜色识别误报较多，效果较差。也有人提出手动采集正负样本，然后利用提取Haar特征与SVM或Adaboost分类器进行融合的方法，对帧图像进行安全帽的识别，但是这种方法样本的选取对最终检测效果有较大的影响。
技术实现思路
本专利技术的目的提供了一种基于HSV颜色空间特征、Haar特征、Adaboost级联分类器融合的安全帽检测的方法，对变电站现场的异常运动目标和未佩戴安全帽的工作人员及时报警，通过该方法，解决目前安全帽识别效率较低的问题。为实现本专利技术目的而采用的技术方案是这样的，一种基于视频分析的变电站工人安全帽佩戴检测方法，其特征在于，包括以下步骤:1)准备正负样本：正样本采集：采集安全帽正样本图片并归一化，尺寸统一为W×H；负样本采集：采集实际场景的图像；2)特征提取:2-1)对所采集的安全帽视频图像进行预处理，预处理包括:光照预处理、噪声滤波处理；理以及几何归一化和尺度归一化处理；2-2)采用边缘特征中的两矩形特征来表述安全帽，定义边缘特征的特征值为白色矩形像素和减去黑色矩形像素和；2-3)构造W×H大小的检测窗口,对于大小为2×1的边缘矩阵特征，在窗口内水平可滑动W-1步，垂直滑动H步，即共有(W-1)×H个矩阵特征；对于大小为1×2的边缘矩阵特征，特征个数为H×(W-1)；对于两种边缘矩阵特征，沿水平、竖直方向分别放大，2×1的边缘特征延水平方向放大为：i×1，i＝4、6、8、...，W；竖直方向可放大为：2×j，j＝1、2、3、...、H。即每个特征有X×Y种放大方式,对新的特征矩阵，计算检测窗口内矩阵特征个数为：其中，W×H为检测窗口，w×h为边缘矩阵特征大小，和分别表示矩形特征在水平和垂直方向能放大的最大比例系数；2-4)利用积分图思想计算由两种边缘矩阵特征组合的各种矩阵特征的特征值，生成Haar特征向量矩阵[a1,a2,…,an]∈Rm×n,n为Haar特征维数；2-5)将正负样本图片从RGB颜色空间转化为HSV颜色空间，生成正负样本集的3维特征向量矩阵[b1,b2,b3]∈Rm×3；2-6)融合Haar特征和HSV颜色特征生成最终特征向量矩阵[a1,a2,…,an,b1,b2,b3]∈Rm×n'，n'为特征维数3)Adaboost算法是通过建立多层次级联的筛选分类器，将候选检测窗口依次通过检测器，最终将安全帽正样本与非安全帽负样本分开。每一层都为一个强分类器，而每一个强分类器都是由若干个弱分类器构成，因此安全帽Adaboost检测分类器的训练步骤：3-1)以步骤1)采集的正负样本集为输入，计算并获得正负样本集中特征向量矩阵；所述特征向量矩阵中的每个特征向量对应一个基本弱分类器，使用Adaboost算法挑选出最优弱分类器，具体过程如下：A给定训练正负样本集N，T为训练的迭代次数；B初始化样本权重为1/N，即为训练样本的初始概率分布；C第一轮迭代，步骤如下：a)根据训练样本的概率分布，针对每一个特征向量f训练一个弱分类器；b)计算基本弱分类器的分类错误率；c)计算分类错误率最小的弱分类器，即为最优弱分类器D提高被误判的样本的权重，即更新样本权重，继续迭代；T轮迭代后，得到T个最优弱分类器；每轮迭代生成一个最优弱分类器Gt(x)；①计算第t轮迭代样本集中误分类的样本的分类误差r累积和et，t＝1、2……T；②计算第t轮最优弱分类器Gt(x)在最终强分类器中所占权重比αt：③第t轮迭代后更新训练数据集权重得到样本新的概率分布Dt+1，用于下一轮迭代，其中Dt+1＝(wt+1,1，wt+1,2...wt+1,N)其中wt+1,i是更新的样本权重，Zt是规范因子：E组合T个最优弱分类器组成强分类器，组合方式如下：其中G(x)为强分类器,αt表示Gt(x)在最终分类器中的重要程度，Gt(x)是得到的T个基本最优弱分类器中的第t个；3-2)最终级联分类器算法步骤如下：Step1:设定级联分类器的层数为S,设定每层强分类器最小检测率d，最大误识率f,级联分类器的目标误识率F，级联分类器检测率为Di，级联分类器的误检率为Fi，其中i为级联分类器的层数；；Step2:P＝安全帽训练正样本，N＝安全帽训练负样本；Step3:初始化训练层数i＝1，D1＝1.0，F1＝1.0Step4:循环迭代；采用Adaboost算法训练包含ni个最终矩形特征的第i层强分类器；调整第i层强分类器阈值使当前层误识率Fi小于f×Fi-1，检测率Di大于d×Di-1,i＝1、2……S；如果第i层强分类器的误识率Fi大于F,并将该层分类器对样本图像进行检测错误的负样本归入N；Step5:如果第i层强分类器的误识率Fi大于F或者级联分类器的层数i达到S层，迭代结束4)作业人员定位：4-1)在变电站作业区域布置若干网络摄像头，利用摄像头获取作业区域视频帧图像4-2)利用运动目标检测算法，检测视频图像作业人员运动目标，并用矩形框标定运动目标区域；4-3)根据作业人员长宽比和像素面积，获取步骤4-2)中矩形框区域图像上部分区域，然后将该上部分区域图像由RGB模型转为HSV模型；4-4)设定安全帽颜色在HSV空间模型中取值范围阈值，将HSV模型下安全帽颜色标准取值范围转换为Opencv函数库中HSV模型安全帽颜色取值范围，以适应具体应用过程；4-5)根据安全帽颜色在HSV模型下取值范围，对4-3)中获取的HSV模型图像进行二值化，然后经过形态学腐蚀和膨胀，消除无关的区域本文档来自技高网...
【技术保护点】
一种基于视频分析的变电站工人安全帽佩戴检测方法，其特征在于，包括以下步骤:1)准备正负样本：正样本采集：采集安全帽正样本图片并归一化，尺寸统一为W×H；负样本采集：采集实际场景的图像；2)特征提取:2‑1)对所采集的安全帽视频图像进行预处理，预处理包括:光照预处理、噪声滤波处理；理以及几何归一化和尺度归一化处理；；2‑2)采用边缘特征中的两矩形特征来表述安全帽，定义边缘特征的特征值为白色矩形像素和减去黑色矩形像素和；2‑3)构造W×H大小的检测窗口,对于大小为2×1的边缘矩阵特征，在窗口内水平可滑动W‑1步，垂直滑动H步，即共有(W‑1)×H个矩阵特征；对于大小为1×2的边缘矩阵特征，特征个数为H×(W‑1)；对于两种边缘矩阵特征，沿水平、竖直方向分别放大，2×1的边缘特征延水平方向放大为：i×1，i＝4、6、8、…，W；竖直方向可放大为：2×j，j＝1、2、3、…、H。即每个特征有X×Y种放大方式,对新的特征矩阵，计算检测窗口内矩阵特征个数为：XY(W+1-wX+12)(H+1-hY+12)H×(W-1)]]>其中，W×H为检测窗口，w×h为边缘矩阵特征大小，和分别表示矩形特征在水平和垂直方向能放大的最大比例系数；2‑4)利用积分图思想计算由两种边缘矩阵特征组合的各种矩阵特征的特征值，生成Haar特征向量矩阵[a1,a2,…,an]∈Rm×n,n为Haar特征维数；2‑5)将正负样本图片从RGB颜色空间转化为HSV颜色空间，生成正负样本集的3维特征向量矩阵[b1,b2,b3]∈Rm×3；2‑6)融合Haar特征和HSV颜色特征生成最终特征向量矩阵[a1,a2,…,an,b1,b2,b3]∈Rm×n'，n'为特征维数3)Adaboost算法是通过建立多层次级联的筛选分类器，将候选检测窗口依次通过检测器，最终将安全帽正样本与非安全帽负样本分开。每一层都为一个强分类器，而每一个强分类器都是由若干个弱分类器构成，因此安全帽Adaboost检测分类器的训练步骤：3‑1)以步骤1)采集的正负样本集为输入，计算并获得正负样本集中特征向量矩阵；所述特征向量矩阵中的每个特征向量对应一个基本弱分类器，使用Adaboost算法挑选出最优弱分类器，具体过程如下：A.给定训练正负样本集N，T为训练的迭代次数；B.初始化样本权重为1/N，即为训练样本的初始概率分布；C.第一轮迭代，步骤如下：a)根据训练样本的概率分布，针对每一个特征向量f训练一个弱分类器；b)计算基本弱分类器的分类错误率；c)计算分类错误率最小的弱分类器，即为最优弱分类器；D.提高被误判的样本的权重，即更新样本权重，继续迭代；T轮迭代后，得到T个最优弱分类器；每轮迭代生成一个最优弱分类器Gt(x)；①计算第t轮迭代样本集中误分类的样本的分类误差r累积和et，t＝1、2……T；②计算第t轮最优弱分类器Gt(x)在最终强分类器中所占权重比αt：αt=12log1-etet]]>③第t轮迭代后更新训练数据集权重得到样本新的概率分布Dt+1，用于下一轮迭代，其中 Dt+1＝(wt+1,1，wt+1,2...wt+1,N)wt+1,i=wtiZtexp(-αtyiGt(xi)),i=1,2,...,N]]>其中wt+1,i是更新的样本权重，Zt是规范因子：Zt=Σi=1Nwtiexp(-αtyiGt(xi))]]>E.组合T个最优弱分类器组成强分类器，组合方式如下：G(x)=sign(Σt=1TαtGt(x))]]>其中G(x)为强分类器,αt表示Gt(x)在最终分类器中的重要程度，Gt(x)是得到的T个基本最优弱分类器中的第t个；3‑2)最终级联分类器算法步骤如下：Step1:设定级联分类器的层数为S,设定每层强分类器最小检测率d，最大误识率f,级联分类器的目标误识率F，级联分类器检测率为Di，级联分类器的误检率为Fi，其中i为级联分类器的层数；；Step2:P＝安全帽训练正样本，N＝安全帽训练负样本；Step3:初始化训练层数i＝1，D1＝1.0，F1＝1.0Step4:循环迭代；采用Adaboost算法训练包含ni个最终矩形特征的第i层强分类器；调整第i层强分类器阈值使当前层误识率Fi小于f×Fi‑1，检测率Di大于d×Di‑1,i＝1、2……S；如果第i层强分类器的误识率Fi大于F,并将该层分类器对样本图像进行检测错误的负样本归入N；Step5:如果第i层强分类器的误识率Fi大于F或者级联分类器的层数i达到S层，迭代结束4)作业人员定位：4‑1)在变电站作业区域布置若干网络摄像头，利用摄像头获取作业区域视频帧图像4‑2)利用运动目标检测算法，检测视频图像作业人员运动目标，并用矩形框标定运动目标区域；4‑3...
【技术特征摘要】
1.一种基于视频分析的变电站工人安全帽佩戴检测方法，其特征在于，包括以下步骤:1)准备正负样本：正样本采集：采集安全帽正样本图片并归一化，尺寸统一为W×H；负样本采集：采集实际场景的图像；2)特征提取:2-1)对所采集的安全帽视频图像进行预处理，预处理包括:光照预处理、噪声滤波处理；理以及几何归一化和尺度归一化处理；；2-2)采用边缘特征中的两矩形特征来表述安全帽，定义边缘特征的特征值为白色矩形像素和减去黑色矩形像素和；2-3)构造W×H大小的检测窗口,对于大小为2×1的边缘矩阵特征，在窗口内水平可滑动W-1步，垂直滑动H步，即共有(W-1)×H个矩阵特征；对于大小为1×2的边缘矩阵特征，特征个数为H×(W-1)；对于两种边缘矩阵特征，沿水平、竖直方向分别放大，2×1的边缘特征延水平方向放大为：i×1，i＝4、6、8、…，W；竖直方向可放大为：2×j，j＝1、2、3、…、H。即每个特征有X×Y种放大方式,对新的特征矩阵，计算检测窗口内矩阵特征个数为：XY(W+1-wX+12)(H+1-hY+12)H×(W-1)]]>其中，W×H为检测窗口，w×h为边缘矩阵特征大小，和分别表示矩形特征在水平和垂直方向能放大的最大比例系数；2-4)利用积分图思想计算由两种边缘矩阵特征组合的各种矩阵特征的特征值，生成Haar特征向量矩阵[a1,a2,…,an]∈Rm×n,n为Haar特征维数；2-5)将正负样本图片从RGB颜色空间转化为HSV颜色空间，生成正负样本集的3维特征向量矩阵[b1,b2,b3]∈Rm×3；2-6)融合Haar特征和HSV颜色特征生成最终特征向量矩阵[a1,a2,…,an,b1,b2,b3]∈Rm×n'，n'为特征维数3)Adaboost算法是通过建立多层次级联的筛选分类器，将候选检测窗口依次通过检测器，最终将安全帽正样本与非安全帽负样本分开。每一层都为一个强分类器，而每一个强分类器都是由若干个弱分类器构成，因此安全帽Adaboost检测分类器的训练步骤：3-1)以步骤1)采集的正负样本集为输入，计算并获得正负样本集中特征向量矩阵；所述特征向量矩阵中的每个特征向量对应一个基本弱分类器，使用Adaboost算法挑选出最优弱分类器，具体过程如下：A.给定训练正负样本集N，T为训练的迭代次数；B.初始化样本权重为1/N，即为训练样本的初始概率分布；C.第一轮迭代，步骤如下：a)根据训练样本的概率分布，针对每一个特征向量f训练一个弱分类器；b)计算基本弱分类器的分类错误率；c)计算分类错误率最小的弱分类器，即为最优弱分类器；D.提高被误判的样本的权重，即更新样本权重，继续迭代；T轮迭代后，得到T个最优弱分类器；每轮迭代生成一个最优弱分类器Gt(x)；①计算第t轮迭代样本集中误分类的样本的分类误差r累积和et，t＝1、2……T；②计算第t轮最优弱分类器Gt(x)在最终强...
【专利技术属性】
技术研发人员：范敏，吴松麟，杜思远，徐浩，瞿雯睿，韩琪，刘海龙，宿晓岚，刘亚玲，
申请(专利权)人：重庆大学，国网重庆市电力公司市区供电分公司，国家电网公司，
类型：发明
国别省市：重庆;50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。