一种基于SSD和AlphaPose的安全帽佩戴检测方法及系统技术方案

本发明专利技术提供了一种基于SSD和AlphaPose的安全帽佩戴检测方法及系统，其方法包括：首先采用SSD算法对所述图像中的人和安全帽进行识别；然后采用AlphaPose算法对所述图像中的各个人的人体姿态进行估计，得到各个人的重要关节点的像素坐标；最后分别对各个人进行判断，以识别出未佩戴安全帽的人。本发明专利技术的有益效果是：本发明专利技术所提出的技术方案通过SSD和AlphaPose两个模型的融合，在人体的多种姿态下，依然能够有效的识别人体是否佩戴了安全帽，效率高，实用性强。

A Safety Cap Wearing Detection Method and System Based on SSD and AlphaPost

【技术实现步骤摘要】
一种基于SSD和AlphaPose的安全帽佩戴检测方法及系统
本专利技术涉及图像处理领域，尤其涉及一种基于SSD和AlphaPose的安全帽佩戴检测方法及系统。
技术介绍
SSD模型是一个基于前向传播的CNN网络，将输入的特征图谱据切分成相应尺寸的特征单元，在每一个单元格上构建一系列的固定大小的包围盒，如图4所示，先通过计算每一个包围盒中包含物体实例的可能性，即存在概率；最后通过非极大值抑制方法来得到包围盒中物体实例的所属类别。图5提供了SSD的拓扑结构图。AlphaPose是一个实时多人姿态估计系统，它对于多人姿态估计的方法采用的是传统的自顶向下的方法，即先检测人，再识别人体姿态，检测使用的是SSD-512，识别人体姿态使用的StackedHourglass方法。如图6所示是单个Hourglass的模块示例，图中每个方框对应一个residual模块(如图7所示)，整个Hourglass中，特征数是一致的。Hourglass首先利用卷积层和池化层将特征缩放到很小的分辨率，每一个池化层都会进行网络分叉，对原来池化过的特征再进行卷积，得到最低分辨率特征后，网络开始向上采样，并逐渐结合不同尺度的特征信息。整个Hourglass是对称的，即获取低分辨率特征过程中每有一个网络层，则在向上采样的过程中相应会有一个网络层。得到Hourglass网络模块输出后，再采用两个连续的1*1卷积层进行处理，得到最终的网络输出。目前基于静态图像的多目标识别的技术发展日趋完善，应用的场景亦是愈加广泛。许多研究学者提出将视频图像处理技术加入到各个施工现场领域。在已有的视频监控系统的基础上，加上智能化识别技术，提供实时报警功能，减少施工现场的潜在安全隐患。而安全帽佩戴状态是实现智能化视频监控系统的重要环节。但由于佩戴安全帽的检测过程容易受外界环境因素、工人的行为动作以及复杂的施工现场等因素的影响。目前，安全帽的自动识别技术研究并不能够适用于各种情况。有写研究仅适用于识别红、黄、蓝等有限颜色的安全帽。并且，他们研究的前提是工人时站立的状态，并未考虑到工人在别的姿态下施工的情况，而弯腰、左倾或者右倾施工正是安全隐患最大的时候，此时，安全帽的佩戴显得尤为重要。
技术实现思路
为了解决上述问题，本专利技术提供了一种基于SSD和AlphaPose的安全帽佩戴检测方法及系统，将深度学习的图像识别技术运用于工厂视频监控系统中，实现对整个工厂的工作人员佩戴安全帽情况实时监控和自动识别，确保工厂工作人员安全规范工作，保障工厂安全有序生产。一种基于SSD和AlphaPose的安全帽佩戴检测方法，主要包括以下步骤：S101：获取待检测施工现场的图像；所述图像中包括多个安全帽和多个人；S102：采用SSD算法对所述图像中的人和安全帽分别进行识别，得到所述图像中的人的总个数、安全帽的总个数以及各个安全帽的最小矩形包围框的任意两个对角顶点的像素坐标；S103：采用AlphaPose算法对所述图像中的各个人的人体姿态进行估计，得到各个人的重要关节点的像素坐标；S104：根据各个人的重要关节点的像素坐标和各个安全帽的最小矩形包围框的任意两个对角顶点的像素坐标，分别对各个人进行判断，以识别出所有未佩戴安全帽的人。进一步地，步骤S101中，所述待检测施工现场的图像可通过待检测施工现场的监控摄像头或者监控视频获取。进一步地，步骤S102中，采用SSD算法对所述图像中的人和安全帽分别进行识别时，SSD算法的识别阈值设置为0.5，即SSD算法识别出的物体的精度大于或者等于0.5时，才确定该物体为安全帽。进一步地，步骤S103中，所述重要关节点包括：鼻子、左眼、右眼、左耳、右耳、左肩、右肩、左臀和右臀。进一步地，步骤S104中，根据各个人的重要关节点的像素坐标和各个安全帽的最小矩形包围框的任意两个对角顶点的像素坐标，分别对各个人进行判断，以识别出所有未佩戴安全帽的人，具体包括如下步骤：S201：判断和是否全部在之内？若是，则第k个人戴了第i个帽子，即第k个人带了安全帽，并转到步骤S207；否则，转到步骤S202；其中，和分别为第k个人的鼻子、左眼、右眼、左耳、右耳的像素坐标；和分别为第k个人的左肩、右肩、左臀、右臀的像素坐标；和分比为SSD中识别出来的第i个帽子的最小矩形包围框的任意两个对角顶点的像素坐标；k和i的初始值均为1；S202：判断第k个人的姿态是否左倾；具体如下：判断条件是否成立？若是，则第k个人为左倾姿态，并转到步骤S203；否则，转到步骤S204；其中，M为预设值，取值范围为[40,60]，单位1为1个像素；S203：判断和是否全部在之内？若是，则第k个人戴了第i个帽子，即第k个人带了安全帽，并转到步骤S207；否则，转到步骤S204；S204：判断第k个人的姿态是否右倾；具体如下：判断条件是否成立？若是，则第k个人为右倾姿态，并转到步骤S205；否则，转到步骤S206；其中，M为预设值，取值范围为[40,60]，单位1为1个像素；S205：判断和是否全部在之内？若是，则第k个人戴了第i个帽子，即第k个人带了安全帽，并转到步骤S207；否则，转到步骤S206；S206：i是否等于H？若是，则第k个人未佩戴安全帽，将i更新为1，并转到步骤S207；否则，将i更新为i+1，并返回步骤S201；其中，H为SSD识别出的安全帽的总个数；S207：k是否大于K？若是，则到步骤S208；否则，将k更新为k+1，将最新配对成功的安全帽序号i从所有的安全帽序号中剔除，并对剩下的安全帽序号进行重新排序，即配对成功后的第i个安全帽不再参与剩下的循环步骤，并将安全帽的总个数H的值更新为剔除成功配对的安全帽后的剩余安全帽的总个数；并返回步骤S201；其中，K为人的总个数；S208：结束循环，得到所述待检测施工现场的图像中所有未佩戴安全帽的人。进一步地，一种基于SSD和AlphaPose的安全帽佩戴检测系统，其特征在于：包括如下模块：图像获取模块，用于获取待检测施工现场的图像；所述图像中包括多个安全帽和多个人；安全帽识别模块，用于采用SSD算法对所述图像中的人和安全帽分别进行识别，得到所述图像中的人的总个数、安全帽的总个数以及各个安全帽的最小矩形包围框的任意两个对角顶点的像素坐标；关节识别模块，用于采用AlphaPose算法对所述图像中的各个人的人体姿态进行估计，得到各个人的重要关节点的像素坐标；判断模块，用于根据各个人的重要关节点的像素坐标和各个安全帽的最小矩形包围框的任意两个对角顶点的像素坐标，分别对各个人进行判断，以识别出所有未佩戴安全帽的人。进一步地，图像获取模块中，所述待检测施工现场的图像可通过待检测施工现场的监控摄像头或者监控视频获取。进一步地，安全帽识别模块中，采用SSD算法对所述图像中的人和安全帽进行识别时，SSD算法的识别阈值设置为0.5，即SSD算法识别出的物体的精度大于或者等于0.5时，才确定该物体为安全帽。进一步地，关节识别模块中，所述重要关节点包括：鼻子、左眼、右眼、左耳、右耳、左肩、右肩、左臀和右臀。进一步地，判断模块中，根据各个人的重要关节点的像素坐标和各个安全帽的最小矩形包围框的任意两个对角顶点的像素坐标，分别对各个人进行判断，以识别出所有未佩戴安全帽本文档来自技高网...

【技术保护点】
1.一种基于SSD和AlphaPose的安全帽佩戴检测方法，其特征在于：包括以下步骤：S101：获取待检测施工现场的图像；所述图像中包括多个安全帽和多个人；S102：采用SSD算法对所述图像中的人和安全帽分别进行识别，得到所述图像中的人的总个数、安全帽的总个数以及各个安全帽的最小矩形包围框的任意两个对角顶点的像素坐标；S103：采用AlphaPose算法对所述图像中的各个人的人体姿态进行估计，得到各个人的重要关节点的像素坐标；S104：根据各个人的重要关节点的像素坐标和各个安全帽的最小矩形包围框的任意两个对角顶点的像素坐标，分别对各个人进行判断，以识别出所有未佩戴安全帽的人。

【技术特征摘要】
1.一种基于SSD和AlphaPose的安全帽佩戴检测方法，其特征在于：包括以下步骤：S101：获取待检测施工现场的图像；所述图像中包括多个安全帽和多个人；S102：采用SSD算法对所述图像中的人和安全帽分别进行识别，得到所述图像中的人的总个数、安全帽的总个数以及各个安全帽的最小矩形包围框的任意两个对角顶点的像素坐标；S103：采用AlphaPose算法对所述图像中的各个人的人体姿态进行估计，得到各个人的重要关节点的像素坐标；S104：根据各个人的重要关节点的像素坐标和各个安全帽的最小矩形包围框的任意两个对角顶点的像素坐标，分别对各个人进行判断，以识别出所有未佩戴安全帽的人。2.如权利要求1所述的一种基于SSD和AlphaPose的安全帽佩戴检测方法，其特征在于：步骤S101中，所述待检测施工现场的图像可通过待检测施工现场的监控摄像头或者监控视频获取。3.如权利要求1所述的一种基于SSD和AlphaPose的安全帽佩戴检测方法，其特征在于：步骤S102中，采用SSD算法对所述图像中的人和安全帽分别进行识别时，SSD算法的识别阈值设置为0.5，即SSD算法识别出的物体的精度大于或者等于0.5时，才确定该物体为安全帽。4.如权利要求1所述的一种基于SSD和AlphaPose的安全帽佩戴检测方法，其特征在于：步骤S103中，所述重要关节点包括：鼻子、左眼、右眼、左耳、右耳、左肩、右肩、左臀和右臀。5.如权利要求1所述的一种基于SSD和AlphaPose的安全帽佩戴检测方法，其特征在于：步骤S104中，根据各个人的重要关节点的像素坐标和各个安全帽的最小矩形包围框的任意两个对角顶点的像素坐标，分别对各个人进行判断，以识别出所有未佩戴安全帽的人，具体包括如下步骤：S201：判断和是否全部在之内？若是，则第k个人戴了第i个帽子，即第k个人带了安全帽，并转到步骤S207；否则，转到步骤S202；其中，和分别为第k个人的鼻子、左眼、右眼、左耳、右耳的像素坐标；和分别为第k个人的左肩、右肩、左臀、右臀的像素坐标；和分比为SSD中识别出来的第i个帽子的最小矩形包围框的任意两个对角顶点的像素坐标；k和i的初始值均为1；S202：判断第k个人的姿态是否左倾；具体如下：判断条件是否成立？若是，则第k个人为左倾姿态，并转到步骤S203；否则，转到步骤S204；其中，M为预设值，取值范围为[40,60]，单位1为1个像素；S203：判断和是否全部在之内？若是，则第k个人戴了第i个帽子，即第k个人带了安全帽，并转到步骤S207；否则，转到步骤S204；S204：判断第k个人的姿态是否右倾；具体如下：判断条件是否成立？若是，则第k个人为右倾姿态，并转到步骤S205；否则，转到步骤S206；其中，M为预设值，取值范围为[40,60]，单位1为1个像素；S205：判断和是否全部在之内？若是，则第k个人戴了第i个帽子，即第k个人带了安全帽，并转到步骤S207；否则，转到步骤S206；S206：i是否等于H？若是，则第k个人未佩戴安全帽，将i更新为1，并转到步骤S207；否则，将i更新为i+1，并返回步骤S201；其中，H为SSD识别出的安全帽的总个数；S207：k是否大于K？若是，则到步骤S208；否则，将k更新为k+1，将最新配对成功的安全帽序号i从所有的安全帽序号中剔除，并对剩下的安全帽序号进行重新排序，即配对成功后的第i个安全帽不再参与剩下的循环步骤，并将安全帽的总个数H的值更新为剔除成功配对的安全帽后的剩余安全帽的总个数；并返回步骤S201；其中，K为人的总个数；S208：结束循环，得到所述待检测施工现场的图像中所有未佩戴安全帽的人。6.一种基于SSD和AlphaPose的安全帽...

【专利技术属性】
技术研发人员：戴光明，彭雷，王茂才，武云，刘让琼，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北,42