一种基于FTP协议的低带宽要求的安全帽识别方法技术

本发明专利技术公开了一种基于FTP协议的低带宽要求的安全帽识别方法，包括如下步骤：步骤S1：图像获取装置上传图片至服务器；步骤S2：检测人体、人头和安全帽位置，进行第一次计算；步骤S3：所述步骤S2中如果检测到人头，将安全帽和人头分配到具体的人体，如果人体没有分配到安全帽，但分配到了人头，则认为没有戴安全帽，计结果为1；如果既没有分配到安全帽，也没有分配到人头，则忽略；步骤S4：对步骤S3中的结果进行过滤，将过滤结果送入超分辨率模块。本发明专利技术通过FTP协议将图片数据传输到云端平台进行识别，对带宽要求低，服务器处理速度更快；对小目标识别时，引入超分辨率模块，得到更加清晰和精细的目标之后再识别，大大提升了准确率。

A hard hat recognition method with low bandwidth requirement based on FTP protocol

【技术实现步骤摘要】
一种基于FTP协议的低带宽要求的安全帽识别方法
本专利技术涉及一种图像识别方法，特别涉及一种基于FTP协议的低带宽要求的安全帽识别方法。
技术介绍
在建筑工地、矿井等高危现场，工作人员佩戴安全帽是必要的安全措施。目前，大多数生产现场以人工值守和视频监控的方式对工人进行监管，容易出现信息滞后、疏漏等情况，耗费人力物力，却得不到良好的监管效果。而借助于计算机视觉的方法，可以实现及时预警，减轻值守工人的负担，也让问题溯源更容易。目标检测是计算机视觉中最常见的问题之一，随着深度学习的发展，基于卷积神经网络的模型已经被广泛应用于安防、教育、自动驾驶等领域。针对安全帽检测的问题，现有方法大多采用区域定位和分类的思路。传统方法有基于HOG特征、Haar-Like特征的Adaboost级联分类器，由于采用了单一特征，对目标的表征能力不足，导致模型环境适应性较差，准确率低。基于深度学习的目标检测方法分为两阶段、单阶段和Anchor-Free，分别以FasterRCNN，SSD/Yolo，CenterNet为代表，在准确率上极大的超越了传统算法，让复杂环境下的目标检测成为现实。但施工现场通常安装球机以监控更多的区域，工人在整个画面中尺寸较小，导致目前大多数算法难以准确判断工人是否佩戴安全帽。现有技术缺点包括：1)当目标(头部区域)在画面中尺寸较小，低于50＊50像素时，算法准确率急剧下降2)基于视频的实时智能分析对硬件和带宽要求高3)现有技术大多采用自上而下的方式来进行识别，算法耗时与人数成正比。现有的一些技术也存在一些其他的缺陷，如申请号为201910350959.0中国专利技术专利申请，采用AlphaPose得到人体关键点，但是AlphaPose运算量较大，达不到实时的效果，且AlphaPose是一种自上而下的方法，耗时与人数成正比，同样也存在距离较远精度下降的问题；再比如申请号为201910064486.8的中国专利技术专利申请，基于机器视觉算法，先检测人体，然后逐个检测人是否戴了安全帽，耗时与人数成正比，当距离稍远时，准确率下降明显。
技术实现思路
本专利技术要解决的技术问题是克服现有技术的缺陷，提供一种基于FTP协议的低带宽要求的安全帽识别方法。为了解决上述技术问题，本专利技术提供了如下的技术方案：本专利技术一种基于FTP协议的低带宽要求的安全帽识别方法，包括如下步骤：步骤S1：图像获取装置上传图片至服务器；步骤S2：检测人体、人头和安全帽位置，进行第一次计算；步骤S3：所述步骤S2中如果检测到人头，将安全帽和人头分配到具体的人体，如果人体没有分配到安全帽，但分配到了人头，则认为没有戴安全帽，计结果为1；如果既没有分配到安全帽，也没有分配到人头，则忽略；这种情况说明人头被遮挡了。步骤S4：对所述步骤S3中的结果进行过滤，将过滤结果送入超分辨率模块；步骤S5：对所述步骤S4中进入超分辨率模块的区域进行再次检测。作为本专利技术的一种优选技术方案，所述步骤S5之后，还包括，步骤S6：若所述步骤S5中再次检测未检测到安全帽，则认为没有戴安全帽，否则将该区域从结果1中剔除，得到结果2。作为本专利技术的一种优选技术方案，所述步骤S1中，图像获取装置通过FTP协议上传图片至服务器。作为本专利技术的一种优选技术方案，所述步骤S2中，第一次计算采用Centernet算法。作为本专利技术的一种优选技术方案，所述步骤S3中，采用匈牙利算法将安全帽和人头分配到具体的人体。作为本专利技术的一种优选技术方案，所述步骤S4中过滤规则为将人头区域短边小于30个像素送入超分辨率模块。作为本专利技术的一种优选技术方案，所述步骤S5中，求取人头和人体的并集区域，多个区域组成一张图片，送入超分辨率网络进行细节放大。本专利技术所达到的有益效果是：本专利技术利用摄像头端移动侦测抓拍图片，再通过FTP协议将图片数据传输到云端平台进行识别，同等摄像头数量下，与实时监控相比，对带宽要求低，且省去了多通道视频解码环节，服务器处理速度会更快；同时，对小目标识别时，引入超分辨率模块，得到更加清晰和精细的目标之后再识别，大大提升了准确率。最后，本专利技术采用自下而上的方式，借助Centernet算法，同时检测人体、人头和安全帽，再通过匈牙利算法，根据算法检测出的人头位置(模型训练了3个类别，人体、人头、安全帽)和安全帽位置的IOU进行匹配，最终确定未佩戴安全帽的人的位置。与自上而下的方式相比，耗时较短，且随人数变化，时间波动不大；而超分辨率技术可以将摄像头捕捉到的模糊影像放大，形成更为精细、清晰的图像，极大提升算法的准确率。附图说明附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：图1是本专利技术中FSRCNN超分网络的示意图；图2是本专利技术中CenterNet网络的示意图；图3是本专利技术中超分辨率网络模型的示意图；具体实施方式以下结合附图对本专利技术的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本专利技术，并不用于限定本专利技术。实施例如图1-3所示，本专利技术提供一种基于FTP协议的低带宽要求的安全帽识别方法，基于CenterNet网络和超分辨率网络，包括如下步骤：步骤S1：图像获取装置上传图片至服务器；步骤S2：检测人体、人头和安全帽位置，进行第一次计算；步骤S3：所述步骤S2中如果检测到人头，将安全帽和人头分配到具体的人体，如果人体没有分配到安全帽，但分配到了人头，则认为没有戴安全帽，计结果为1；如果既没有分配到安全帽，也没有分配到人头，则忽略，此种情况说明人头被遮挡了；步骤S4：对所述步骤S3中的结果进行过滤，将过滤结果送入超分辨率模块，求取人头和人体的并集区域，多个区域组成一张图片，送入超分辨率网络进行细节放大。以减少单个区域处理的很耗时；步骤S5：对步骤S4中进入超分辨率模块的区域进行再次检测。步骤S5之后，还包括，步骤S6：若步骤S5中再次检测未检测到安全帽，则认为没有戴安全帽，否则将该区域从结果1中剔除，得到结果2。步骤S1中，图像获取装置通过FTP协议上传图片至服务器。步骤S2中，第一次计算采用Centernet算法，在本专利技术的另一个较佳的实施例中，采用删减后的Centernet算法，在该实施例中，由于检测目标只有三类，因此在原始网络的基础上进行了剪裁，将模型体积从77.16M压缩到了8M。步骤S3中，采用匈牙利算法将安全帽和人头分配到具体的人体。步骤S4中过滤规则为将人头区域短边小于30个像素送入超分辨率模块，FSRCNN超分网络的输入为低分辨率图像，整个网络包含特征提取、非线性映射、重建三部分，结构如图1所示。具体的，步骤一、人体、人头、安全帽训练：1)对施工现场视频进本文档来自技高网...

【技术保护点】
1.一种基于FTP协议的低带宽要求的安全帽识别方法，其特征在于，包括如下步骤：/n步骤S1：图像获取装置上传图片至服务器；/n步骤S2：检测人体、人头位置和安全帽位置，进行第一次计算；/n步骤S3：所述步骤S2中如果检测到人头，将安全帽和人头分配到具体的人体，如果人体没有分配到安全帽，但分配到了人头，则认为没有戴安全帽，计结果为1；/n如果既没有分配到安全帽，也没有分配到人头，则忽略；/n步骤S4：对所述步骤S3中的结果进行过滤，将过滤结果送入超分辨率模块；/n步骤S5：对所述步骤S4中进入超分辨率模块的区域进行再次检测。/n

【技术特征摘要】
1.一种基于FTP协议的低带宽要求的安全帽识别方法，其特征在于，包括如下步骤：
步骤S1：图像获取装置上传图片至服务器；
步骤S2：检测人体、人头位置和安全帽位置，进行第一次计算；
步骤S3：所述步骤S2中如果检测到人头，将安全帽和人头分配到具体的人体，如果人体没有分配到安全帽，但分配到了人头，则认为没有戴安全帽，计结果为1；
如果既没有分配到安全帽，也没有分配到人头，则忽略；
步骤S4：对所述步骤S3中的结果进行过滤，将过滤结果送入超分辨率模块；
步骤S5：对所述步骤S4中进入超分辨率模块的区域进行再次检测。


2.根据权利要求1所述的一种基于FTP协议的低带宽要求的安全帽识别方法，其特征在于，所述步骤S5之后，还包括，
步骤S6：若所述步骤S5中再次检测未检测到安全帽，则认为没有戴安全帽，否则将该区域从结果1中剔除，得到结果2。


3.根据权利要求1或2所...

【专利技术属性】
技术研发人员：孙琴，
申请(专利权)人：重庆市通信产业服务有限公司，
类型：发明
国别省市：重庆;50