一种安全穿戴情况识别方法技术

一种安全穿戴情况识别方法，通过6个步骤能根据采集到的视频流数据得以时间段内对像的穿戴判断结果。本发明专利技术通过长短记忆算法，根据一段时间内的对像的穿戴情况对应启动长记忆算法结构或短记忆算法结构，避免因目标变形、突然运动、背景杂波、遮挡、视频丢帧等引起的误检、漏检安全服及安全帽。大大降低了误检、漏检安全服及安全帽产生的告警数量，合理输出告警信息，具有判断准确的优点。具有判断准确的优点。具有判断准确的优点。

【技术实现步骤摘要】
一种安全穿戴情况识别方法


[0001]本专利技术涉及图像识别
，特别涉及一种安全穿戴情况识别方法。

技术介绍

[0002]在石油化工工作现场、建筑工地、电厂、轨道内部等，由于场景环境较为复杂，存在着威胁人身安全的各种因素，因此上述场合中工作人员均要求佩戴安全帽或穿着安全服。
[0003]智能化检测工人是否穿戴物安全帽及安全服，对于施工现场的安全防护管理以及智能信息化管理具有重要意义。如能有效提高监管人员对安全帽及安全服穿戴情况的现场管理效率，大幅度减少了人工巡视劳动成本，同时也能对工人提供了安全保障，一定程度上减少安全事故的发生。然而现有技术图像识别技术在目标检测中应用时容易存在误检及漏检情况。
[0004]因此，针对现有技术不足，提供一种安全穿戴情况识别方法以解决现有技术不足甚为必要。

技术实现思路

[0005]本专利技术其中一个的目的在于避免现有技术的不足之处而提供一种安全穿戴情况识别方法。该安全穿戴情况识别方法能有效避免因目标变形、突然运动、背景杂波、遮挡、视频丢帧等引起的误检或者漏检安全穿戴物的情况，具有判断准确的特点。
[0006]本专利技术的上述目的通过以下技术措施实现：
[0007]提供一种安全穿戴情况识别方法，包括步骤有：
[0008]步骤一、收集多张穿戴有安全穿戴物的素材图像；
[0009]步骤二、分别对步骤一得到的素材图像进行标准穿戴物区域标注，得到多个标准穿戴物区域框信息；
[0010]步骤三、对步骤二得到的多个标准穿戴物区域框信息进行重聚类，得到重聚类分组数据；
[0011]步骤四、采用darknet框架深度学习神经网络yolov3算法对步骤三得到的重聚类分组数据和步骤二得到的标准穿戴物区域框信息进行训练得到最优模型；
[0012]步骤五、将采集区域内的视频流数据进行解析，得到多帧图像，分别将多帧图像依次输入步骤四的最优模型得到安全穿戴物边框信息和对像框信息，然后根据安全穿戴物边框信息和对像框信息得到图像的安全穿戴情况数据；
[0013]步骤六、根据长短记忆算法统计步骤五的安全穿戴情况数据的时长，得到时间段内对像的穿戴判断结果。
[0014]优选的，上述步骤六具体是根据长短记忆算法记录T时间段内步骤五的安全穿戴情况数据的累计时长t，当t≥αT时，则判断存在安全穿戴物；当t＜αT时则判断不存在安全穿戴物，其中α为时间阀值，且0.1＜α＜0.9，且T≥t＞0。
[0015]优选的，上述标准穿戴物区域框信息包括标准穿戴物区域框的中心点坐标、框高
和框宽。
[0016]优选的，上述长短记忆算法包括有长记忆结构和短记忆结构。
[0017]优选的，上述长记忆结构用于记录T1时间段内的安全穿戴情况数据，所述短记忆结构用于记录T2时间段内的安全穿戴情况数据，存在T1＞T2＞0。
[0018]当视频流数据的时长小于T1时，记录T2时间段内步骤五的安全穿戴情况数据的累计时长t，当t≥αT2时判断结果为对像穿戴有安全穿戴物；当t＜αT2时判断结果为对像没有穿戴安全穿戴物并发出告警。
[0019]当视频流数据存在对像框信息的时长小于T1时，记录T2时间段内步骤五的安全穿戴情况数据的累计时长t，当t≥αT2时判断结果为对像穿戴有安全穿戴物；当t＜αT2时判断结果为对像没有穿戴安全穿戴物并发出告警。
[0020]当视频流数据的时长大于或者等于T1时，记录T1时间段内步骤五的安全穿戴情况数据的累计时长t，当t≥αT1时判断结果为对像穿戴有安全穿戴物；当t＜αT1时判断结果为对像没有穿戴安全穿戴物并发出告警。
[0021]优选的，上述步骤三具体是对步骤二得到的多个标准穿戴物区域框信息进行kmean重聚类，且K设置为9，得到重聚类分组数据。
[0022]优选的，上述步骤四具体为采用darknet框架深度学习神经网络yolov3算法，根据训练参数对步骤三得到的重聚类分组数据和步骤二得到的多个标准穿戴物区域框信息进行训练得到最优模型。
[0023]优选的，上述训练参数为起始学习率设置为β，最大训练轮次为B，在轮次为C时的学习率设置为γ*β；在轮次为D时的学习率为δ*β，B＞D＞C＞1000，β、γ和δ都为正数。
[0024]将在训练轮次中训练输出的平均损失值至恒定时，将当前训练轮次为起点，选择
±
V轮次范围内保存的权重测试为最优模型，存在0＜V。
[0025]优选的，上述穿戴物为安全服和安全帽。
[0026]优选的，上述步骤五包括有：
[0027]步骤5.1、将采集区域内对像的视频流数据进行解析，得到多帧图像；
[0028]步骤5.2、分别将多帧图像依次输入步骤四的最优模型得到对应的安全服、安全帽及对像分别对应的class、score和box，其中class为类别信息，score为识别目标的置信度，box为识别目标的边框信息(x，y，w，h)其中x为边框中心点的x轴坐标，y为边框中心点的y轴坐标，w为边框的宽，h为边框的高；
[0029]步骤5.3、分别将score与置信阈值θ对比，当score＜θ时则判定为误检目标，并删除对应的box；当score≥θ时则判定为检测目标，并进入步骤5.4，其中0.5≤θ≤0.8；
[0030]步骤5.4、将检测目标的安全服的box与对像的box进行匹配得到安全服的安全穿戴情况数据，将检测目标的安全帽的box与对像的box进行匹配得到安全帽的安全穿戴情况数据。
[0031]优选的，上述将检测目标的安全服的box与对像的box进行匹配得到安全服的安全穿戴情况数据具体为，将安全服的box与对像的box交集面积S
(box_p)∩(box_c)
和面积阈值η1与安全服的box的乘积η1S
box_c
进行对比，当S
(box_p)∩(box_c)
≥η1S
box_c
时，则判定为存在安全服穿戴情况数据，当S
(box_p)∩(bo
x
_c)
＜η1*S
box_c
则判定为不存在安全服穿戴情况数据。
[0032]优选的，上述将检测目标的安全帽的box与对像的box进行匹配得到安全帽的安全
穿戴情况数据具体为，将对像的box的边框高向y轴正方向拓展λ倍得到拓展后对像的box，将安全帽的box与拓展后对像的box交集面积S
(box_p)∩(box_h)
和面积阈值η2与安全帽的box的乘积η2*S
box_h
进行对比，当S
(box_p)∩(box_h)
≥η2*S
box_h
时，则判定为存在安全帽穿戴情况数据，当S
(box_p)∩(box_h)
＜η2*S
box_h
则判定为不存在安全帽穿戴情况数据。
[0033]其中0.5≤η1≤0.8，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种安全穿戴情况识别方法，其特征在于，包括步骤：步骤一、收集多张穿戴有安全穿戴物的素材图像；步骤二、分别对步骤一得到的素材图像进行标准穿戴物区域标注，得到多个标准穿戴物区域框信息；步骤三、对步骤二得到的多个标准穿戴物区域框信息进行重聚类，得到重聚类分组数据；步骤四、采用darknet框架深度学习神经网络yolov3算法对步骤三得到的重聚类分组数据和步骤二得到的标准穿戴物区域框信息进行训练得到最优模型；步骤五、将采集区域内的视频流数据进行解析，得到多帧图像，分别将多帧图像依次输入步骤四的最优模型得到安全穿戴物边框信息和对像框信息，然后根据安全穿戴物边框信息和对像框信息得到图像的安全穿戴情况数据；步骤六、根据长短记忆算法统计步骤五的安全穿戴情况数据的时长，得到时间段内对像的穿戴判断结果。2.根据权利要求1所述的安全穿戴情况识别方法，其特征在于：所述步骤六具体是根据长短记忆算法记录T时间段内步骤五的安全穿戴情况数据的累计时长t，当t≥αT时，则判断存在安全穿戴物；当t＜αT时则判断不存在安全穿戴物，其中α为时间阀值，且0.1＜α＜0.9，且T≥t＞0。3.根据权利要求2所述的安全穿戴情况识别方法，其特征在于：所述标准穿戴物区域框信息包括标准穿戴物区域框的中心点坐标、框高和框宽；所述长短记忆算法包括有长记忆结构和短记忆结构，所述长记忆结构用于记录T1时间段内的安全穿戴情况数据，所述短记忆结构用于记录T2时间段内的安全穿戴情况数据，存在T1＞T2＞0。4.根据权利要求3所述的安全穿戴情况识别方法，其特征在于：当视频流数据的时长小于T1时，记录T2时间段内步骤五的安全穿戴情况数据的累计时长t，当t≥αT2时判断结果为对像穿戴有安全穿戴物；当t＜αT2时判断结果为对像没有穿戴安全穿戴物并发出告警；当视频流数据存在对像框信息的时长小于T1时，记录T2时间段内步骤五的安全穿戴情况数据的累计时长t，当t≥αT2时判断结果为对像穿戴有安全穿戴物；当t＜αT2时判断结果为对像没有穿戴安全穿戴物并发出告警；当视频流数据的时长大于或者等于T1时，记录T1时间段内步骤五的安全穿戴情况数据的累计时长t，当t≥αT1时判断结果为对像穿戴有安全穿戴物；当t＜αT1时判断结果为对像没有穿戴安全穿戴物并发出告警。5.根据权利要求4所述的安全穿戴情况识别方法，其特征在于：所述步骤三具体是对步骤二得到的多个标准穿戴物区域框信息进行kmean重聚类，且K设置为9，得到重聚类分组数据。6.根据权利要求5所述的安全穿戴情况识别方法，其特征在于：所述步骤四具体为采用darknet框架深度学习神经网络yolov3算法，根据训练参数对步骤三得到的重聚类分组数据和步骤二得到的多个标准穿戴物区域框信息进行训练得到最优模型；所述训练参数为起始学习率设置为β，最大训练轮次为B，在轮次为C时的学习率设置为γ*β；在轮次为D时的学习率为δ*β，B＞D＞C＞1000，β、γ和δ都为正数；
将在训练轮次中训练输出的平均损失值至恒定时，将当前训练轮次为起点，选择
±
...

【专利技术属性】
技术研发人员：李静，王荣秋，李朝辉，
申请(专利权)人：广州华微明天软件技术有限公司，
类型：发明
国别省市：