【技术实现步骤摘要】
一种基于目标跟踪的安全帽检测方法
[0001]本专利技术涉及图像检测的
技术介绍
[0002]由于工地施工及工厂生产过程中危险源众多，因此需要格外注意安全监管问题。施工安全事故造成的死亡原因主要包括坠落、滑倒、被物体撞击、触电等。其中施工人员头部受高处坠落物撞击以及工人从高处坠落导致头部撞击硬地板是引起施工安全事故死亡的主要因素。
[0003]化工厂等厂区往往重型器械多、作业环境复杂，工人若毫无防护进行作业会带来重大的安全隐患，因此将安全帽检测应用于工厂场景下具有重大的意义。工厂和工地作为安全事故高发的场合，对工人作业时安全帽的佩戴及工装的穿着都提出了明确的要求。现有的工地或工厂监管均采用人工巡查或人工视频监管的方式，效率较差。利用人工肉眼监控视频，不仅容易产生漏查情况，还需要大量的人力去完成监管工作，人力代价较高。
[0004]随着监控设备的普及，智能化检测设备利用所获取的监控视频材料，对画面进行特征提取、处理与分析，从而实现对安全帽的检测。但大部分智能化检测设备仅利用了单帧图像进行抽帧检测，检测...
【技术保护点】
【技术特征摘要】
1.一种基于目标跟踪的安全帽检测方法，其特征是，利用结合了目标检测方式和目标跟踪方式，可对复杂工厂环境下人员是否佩戴安全帽进行稳定有效检测；具体的检测方法步骤如下：步骤1，获取工厂监控视频中的单帧图像；步骤2，图像预处理，对工厂监控视频内抽取的图像进行畸变矫正；步骤3，采用预训练好的行人目标检测YoloV4神经网络模型检测人体在图像中可能存在的所有位置并框出，作为安全帽检测的候选位置；步骤4，采用DeepSort跟踪算法对步骤3中检测到的行人进行目标跟踪；步骤5，截取步骤3中得到的人体候选位置框内的图片；步骤6，采用预训练好的安全帽目标检测YoloV4神经网络模型对步骤4中截取的图片进行佩戴安全帽/未佩戴安全帽检测；步骤7，针对每个跟踪的行人目标，将该目标当前帧前k帧的检测类别与当前帧的检测类别一起进行投票，根据投票得分的结果最终确定当前帧该目标的安全帽佩戴类别；步骤8，保存最终的检测结果，最终的检测结果包括框出人体头部位置的原监控视频图像以及标出安全帽佩戴类别及置信度，检测系统将对检测到未佩戴安全帽的监控区域进行报警，提醒安保人员进行确认及后续处理。2.如权利要求1所述的一种基于目标跟踪的安全帽检测方法，其特征是，步骤2中监控摄像头拍摄得到的图像往往带有一定畸变，尤其是在视线边缘部分，畸变更加严重；这种畸变会影响后面步骤3的行人检测结果及步骤6的安全帽检测结果；相机的成像过程实质上是坐标系的转换，首先空间中的点由“世界坐标系”转换到“像机坐标系”，然后再将其投影到成像平面(图像物理坐标系)，最后再将成像平面上的数据转换到图像像素坐标系：x0＝x(1+k1r2+k2r4+k3r6)y0＝y(1+k1r2+k2r4+k3r6)其中，(x0,y0)是畸变像素点的原始位置，(x,y)是畸变矫正后新的位置，k1、k2、k3为畸变系数。3.如权利要求1所述的一种基于目标跟踪的安全帽检测方法，其特征是，步骤3中行人目标检测的执行主体是一个预训练的行人神经网络检测模型，采用的卷积神经网络模型为YoloV4网络模型，该检测模型的训练权重为在ImageNet公开数据集上训练后得到的权重。4.如权利要求1所述的一种基于目标跟踪的安全帽检测方法，其特征是，步骤4中采用的DeepSort多目标跟踪算法是传统的检测加跟踪两步走目标跟踪算法，其跟踪精度依赖于步骤3中的行人检测精度，该多目标跟踪算法具有良好的工程效果和实时性；DeepSort在Sort跟踪算法的基础上增加了利用深度学习提取表观特征的部分，利用行人重识别公开数据集对DeepSort中的表观特征提取的神经网络进行训练。5.如权利要求1所述的一种基于目标跟踪的安全帽检测方法，其特征是，步骤5中将步骤3得到的行人候选区域的子图截取出来，并针对单张子图即单个行人目标进行目标跟踪和安全帽检测，从而减少直接在全图中提取安...
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。