一种电力作业视频中的安全帽佩戴识别方法技术

一种电力作业视频中的安全帽佩戴识别方法，包括如下步骤：获取电子作业的动态视频；基于前景探测的目标检测方法，从动态视频中提取多个包含作业人员信息的图片；运用卡尔曼滤波算法直接对多个包含作业人员信息的图片进行跟踪处理，锁定检测目标的位置；利用Faster R

【技术实现步骤摘要】
一种电力作业视频中的安全帽佩戴识别方法


[0001]本专利技术属于电力系统安全作业领域，更具体的，涉及一种电力作业视频中的安全帽佩戴识别方法。

技术介绍

[0002]随着深度学习技术的不断深入发展,视频图像处理技术已经被广泛地应用于社会生活中的各个领域。对于电力行业而言，安全对于每个人来说都不陌生，只有实现安全才能确保企业稳定地生产，安全事故所带来的损失巨大。在进行电力作业时安全帽对头部有一定的保护作用，这要求电力作业人员在施工的过程中必须佩带安全帽。然而，近年来由于电力作业人员违反电力安全规范不按要求佩戴安全帽所造成的电力安全事故还时有发生。为了防止电力安全事故的发生,保护电力作业人员的人身安全，开发一套能自动识别电力作业人员在作业时未佩带安全帽等异常状况的系统对于电力行业来说变得越来越重要。

技术实现思路

[0003]为解决现有技术中存在的不足，本专利技术针对电力行业在作业过程中的安全佩戴情况自动检测问题，选取更快的区域卷积神经网络模型作为电力作业过程中的安全帽佩戴情况识别的基础网络模型进行训练，基于深度学习技术实现目标自动识别与检测，进而提出一种电力作业视频中的安全帽佩戴识别方法。
[0004]本专利技术采用如下的技术方案。
[0005]一种电力作业视频中的安全帽佩戴识别方法，包括如下步骤：
[0006]步骤1，获取电子作业的动态视频；
[0007]步骤2，基于前景探测的目标检测方法，从动态视频中提取多个包含作业人员信息的图片；
[0008]步骤3，运用卡尔曼滤波算法直接对多个包含作业人员信息的图片进行跟踪处理，锁定检测目标的位置；
[0009]步骤4，利用Faster R
‑
CNN网络，根据每一个包含作业人员信息的图片以及检测目标的位置，预测出图片中的作业人员是否佩戴安全帽。
[0010]进一步的，
[0011]步骤2具体包括：
[0012]步骤2.1，将动态视频分成若干帧图片，包括：第一帧图片、前M帧图片与后续图片；
[0013]步骤2.2，根据第一帧图片，创建至少一个混合高斯模型，并初始化混合高斯模型的参数；
[0014]步骤2.3，根据前M帧图片与混合高斯模型进行匹配，从而得到训练好的混合高斯模型；
[0015]步骤2.4，利用训练好的混合高斯模型，对后续图片进行处理，以提取多个包含作业人员信息的图片。
[0016]进一步的，
[0017]步骤3具体包括：
[0018]步骤3.1，将多个包含作业人员信息的图片作为卡尔曼滤波算法的输入；
[0019]步骤3.2，训练卡尔曼滤波算法参数，具体为：根据第k
‑
1帧图片的目标位置来预测k时刻目标的位置；
[0020]步骤3.3，计算卡尔曼增益；
[0021]步骤3.4，根据k时刻目标的位置与卡尔曼增益H
k
，得到实际的k时刻目标的位置
[0022]进一步的，
[0023]步骤3.2具体包括：
[0024]x
k
＝α
k
‑1×
x
k
‑1+β
k
‑1×
u
k
‑1+γ
k
‑1[0025]其中，k为动态视频中当前时刻下的帧图片，x
k
,x
k
‑1分别表示对k时刻，k
‑
1时刻状态的状态量，α
k
‑1表示k
‑
1时刻的状态转移矩阵，β
k
‑1表示k
‑
1时刻的控制矩阵，γ
k
‑1为k
‑
1时刻的过程噪声，服从正态分布，u
k
‑1表示k
‑
1时刻的控制量。
[0026]进一步的，
[0027]步骤3.3中卡尔曼增益H
k
：
[0028]H
k
＝P
k
‑1×
γ
k
‑1×
(γ
k
‑1×
P
k
‑1×
γ
k
+R
k
)
‑1[0029]其中，P
k
‑1表示k
‑
1时刻的误差协方差矩阵，P
k
表示k时刻的观察量协方差，γ
k
‑1,γ
k
为k
‑
1时刻，k时刻的过程噪声。
[0030]进一步的，
[0031]步骤3.4中k时刻目标的位置y
k
：
[0032]y
k
＝x
k
+H
k
×
(m
k
‑
x
k
)
[0033]其中，m
k
为k时刻状态的测量结果，H
k
为卡尔曼增益。x
k
表示对k时刻状态的状态量。
[0034]进一步的，
[0035]步骤4具体包括：
[0036]步骤4.1，对每一个包含作业人员信息的图片，根据Faster R
‑
CNN网络中的卷积层，得到特征图；Faster R
‑
CNN模型包括RPN网络、ROI池层和全连接层；
[0037]步骤4.2，将特征图输入到RPN网络中，得到提议对象及其分数；
[0038]步骤4.3，将步骤4.2中的提议对象输入至ROI池层，将所有提议对象降低到相同的大小；
[0039]步骤4.4，将步骤4.3处理过的提议对象传递到全连接层；
[0040]步骤4.5，在全连接层，采用softmax和线性回归对提议对象进行分类，从而输出每一张图片中的作业人员是否佩戴安全帽。
[0041]一种电力作业视频中的安全帽佩戴识别系统，包括：采集模块、目标检测模块、卡尔曼滤波算法模块与神经网络模块；
[0042]采集模块用于获取电子作业的动态视频；
[0043]目标检测模块用于基于前景探测的目标检测方法，从动态视频中提取多个包含作业人员信息的图片；
[0044]卡尔曼滤波算法模块用于运用卡尔曼滤波算法直接对多个包含作业人员信息的图片进行跟踪处理，锁定检测目标的位置；
[0045]神经网络模块用于利用Faster R
‑
CNN网络，根据每一个包含作业人员信息的图片以及检测目标的位置，预测出图片中的作业人员是否佩戴安全帽。
[0046]一种终端，包括处理器及存储介质；
[0047]所述存储介质用于存储指令；
[0048]所述处理器用于根据所述指令进行操作以执行一种电力作业视频中的安全帽佩戴识别方法的步骤。
[0049]计算机可读存储介质，其上存储有计算机程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力作业视频中的安全帽佩戴识别方法，其特征在于，包括如下步骤：步骤1，获取电子作业的动态视频；步骤2，基于前景探测的目标检测方法，从动态视频中提取多个包含作业人员信息的图片；步骤3，运用卡尔曼滤波算法直接对多个包含作业人员信息的图片进行跟踪处理，锁定检测目标的位置；步骤4，利用Faster R
‑
CNN网络，根据每一个包含作业人员信息的图片以及检测目标的位置，预测出图片中的作业人员是否佩戴安全帽。2.根据权利要求1所述的一种电力作业视频中的安全帽佩戴识别方法，其特征在于：步骤2具体包括：步骤2.1，将动态视频分成若干帧图片，包括：第一帧图片、前M帧图片与后续图片；步骤2.2，根据第一帧图片，创建至少一个混合高斯模型，并初始化混合高斯模型的参数；步骤2.3，根据前M帧图片与混合高斯模型进行匹配，从而得到训练好的混合高斯模型；步骤2.4，利用训练好的混合高斯模型，对后续图片进行处理，以提取多个包含作业人员信息的图片。3.根据权利要求1所述的一种电力作业视频中的安全帽佩戴识别方法，其特征在于：步骤3具体包括：步骤3.1，将多个包含作业人员信息的图片作为卡尔曼滤波算法的输入；步骤3.2，训练卡尔曼滤波算法参数，具体为：根据第k
‑
1帧图片的目标位置来预测k时刻目标的位置；步骤3.3，计算卡尔曼增益；步骤3.4，根据k时刻目标的位置与卡尔曼增益H
k
，得到实际的k时刻目标的位置。4.根据权利要求3所述的一种电力作业视频中的安全帽佩戴识别方法，其特征在于：步骤3.2具体包括：x
k
＝α
k
‑1×
x
k
‑1+β
k
‑1×
u
k
‑1+γ
k
‑1其中，k为动态视频中当前时刻下的帧图片，x
k
,x
k
‑1分别表示对k时刻，k
‑
1时刻状态的状态量，α
k
‑1表示k
‑
1时刻的状态转移矩阵，β
k
‑1表示k
‑
1时刻的控制矩阵，γ
k
‑1为k
‑
1时刻的过程噪声，服从正态分布，u
k
‑1表示k
‑
1时刻的控制量。5.根据权利要求3所述的一种电力作业视频中的安全帽佩戴识别方法，其特征在于：步骤3.3中卡尔曼增益H
k
：H
k
＝P
k
‑1×
γ
k
‑1×
(γ
k
‑1×
P

【专利技术属性】
技术研发人员：朱建宝，邓伟超，俞鑫春，陈宇，马青山，张才智，叶超，陈鹏，曹雯佳，葛春燕，
申请(专利权)人：国网江苏省电力有限公司南通供电分公司，
类型：发明
国别省市：