一种基于姿态校正的安全帽佩戴检测方法技术

本发明专利技术公开了一种基于姿态校正的安全帽佩戴检测方法，属于安全用具佩戴检测技术领域。本发明专利技术结合人头目标的特点，为人头检测器附加人头关键点检测分支，附加的分支兼容当前主流的检测器，通过引入额外的监督信息，可以提高人头的检测精度；通过检测到的人头关键点对人头进行姿态校正，可以减弱人头姿态对安全帽佩戴等人头属性分类器的影响，提高分类精度；在训练安全帽佩戴等人头属性分类器时采用人头关键点随机抖动进行数据增强，可以提高人头属性分类器的鲁棒性。头属性分类器的鲁棒性。头属性分类器的鲁棒性。

【技术实现步骤摘要】
一种基于姿态校正的安全帽佩戴检测方法


[0001]本专利技术涉及安全用具佩戴检测
，具体涉及一种基于姿态校正的安全帽佩戴检测方法。

技术介绍

[0002]安全帽是各行各业安全生产工作者必不可少的一种安全用具。但由于工作人员有意或者无意，在实际作业中经常出现不佩戴安全帽的情况，造成一定的安全隐患。为了保障工作人员的人身安全，传统方式主要是通过安监人员现场监督或者观看监控视频并预警，但这种方式效率低下，且安监人员易疲劳，易出现误检。
[0003]现有技术存在一定的不足，比如现有技术用到的人头目标检测都是借鉴自通用目标检测算法，没有结合人头的特点进行算法设计，真实场景下人头姿态和相机的视角都是复杂多变的，当前安全帽佩戴属性分类器没有考虑人头姿态对安全帽佩戴检测的影响。为此，提出一种基于姿态校正的安全帽佩戴检测方法。

技术实现思路

[0004]本专利技术所要解决的技术问题在于：如何结合人头目标的特点设计检测算法，提高人头目标的检测精度，并减弱人头姿态对安全帽佩戴等人头属性分类器的影响，提高人头属性的分类精度，提供了一种基于姿态校正的安全帽佩戴检测方法。
[0005]本专利技术是通过以下技术方案解决上述技术问题的，本专利技术包括以下步骤：S1：将输入图像缩放到设定尺寸，送入人头检测器，同时检测得到人头包围盒和人头关键点；S2：对于检测到每个人头目标，根据检测到的人头包围盒从输入图像中截取人头图像；根据检测的人头关键点和标准的人头关键点的对应关系计算对齐变换矩阵，用对齐变换矩阵将人头图像对齐到标准姿态和尺寸，目标图像成为对齐的人头图像；将对齐的人头图像送入人头属性分类器，输出得到多种人头属性；利用输出的人头属性进行是否佩戴安全帽的判别。
[0006]更进一步地，在所述步骤S1中，所述人头检测器包括第一骨干网络模块、检测头模块、后处理模块，所述检测头模块包括三个分支，分别为人头分类分支、人头检测分支和人头关键点检测分支，输入图像先进入第一骨干网络模块得到多个空间尺度上的图像特征表示，每个尺度的特征再送入检测头模块中参数独立的三个分支，分别得到人头置信度特征图、人头包围盒特征图与人头关键点坐标特征图，人头置信度特征图、人头包围盒特征图与人头关键点坐标特征图经过所述后处理模块处理后得到最终的人头包围盒和人头关键点坐标。
[0007]更进一步地，在训练所述人头检测器时，每个分支引出一个损失项，对于单个样本来说，最终损失函数的数学形式为：
其中，是人头分类损失项，该损失项采用softmax交叉熵损失函数，是预测为人头的概率，是目标的真实标签；是人头包围盒回归损失项，该损失项采用Smooth
‑
L1损失函数，是预测的人头包围盒，是真实的人头包围盒；是人头关键点回归损失项，该损失项采用Smooth
‑
L1损失函数，是预测的人头关键点，是真实的人头关键点；，损失项只对人头目标有效，另外通过和来控制各损失项之间的所占的权重。
[0008]更进一步地，在所述步骤S2中，对检测到人头包围盒放大1.3倍后，从输入图像中截取人头包围盒对应的人头图像。
[0009]更进一步地，在所述步骤S2中，设是检测到的人头关键点，是对应的标准人头关键点，，，检测到的人头关键点和标准人头关键点之间的关系用相似变换来建模，如下所示：其中，是相似变换矩阵,是平移参数，为尺度参数，为旋转参数；记，利用个对应点列写如下的方程：；把上式记为，其中，该方程是超定方程，有最小二乘解为；根据求得的可以得到相似变换矩阵；将变换矩阵作用于人头图像上即得到对齐后的人头图像。
[0010]更进一步地，在所述步骤S2中，人头属性分类器包括第二骨干网络模块、多个分类分支，多个分类分支分别与所述第二骨干网络模块连接，输入图像先进入第二骨干网络模块得到图像的特征表示，再送入参数独立的分支，得到与多种分类分支对应的多种人头属
性。
[0011]更进一步地，所述分类分支的数量至少为两个，分别为安全帽佩戴检测分支和安全帽颜色分类分支，对应输出安全帽佩戴置信度和安全帽各颜色的置信度。
[0012]更进一步地，在训练人头属性分类器时采用多任务的损失函数，对于单个样本来说，每个分支引出一个损失项，损失函数的数学形式如下：其中，是安全帽佩戴分类损失项，该损失项采用softmax交叉熵损失函数，是预测的安全帽佩戴的概率，是安全帽佩戴的真实标签；是安全帽颜色分类损失项，损失项采用softmax交叉熵损失函数，是预测的安全帽颜色，是真实的安全帽颜色标签；损失项只对戴安全帽的人头有效。
[0013]更进一步地，在训练人头属性分类器时，引入了人头关键点随机抖动进行数据增强，具体操作如下：输入人头图像及其关键点，将人头关键点添加随机的偏移，即随机抖动，然后再对人头图像进行对齐操作。
[0014]更进一步地，在所述步骤S2中，对于封闭的施工场地场景，利用输出的人头属性进行是否佩戴安全帽的判别方式包括以下步骤：A1：预设一个阈值；A2：当人头图像的安全帽佩戴置信度大于该阈值时，即判断该人佩戴了安全帽，否则判断该人未佩戴安全帽。
[0015]本专利技术相比现有技术具有以下优点：该基于姿态校正的安全帽佩戴检测方法，结合人头目标的特点，为人头检测器附加人头关键点检测分支，附加的分支兼容当前主流的检测器，通过引入额外的监督信息，可以提高人头的检测精度；通过检测到的人头关键点对人头进行姿态校正，可以减弱人头姿态对安全帽佩戴等人头属性分类器的影响，提高分类精度；在训练安全帽佩戴等人头属性分类器时采用人头关键点随机抖动进行数据增强，可以提高人头属性分类器的鲁棒性。
附图说明
[0016]图1是本专利技术实施例中基于姿态校正的安全帽佩戴检测方法的流程示意图；图2是本专利技术实施例中人头检测器的结构示意图；图3是本专利技术实施例中人头属性分类器结构示意图；图4是本专利技术实施例中安全帽佩戴判别方式一示意图；图5是本专利技术实施例中安全帽佩戴判别方式二示意图。
具体实施方式
[0017]下面对本专利技术的实施例作详细说明，本实施例在以本专利技术技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。
[0018]如图1所示，本实施例提供一种技术方案：一种基于姿态校正的安全帽佩戴检测方法，包括以下步骤：1）将输入图像缩放到固定尺寸，送入人头检测器，同时检测到人头包围盒和人头关键点。
[0019]2）对于检测到每个人头目标，执行如下操作：2.1）根据检测到的人头包围盒从输入图像中截取人头图像；2.2）根据检测的人头关键点和标准的人头关键点的对应关系计算对齐变换矩阵，用该对齐变换矩阵将人头图像对齐到标准姿态和尺寸，目标图像成为对齐的人头图像；2.3）将对齐的人头图像送入人头属性分类器，同时得到佩戴安全帽的置信度、各颜色安全帽的置信度等人头属性；2.4）利用上述的输出以及其他信息（即本专利技术所述的额外信息）进行是否佩戴安全帽的判别。
[0020]在所述步骤S1中：如图2所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于姿态校正的安全帽佩戴检测方法，其特征在于，包括以下步骤：S1：将输入图像缩放到设定尺寸，送入人头检测器，同时检测得到人头包围盒和人头关键点；S2：对于检测到每个人头目标，根据检测到的人头包围盒从输入图像中截取人头图像；根据检测的人头关键点和标准的人头关键点的对应关系计算对齐变换矩阵，用对齐变换矩阵将人头图像对齐到标准姿态和尺寸，目标图像成为对齐的人头图像；将对齐的人头图像送入人头属性分类器，输出得到多种人头属性；利用输出的人头属性进行是否佩戴安全帽的判别。2.根据权利要求1所述的一种基于姿态校正的安全帽佩戴检测方法，其特征在于：在所述步骤S1中，所述人头检测器包括第一骨干网络模块、检测头模块、后处理模块，所述检测头模块包括三个分支，分别为人头分类分支、人头检测分支和人头关键点检测分支，输入图像先进入第一骨干网络模块得到多个空间尺度上的图像特征表示，每个尺度的特征再送入检测头模块中参数独立的三个分支，分别得到人头置信度特征图、人头包围盒特征图与人头关键点坐标特征图，人头置信度特征图、人头包围盒特征图与人头关键点坐标特征图经过所述后处理模块处理后得到最终的人头包围盒和人头关键点坐标。3.根据权利要求2所述的一种基于姿态校正的安全帽佩戴检测方法，其特征在于：在训练所述人头检测器时，每个分支引出一个损失项，对于单个样本来说，最终损失函数的数学形式为：其中，是人头分类损失项，该损失项采用softmax交叉熵损失函数，是预测为人头的概率，是目标的真实标签；是人头包围盒回归损失项，该损失项采用Smooth
‑
L1损失函数，是预测的人头包围盒，是真实的人头包围盒；是人头关键点回归损失项，该损失项采用Smooth
‑
L1损失函数，是预测的人头关键点，是真实的人头关键点；，...

【专利技术属性】
技术研发人员：康凯，艾坤，刘海峰，王子磊，
申请(专利权)人：合肥中科类脑智能技术有限公司，
类型：发明
国别省市：