【技术实现步骤摘要】
本专利技术涉及目标检测和人脸识别，更具体地涉及一种施工现场的施工人员安全帽佩戴检测及身份识别方法。
技术介绍
1、智慧工地作为工业智能化实现中的重要一环，在业内迅速升温。智慧工地就是通过物联网、视频监控、人工智能等技术，实现各种现代化工作的技术，提高施工过程的可控性、减少人为干预，以达到加强企业管理、提高工作效率、进行安全生产等目的。
2、最近几年计算机视觉技术的迅速发展以及深度学习技术兴起，视觉领域的算法不断推陈出新，计算机的计算能力也在迅速提升，这些进步使得智能视频监控自动检测施工现场安全文明生产问题变的简单。因此，通过计算机视觉技术与深度学习技术监督施工现场安全文明施工，将会极大地节省施工企业的人力资源成本，促成土木工程安全文明施工的顺利进行，提高土木工程安全文明施工的质量和水平。使用人力监管安全帽是否佩戴有以下几个问题：1、人力监管难以覆盖全面，在大型施工现场，工人数量众多，人力监管往往无法全面覆盖。2、监管效果不稳定，人的注意力有限，长时间监管可能造成疲劳。基于以上问题使用监控探头以及深度学习相关算法就可以实现对所有施工人员的安全帽佩戴检测并实现了实时反馈的效果。
技术实现思路
1、为解决上述现有技术中的问题，本专利技术提供一种施工现场的安全帽佩戴检测及身份识别方法，能够实时检测施工现场是否存在有施工人员未佩戴安全帽的危险行为出现，并且能够对未佩戴安全帽的施工人员进行身份识别，提高施工人员的安全防范意识和施工企业的安全管理能力。
2、为了实现上述目
3、步骤s1，提供服务器、以及与所述服务器通信连接的多个终端展示设备、多个监控摄像头和监控系统，每个所述监控摄像头获取其对应监控区域的施工现场信息；
4、步骤s2，将所述施工现场信息通过所述服务器输入至所述监控系统，对所述施工现场信息进行分析，提取出施工人员图像信息；
5、步骤s3，根据所述施工人员图像信息，对施工人员进行安全帽佩戴检测，判断是否有施工人员未佩戴安全帽，若是，则确定未佩戴安全帽的施工人员为违规人员，获取所述违规人员的图像信息；
6、步骤s4，根据所述违规人员的图像信息，对违规人员进行身份识别，生成报警信息；
7、步骤s5，所述监控系统将所述报警信息通过所述服务器传输到所述终端展示设备进行展示。
8、进一步地，所述步骤s3包括：
9、步骤s31，构建以目标检测相关神经网络为基础的训练模型，作为安全帽佩戴检测模型；
10、步骤s31’，构建安全帽佩戴检测数据集，并对所述安全帽佩戴检测数据集进行预处理；
11、步骤s32，使用预处理后的安全帽佩戴检测数据集对所述安全帽佩戴检测模型进行训练，获取训练后的模型权重参数；
12、步骤s33，使用所述模型权重参数构建安全帽佩戴检测器，对所述施工人员图像信息进行目标检测，得到未佩戴安全帽的违规人员的图像信息。
13、进一步地，所述安全帽佩戴检测模型通过yolov5s目标检测算法改进得到。
14、进一步地，所述安全帽佩戴检测模型包括空间注意力机制、160×160尺寸的检测头以及bifpn特征融合结构。
15、进一步地，所述步骤s31’中的预处理方法包括：
16、针对边缘模糊的图片，使用拉普拉斯算子运算对图片进行预处理；
17、针对被光线干扰、色彩失真严重的图片，使用automsrar色彩恢复技术对图片进行预处理。
18、进一步地，所述步骤s4包括：
19、步骤s41，构建以特征矫正相关神经网络为基础的训练模型，作为人脸识别模型，所述人脸识别模型包括人脸姿态估计模块、特征提取模块、特征矫正模块和特征表示层；
20、步骤s42，构建人脸识别训练集x，并对人脸识别训练集x中的每张人脸图像xij进行归一化处理；
21、步骤s43，将归一化的人脸图像输入所述人脸姿态估计模块，求解出每张图像对应的三个人脸姿态角pitchij、yawij、rollij；
22、步骤s44，根据求解出的姿态角rollij，在二维空间中对每张图像进行旋转变换处理，得到旋转变换处理后的图像x′ij；
23、步骤s45，将旋转变换处理后的图像x′ij和姿态角pitchij、yawij输入所述特征提取模块，得到表征输入图像x′ij的512维特征向量
24、步骤s46，将512维特征向量输入所述特征矫正模块，进行特征矫正，得到矫正后的各特征分量；
25、步骤s47，将所述矫正后的各特征分量输入所述特征表示层，得到最终表征人脸的特征向量yij；
26、步骤s48，将特征向量yij与人脸数据库进行相似度比较，将相似度最高的人脸特征对应人员确定为所要识别的违规人员，获取其身份信息。
27、进一步地，所述步骤s42中的归一化处理是指将人脸图像调整为标准像素大小为224×224的图像。
28、进一步地，所述人脸姿态估计模块设置为：通过神经网络进行人脸特征点检测，得到输入的人脸图像的98个二维特征点landmarks2d，选取其中左眉毛左右两特征点、右眉毛左右两特征点、左眼睛左右两特征点、右眼睛左右两特征点、鼻子左右两侧特征点、嘴巴左右两特征点、下嘴唇特征点以及下巴特征点对应三维人脸标准模型上的14个特征点landmarks3d，采用opencv提供的solvepnp算法求解出人脸姿态角pitchij、yawij、rollij。
29、进一步地，所述特征提取模块设置为：采用resnet50作为主干特征提取网络，对输入图像xi′j经过卷积层、池化层以及全连接层操作，输出表征输入图像xi′j的512维特征向量
30、进一步地，所述特征矫正模块设置为：由所述人脸姿态角pitchij、yawij对512维特征向量在不同维度上采用残差连接的方式进行特征矫正，得到在俯仰角度和左右摇摆角度的特征分量。
31、进一步地，所述特征表示层设置为：将所述特征矫正模块得到的在俯仰角度和左右摇摆角度的特征分量与512维特征向量进行线性加权，最终得到表征输入图像xij且与人脸姿态无关的特征向量yij。
32、进一步地，所述人脸数据库为施工人员的身份证照片经所述人脸识别模型提取到的512维特征向量所组成的数据库，表示为数据库d中的每条数据包含施工人员的姓名和对应的特征向量，n为施工人员数量。
33、进一步地，所述相似度比较的方法为：计算特征向量yij与数据库d中每一条数据di′的余弦距离cosθ，其中，i′＝1,2,3,…,n，θ表示特征向量yij与特征向量di′的夹角，余弦距离cosθ越接近1表示相似度越高。。
34、本专利技术通过监控摄像头对施工现场信息的获取以及监控系统对施工现场信息的分析，能够对施工现场存在的有施工人员未佩戴安全帽本文档来自技高网...
【技术保护点】
1.一种施工现场的安全帽佩戴检测及身份识别方法，其特征在于，包括：
2.根据权利要求1所述的施工现场的安全帽佩戴检测及身份识别方法，其特征在于，所述步骤S3包括：
3.根据权利要求2所述的施工现场的安全帽佩戴检测及身份识别方法，其特征在于，所述安全帽佩戴检测模型通过YOLOv5s目标检测算法改进得到。
4.根据权利要求3所述的施工现场的安全帽佩戴检测及身份识别方法，其特征在于，所述安全帽佩戴检测模型包括空间注意力机制、160×160尺寸的检测头以及BiFPN特征融合结构。
5.根据权利要求1所述的施工现场的安全帽佩戴检测及身份识别方法，其特征在于，所述步骤S4包括：
6.根据权利要求5所述的施工现场的安全帽佩戴检测及身份识别方法，其特征在于，所述步骤S42中的归一化处理是指将人脸图像调整为标准像素大小为224×224的图像。
7.根据权利要求5所述的施工现场的安全帽佩戴检测及身份识别方法，其特征在于，所述人脸姿态估计模块设置为：通过神经网络进行人脸特征点检测，得到输入的人脸图像的98个二维特征点Landmar
8.根据权利要求5所述的施工现场的安全帽佩戴检测及身份识别方法，其特征在于，所述特征提取模块设置为：采用resnet50作为主干特征提取网络，对输入图像x′ij经过卷积层、池化层以及全连接层操作，输出表征输入图像x′ij的512维特征向量
9.根据权利要求8所述的施工现场的安全帽佩戴检测及身份识别方法，其特征在于，所述特征矫正模块设置为：由所述人脸姿态角pitchij、yawij对512维特征向量在不同维度上采用残差连接的方式进行特征矫正，得到在俯仰角度和左右摇摆角度的特征分量。
10.根据权利要求9所述的施工现场的安全帽佩戴检测及身份识别方法，其特征在于，所述特征表示层设置为：将所述特征矫正模块得到的在俯仰角度和左右摇摆角度的特征分量与512维特征向量进行线性加权，最终得到表征输入图像xij且与人脸姿态无关的特征向量Yij。
11.根据权利要求5所述的施工现场的安全帽佩戴检测及身份识别方法，其特征在于，所述人脸数据库为施工人员的身份证照片经所述人脸识别模型提取到的512维特征向量所组成的数据库，表示为数据库D中的每条数据包含施工人员的姓名和对应的特征向量，N为施工人员数量。
12.根据权利要求11所述的施工现场的安全帽佩戴检测及身份识别方法，其特征在于，所述相似度比较的方法为：计算特征向量Yij与数据库D中每一条数据di′的余弦距离cosθ，其中，i′＝1,2,3,…,N，θ表示特征向量Yij与特征向量di′的夹角，余弦距离cosθ越接近1表示相似度越高。
...【技术特征摘要】
1.一种施工现场的安全帽佩戴检测及身份识别方法，其特征在于，包括：
2.根据权利要求1所述的施工现场的安全帽佩戴检测及身份识别方法，其特征在于，所述步骤s3包括：
3.根据权利要求2所述的施工现场的安全帽佩戴检测及身份识别方法，其特征在于，所述安全帽佩戴检测模型通过yolov5s目标检测算法改进得到。
4.根据权利要求3所述的施工现场的安全帽佩戴检测及身份识别方法，其特征在于，所述安全帽佩戴检测模型包括空间注意力机制、160×160尺寸的检测头以及bifpn特征融合结构。
5.根据权利要求1所述的施工现场的安全帽佩戴检测及身份识别方法，其特征在于，所述步骤s4包括：
6.根据权利要求5所述的施工现场的安全帽佩戴检测及身份识别方法，其特征在于，所述步骤s42中的归一化处理是指将人脸图像调整为标准像素大小为224×224的图像。
7.根据权利要求5所述的施工现场的安全帽佩戴检测及身份识别方法，其特征在于，所述人脸姿态估计模块设置为：通过神经网络进行人脸特征点检测，得到输入的人脸图像的98个二维特征点landmarks2d，选取其中左眉毛左右两特征点、右眉毛左右两特征点、左眼睛左右两特征点、右眼睛左右两特征点、鼻子左右两侧特征点、嘴巴左右两特征点、下嘴唇特征点以及下巴特征点对应三维人脸标准模型上的14个特征点landmarks3d，采用opencv提供的solvepnp算法求解出人脸姿态角pitchij、yawij、rollij。
【专利技术属性】
技术研发人员：谭帅，郭重初，林瀚，陆倪博，陈烨斌，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：
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。