[发明专利]一种基于深度卷积神经网络的安全帽佩戴检测方法

说明书

本发明涉及一种基于深度卷积神经网络的安全帽佩戴检测方法；本发明包括：101、将待检测图像输入至训练后的深度卷积神经网络；102、获取深度卷积神经网络输出的检测结果，检测结果为满足预设条件的第一类边界框和第二类边界框；103、将检测结果中满足预设条件的第一类边界框和第二类边界框标记在待检测图像上；其中深度卷积神经网络包括：基础网络模块、卷积模块、自顶向下模块和预测模块。本发明方法模型简单且不需要复杂的图像预处理过程，针对人员其他身体部位被遮挡的情况也能准确的检测到人员是否佩戴安全帽，本发明自顶向下模块和预测模块通过将高层特征图和低层特征图融合的方法提高了对图像分辨率低的目标的检测性能。

技术领域

本发明涉及计算机视觉和深度学习领域，具体涉及一种基于深度卷积神经网络的安全帽佩戴检测方法。

背景技术

由于建筑工地的环境比较复杂，会有各种施工车辆、器械和建筑材料，而且高空坠物发生的频率也较高，所以建筑工地是高度危险的区域。安全帽是一种对工地人员的头部进行保护的装置，对保护工地人员的安全尤其重要。尽管工地人员知道佩戴安全帽对他们的人身安全有很好的保护作用，但由于佩戴安全帽带来的不适感和不方便，有一部分人员怀着侥幸心理选择不佩戴安全帽，所以每年都有一部分人员因为未佩戴安全帽而受伤甚至失去生命。这些本来可以避免的伤害和死亡不仅给工地人员和他们的家人带来痛苦，也给建筑项目带来巨额的费用和可能的工期延误。因此，在建筑工地如何实时自动检测工地人员是否佩戴安全帽是一项重要任务。

目前安全帽佩戴检测工作大部分都是基于传统的计算机视觉方法和机器学习方法的，最近也出现了使用卷积神经网络的检测方法。使用传统的计算机视觉方法和机器学习方法的一般做法是通过使用帧差法、背景减除法等来提取移动区域，然后再从提取出来的移动区域中找出其中对应人的区域。检测人体的方法一般是通过提取颜色、区域宽高比等特征，还可以提取HoG和局部二值模式、小波变换等较复杂的特征，通过将这些特征送给K近邻或利用支持向量机模型分类器去做分类，进而确定人的位置和尺度，之后再进一步对安全帽的特征进行提取，通常是在检测到人员区域的顶部20％到30％的区域上对人员头部的特征进行提取，然后用机器学习中的分类方法再对得到的特征进行分类，从而得到对于人员是否佩戴安全帽的结果。在现行的方法中有使用K最近邻来对提取到的特征进行分类从而检测人员是否佩戴安全帽；提取不同颜色空间下的颜色特征，然后根据颜色特征去做分类，来判定人员是否佩戴安全帽；对提取到的特征使用了支持向量机模型、随机森林、多层感知机来对特征进行分类，判定人员是否佩戴安全帽；使用霍夫变化来检测该区域是否存在安全帽的轮廓来检测人员是否佩戴安全帽；通过提取安全帽的HoG特征再用支持向量机模型进行分类，来判定人员是否佩戴安全帽；使用卷积神经网络的方法，其具体操作为使用背景减除的方法得到移动目标，然后使用卷积神经网络将得到的移动目标进行分类，从而得到人员区域；再对得到人员区域顶部25％的区域使用卷积神经网络进行分类，得到人员是否佩戴安全帽的结果。

以上方法依赖于背景减除提取移动目标，因此无法检测没有明显位移的工地人员。此外，人的全身检测会受到工地中各类车辆和建筑材料的遮挡以及人员之间相互遮挡的影响，容易造成漏检。另外头部的定位也是通过几何先验知识估计的，一旦前景区域的提取不准确，头部定位的准确性也会受到很大影响，进而导致安全帽检测的精度下降。

综上所述，为了解决现行安全帽佩戴检测方法中存在的以上问题，亟需一种结构简单、应用范围广、不依赖于背景减除提取移动目标、不使用颜色特征、当人员身体部位有遮挡的情况仍然能够识别且识别准确率高的安全帽佩戴检测方法。

发明内容

(一)要解决的技术问题

为了解决现有技术的上述问题，本发明提供一种基于深度卷积神经网络的安全帽佩戴检测方法。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括以下步骤：

101、将待检测图像输入至训练后的深度卷积神经网络；