[发明专利]一种基于SSD和AlphaPose的安全帽佩戴检测方法及系统

说明书

本发明提供了一种基于SSD和AlphaPose的安全帽佩戴检测方法及系统，其方法包括：首先采用SSD算法对所述图像中的人和安全帽进行识别；然后采用AlphaPose算法对所述图像中的各个人的人体姿态进行估计，得到各个人的重要关节点的像素坐标；最后分别对各个人进行判断，以识别出未佩戴安全帽的人。本发明的有益效果是：本发明所提出的技术方案通过SSD和AlphaPose两个模型的融合，在人体的多种姿态下，依然能够有效的识别人体是否佩戴了安全帽，效率高，实用性强。

技术领域

本发明涉及图像处理领域，尤其涉及一种基于SSD和AlphaPose的安全帽佩戴检测方法及系统。

背景技术

SSD模型是一个基于前向传播的CNN网络，将输入的特征图谱据切分成相应尺寸的特征单元，在每一个单元格上构建一系列的固定大小的包围盒，如图4所示，先通过计算每一个包围盒中包含物体实例的可能性，即存在概率；最后通过非极大值抑制方法来得到包围盒中物体实例的所属类别。图5提供了SSD的拓扑结构图。

AlphaPose是一个实时多人姿态估计系统，它对于多人姿态估计的方法采用的是传统的自顶向下的方法，即先检测人，再识别人体姿态，检测使用的是SSD-512，识别人体姿态使用的Stacked Hourglass方法。如图6所示是单个Hourglass的模块示例，图中每个方框对应一个residual模块(如图7所示)，整个Hourglass中，特征数是一致的。Hourglass首先利用卷积层和池化层将特征缩放到很小的分辨率，每一个池化层都会进行网络分叉，对原来池化过的特征再进行卷积，得到最低分辨率特征后，网络开始向上采样，并逐渐结合不同尺度的特征信息。整个Hourglass是对称的，即获取低分辨率特征过程中每有一个网络层，则在向上采样的过程中相应会有一个网络层。得到Hourglass网络模块输出后，再采用两个连续的1*1卷积层进行处理，得到最终的网络输出。

目前基于静态图像的多目标识别的技术发展日趋完善，应用的场景亦是愈加广泛。许多研究学者提出将视频图像处理技术加入到各个施工现场领域。在已有的视频监控系统的基础上，加上智能化识别技术，提供实时报警功能，减少施工现场的潜在安全隐患。

而安全帽佩戴状态是实现智能化视频监控系统的重要环节。但由于佩戴安全帽的检测过程容易受外界环境因素、工人的行为动作以及复杂的施工现场等因素的影响。目前，安全帽的自动识别技术研究并不能够适用于各种情况。有写研究仅适用于识别红、黄、蓝等有限颜色的安全帽。并且，他们研究的前提是工人时站立的状态，并未考虑到工人在别的姿态下施工的情况，而弯腰、左倾或者右倾施工正是安全隐患最大的时候，此时，安全帽的佩戴显得尤为重要。

发明内容

为了解决上述问题，本发明提供了一种基于SSD和AlphaPose的安全帽佩戴检测方法及系统，将深度学习的图像识别技术运用于工厂视频监控系统中，实现对整个工厂的工作人员佩戴安全帽情况实时监控和自动识别，确保工厂工作人员安全规范工作，保障工厂安全有序生产。

一种基于SSD和AlphaPose的安全帽佩戴检测方法，主要包括以下步骤：

S101：获取待检测施工现场的图像；所述图像中包括多个安全帽和多个人；

S102：采用SSD算法对所述图像中的人和安全帽分别进行识别，得到所述图像中的人的总个数、安全帽的总个数以及各个安全帽的最小矩形包围框的任意两个对角顶点的像素坐标；

S103：采用AlphaPose算法对所述图像中的各个人的人体姿态进行估计，得到各个人的重要关节点的像素坐标；

S104：根据各个人的重要关节点的像素坐标和各个安全帽的最小矩形包围框的任意两个对角顶点的像素坐标，分别对各个人进行判断，以识别出所有未佩戴安全帽的人。

进一步地，步骤S101中，所述待检测施工现场的图像可通过待检测施工现场的监控摄像头或者监控视频获取。