[发明专利]一种施工现场安全帽穿戴自动检测方法及系统

权利要求书

1.一种施工现场安全帽穿戴自动检测方法，其特征在于，所述方法包括：

实时获取施工现场监控视频，检测监控视频中的所有人脸，获得每个人脸的边界框，并为每个人脸分配相应的ID；

基于人脸追踪算法追踪监控视频中后续帧人脸的边界框，并执行人脸关键点检测算法，检测获得的人脸关键点，同时使用当前人脸关键点检测结果的人脸边界框矫正人脸追踪算法的矩形框；

基于人脸关键点的检测结果和PnP算法，求得人脸欧拉角，PnP算法为N点透视问题算法；

追踪某个人脸直到人脸离开摄像头监控的区域或该人脸在监控区域内达到一个时间上限，则放弃该人脸，重新检测和追踪人脸；同时以该人脸获得的三个方向的欧拉角均不大于15度的安全帽区域作为安全帽的候选区域，使用安全帽识别算法判定安全帽的候选区域内是否存在安全帽；

基于人脸关键点的检测结果和PnP算法，求得人脸欧拉角；若基于当前ID对应人脸的欧拉角最小，则保留人脸边界框尺寸FaceSizeW0和FaceSizeH0，FaceSizeW0为人脸检测矩形框的宽度，FaceSizeH0为人脸检测矩形框的高度；若基于当前ID对应人脸的欧拉角小于阈值，则保留当前人脸边界框尺寸FaceSizeWn和FaceSizeHn，FaceSizeWn为当前人脸检测矩形框的宽度，FaceSizeHn为当前人脸检测矩形框的高度；若欧拉角小于阈值，则基于FaceSizeWn和FaceSizeHn，人脸边界框向上移动并获得安全帽的候选区域；

基于迁移学习的卷积神经网络方法进行安全帽检测识别，采用DenseNet CNN来适应问题领域，在网络模型中的损失函数部分添加KL散度，同时训练两个结构相同但参数不同的DenseNet CNN网络模型，两个模型之间进行知识迁移，从而提升单个网络模型的整体精度。

2.根据权利要求1所述的施工现场安全帽穿戴自动检测方法，其特征在于，若安全帽的候选区域内存在安全帽，则判断施工现场工人穿戴了安全帽，若安全帽的候选区域内不存在安全帽，则判断施工现场工人未穿戴安全帽。

3.根据权利要求1所述的施工现场安全帽穿戴自动检测方法，其特征在于，所述方法还包括：检测监控视频中安全帽载体是否为人脸，当检测结果为人脸时，判断安全帽载体为有效载体；当检测结果为非人脸时，判断安全帽载体为无效载体。

4.根据权利要求1所述的施工现场安全帽穿戴自动检测方法，其特征在于，当人脸的欧拉角小于阈值时，则基于FaceSizeWn和FaceSizeHn，人脸边界框向上移动0.55*FaceSizeHn，并将人脸边界框尺度调整为0.75*FaceSizeHn和1.1*FaceSizeWn，并将此人脸边界框作为该ID对应人脸的安全帽候选区域；当人脸的欧拉角大于阈值时，则选择FaceSizeW0和FaceSizeH0作为当前人脸边界框的FaceSizeWn和FaceSizeHn，以此确定安全帽候选区域。