[发明专利]基于多尺度特征融合的图像检测方法

说明书

本发明提供了一种基于多尺度特征融合的图像检测方法，包括：将待检测图像输入改进的深度卷积神经网络中，得到特征图像；将特征图像对应的卷积块分别进行不同尺度的池化处理，得到包含不同层次的卷积块信息的融合特征图像；对融合特征图像进行目标区域判定，得到目标区域图像；对目标区域图像进行特征提取，得到固定长度的特征向量；将特征向量输入全连接层序列，得到两个输出对象类；通过分类器对两个输出对象类的概率进行估计，得到分类结果；根据分类结果和每个对象类的边界框位置，确定未佩戴安全帽的人员，并进行安全警告。本发明能够适用于不同施工场所的安全帽检测，有效的提高检测结果速度及准确性。

技术领域

本发明涉及图像处理技术中的计算机视觉技术领域，具体地，涉及基于多尺度特征融合的图像检测方法。

背景技术

随着国家城市化步伐的加快和城市经济的迅猛发展，全国各地高楼顷刻间拔地而起，但同时伴随而来的还有施工现场频发的安全事故。《安全生产法》规定，“生产经营单位必须为从业人员提供符合国家标准或者行业标准的劳动防护用品，并监督、教育从业人员按照使用规则佩戴、使用”。但事故背后往往揭示了一个值得深思的现象，正是由于生产人员随意摘下防护物品导致事故的发生，特别是由于随意摘下安全帽的事故占比高达67.4％。因此通过智慧型监控视频系统实时监控整个施工现场人员安全帽佩戴准情况，对未佩戴安全帽的生产人员进行及时的警示，可以帮助相关人员进行突发事件事前预警和事后决策，人们的生命和财产安全就可得到保障。

目前已有的基于深度学习的安全帽检测方法主要分为两种：1)基于网络特性的方法，例如基于LBP统计特征的低分辨率安全帽识别方法；2)基于网络训练过程不同的方法，如基于并行双路卷积神经网络的安全帽识别方法。以上基于深度学习的安全帽检测方法均存在一定的局限性。方法1)使用多维度的网络结构，需要大量样本和计算开销，复杂度高；方法2)使用多路卷积神经网络，训练时间过长，并存在安全帽目标分辨率较低等问题。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于多尺度特征融合的图像检测方法。

本发明提供一种基于多尺度特征融合的图像检测方法，包括：

步骤S1：从监控视频中提取待检测图像；

步骤S2：将所述待检测图像输入改进的深度卷积神经网络以提取特征，得到特征图像；

步骤S3：将所述特征图像对应的卷积块分别进行不同尺度的池化处理，得到包含不同层次的卷积块信息的融合特征图像；

步骤S4：对所述融合特征图像进行目标区域判定，得到目标区域图像；

步骤S5：对所述目标区域图像进行ROI池化，得到固定长度的特征向量；

步骤S6：将所述特征向量输入全连接层序列，得到两个输出对象类；

步骤S7：通过分类器对所述两个输出对象类的概率进行估计，得到分类结果，并通过目标框回归确定每个对象类的预测边界框位置；

步骤S8：根据所述分类结果和每个对象类的边界框位置，确定未佩戴安全帽的人员，并进行安全警告。

可选地，所述步骤S1包括：

步骤S11：实时获取监控视频；

步骤S12：将所述监控视频的视频图像进行灰度处理后，建立纹理特征模型；

步骤S13：通过纹理特征算法确定所述纹理特征模型参数；

步骤S14：通过所述纹理特征模型分割出待检测图像的背景和前景，其中，包含安全帽纹理的区域为前景，不包含安全帽纹理的区域为背景。

可选地，所述步骤S2包括：