[发明专利]佩戴安全帽识别系统

说明书

本发明提供了佩戴安全帽识别系统，包括三个模块：第一个是视频处理模块，将视频流切成图片；第二个是检测模块，将人头检测出来；第三个是分类模块，将佩戴安全帽和不佩戴安全帽分类出来；佩戴安全帽识别系统的工作流程为：获取到现场的视频流，将视频流按帧切成图片，使用目标检测方法将人头图片截取下来，最后送入到分类网络中对图像进行分类。本发明提供了一种从全局的角度考虑行人安全帽识别，解决了现有技术存在准确率低，容易出现大量误报等情况，有效地提高了准确率。

技术领域

本发明涉及计算机视觉领域，尤其是佩戴安全帽识别系统。

背景技术

在工厂和工地上，佩戴安全帽进行作业是确保人员安全的重要方式。在生产过程中，存在众多危险地方，佩戴安全帽能有效地保证人员的安全。

现有技术一的技术方案(申请号：2018115701981一种安全帽识别方法及装置)公开了一种安全帽识别方法及装置，用于解决针对工作人员是否有佩戴安全帽检测和识别的准确度不高的问题。该方法包括：将包含待识别人体的图像输入到预先训练完成的第一卷积神经网络模型中，获取图像的第一特征图。其中，第一特征图包括头部区域预测框的位置信息。根据第一特征图中头部区域预测框的位置信息，以及第一特征图与图像的映射关系，确定图像中包含头部区域的子图像；将子图像输入到预先训练完成的第二卷积神经网络模型中，获取子图像中包含的头部区域中是否包含安全帽。现有技术一的缺点是该方案需要先将人体的图像输入到第一卷积神经网络中获得第一特征图，同时将第一特征图中头部区域与原始图像进行匹配，考虑他们之间的映射关系，这个过程相当繁琐。

现有技术二的技术方案(申请号：2019104566590基于深度学习的安全帽识别方法和系统)公开了一种基于深度学习的安全帽识别方法，包括：S1：采集若干个人员图像数据，根据设定的标注筛选规则以标注和筛选出符合要求的头部信息，得到头部信息数据集。头部信息的类别至少包括戴安全帽的头部信息和未戴安全帽的头部信息两种。S2：将所述头部信息数据集作为卷积神经网络模型的训练集，得到用于对检测区域人员进行安全帽佩戴状态识别的安全帽识别模型。安全帽佩戴状态包括佩戴安全帽和未佩戴安全帽。现有技术二能够有效进行安全帽识别，减少识别时间，提高识别效率，切实提升安全帽识别的准确率；并且相比于传统的目标检测的神经网络，现有技术二中的神经网络训练过程可以更快进行收敛，获得明显的效果提升。现有技术二的缺点是只关注了使用头部数据进行图像识别，识别出是否佩戴安全帽。

因此需要有一种从全局的角度考虑行人安全帽识别，解决现有技术存在准确率低，容易出现大量误报等情况，有效地提高准确率。

发明内容

本发明的目的在于提供一种佩戴安全帽识别系统，用于解决现有方法安全帽识别准确率低，容易出现大量误报等情况，通过人头的检测加上安全帽的分类网络来提高整体的性能，结合检测加识别能有效地提高算法的准确率。

为了实现这一目的，本发明提供了佩戴安全帽识别系统，包括以下模块：

第一个是视频处理模块，将视频流切成图片；

第二个是检测模块，将人头检测出来；

第三个是分类模块，将佩戴安全帽和不佩戴安全帽分类出来。

佩戴安全帽识别系统的工作流程为：获取到现场的视频流，将视频流按帧切成图片，使用目标检测方法将人头图片截取下来，最后送入到分类网络中对图像进行分类。

视频处理模块对于视频流的处理使用开源的技术FFmpeg将视频流按照一秒一帧的方式截取出图片。视频处理模块首先通过现场的摄像头得到视频，再使用FFmpeg工具将视频分解成图片，之后输入到所述的检测模块中。

检测模块采用的yolov5检测算法，主要检测部分为人头部分。检测模块从所述的视频处理模块得到图片，将检测到的人头输入到下一个分类模块中。检测模块利用内部采集的数据作为训练数据。