[发明专利]一种电力施工现场人员制服穿着识别方法

摘要

本发明公开了一种电力施工现场人员制服穿着识别方法，首先进行人员检测，当检测出人员时进行头部、躯干部位的检测以及人员朝向检测，并检测是否佩戴安全帽；人员佩戴安全帽，且朝向为正面和背面，则在头部区域进行安全帽文字检测；当人员朝向侧面，则在头部与躯干的交界区域进行袖章检测；最后根据安全帽和袖章的检测结果，判断进入人员是否为工作人员；当检测为非工作人员，进行报警提示。本发明采用了HOG特征结合SVM分类器的方法，对安全帽文字和袖章进行纹理分析采用LBP算子具有旋转不变性和灰度不变性等显著优点，在光照条件下的鲁棒性好。

主权项

一种电力施工现场人员制服穿着识别方法，其特征在于具体步骤为：第一步  搭建电力施工人员制服识别系统监控视频读入模块（28）、人员检测模块（21）、人脸检测模块（22）、朝向检测模块（23）、躯干检测模块（24）、安全帽检测模块（25）、安全帽文字检测模块（26）和袖章检测模块（27）运行在电力施工人员制服识别系统中；监控视频读入模块（28）用于读取摄像机（1）采集到的数据，人员检测模块（21）用于检测摄像机（1）拍摄到的场景中是否有人员进入，人脸检测模块（22）用于检测进入人员的人脸部分，朝向检测模块（23）用于检测人员相对于摄像机（1）的朝向，躯干检测模块（24）用于检测人员的躯干部分，安全帽检测模块（25）用于检测进入人员是否佩戴安全帽，安全帽文字检测模块（26）用于检测进入人员的安全帽上的文字，袖章检测模块（27）用于检测进入人员的袖章；第二步  监控视频读入模块（28）读取摄像机（1）采集到的数据监控视频读入模块（28）实时采集现场数据，传输给人员检测模块（21）进行后续处理；第三步  人员检测模块（21）检测摄像机（1）拍摄到的场景中是否有人员进入样本是用于分类器训练的实验数据，用于人员检测的正样本为包含人员目标的图片，包括人员的各种形态以及着装；负样本包括除了正样本之外的任何图像，正样本和负样本尺寸大小统一；人员检测中采用的负样本是作业现场场景中的背景图片；人员检测模块（21）进行HOG特征提取：HOG即梯度方向直方图特征，是一种局部区域特征的描述符，计算局部区域梯度方向直方图组成目标特征描述目标的边缘；HOG特征提取计算过程为：对输入图像进行高斯平滑，将图像分成多个细胞单元，统计每个细胞单元的梯度方向直方图，然后将多个细胞单元组成一个块，在块中进行对比度归一化，最后把多个块的直方图组合成HOG特征；人员检测模块（21）进行SVM分类器训练：得到HOG特征以后，使用SVM分类器进行训练；SVM分类器基于结构风险最小化理论在特征空间中建构最优分割超平面，使得分类器得到全局最优化；训练时，归一化输入向量，使用模型存储分类器的学习结果；人员检测模块（21）进行目标检测：目标检测识别过程采用多尺度目标检测，即首先设定最小的尺度及尺度增量因子，对待检测图像进行相应尺度的缩放，多次重复遍历图像，输出检测结果；第四步  人脸检测模块（22）检测进入人员的人脸部分用于人脸检测的正样本为包含人脸的图片，包括不同人员、不同拍摄方向；负样本包括除了正样本之外的任何图像，用于人脸检测的负样本大小大于等于正样本；人脸检测中采用的负样本图片是作业现场场景中的背景图片；人脸检测模块（22）进行Harr特征计算：Harr特征是一幅图像的矩形特征，不同形状的矩形特征反映不同的图像特征；在人脸与非人脸图片的相同位置上，用白色区域内的像素和减去黑色区域的像素得到的值大小不同，从而区分人脸和非人脸；人脸检测模块（22）进行Adaboost分类器训练和人脸检测：Adaboost是一种多项式级的算法，级联分类器就是将多个强分类器连接在一起进行操作，而每个强分类器都由若干个弱分类器加权组成；第五步  安全帽检测模块（25）检测人员是否佩戴安全帽用于安全帽检测的正样本为包含安全帽的图片，包括不同拍摄方向；负样本包括除了正样本之外的任何图像，正样本和负样本尺寸大小统一；由于安全帽的检测在头部特定区域进行，因此采用的负样本图片是没有佩戴安全帽的头部图像；安全帽检测模块（25）首先进行HOG特征提取，得到HOG特征以后，再采用SVM分类器进行训练，最后采用多尺度目标检测方法进行目标检测；第六步  躯干检测模块（24）检测人员的躯干部分用于躯干检测的正样本为包含人员躯干的图片，包括不同人员、不同方向、不同着装；负样本图像包括除了正样本之外的任何图像，正负样本尺寸大小统一；躯干检测中采用的负样本图片是作业现场场景的背景图像以及监控图像中除去人员躯干部分的其他图像；躯干检测模块（24）首先进行HOG特征提取，得到HOG特征以后，再采用SVM分类器进行训练，最后采用多尺度目标检测方法进行目标检测；第七步  朝向检测模块（23）检测人员相对于摄像头的朝向在进行正面分类器训练时，用于朝向检测的正样本为包含人员正对摄像头的图片，包括人员目标、头部、躯干；负样本是不包括正样本的任何图像，正负样本尺寸大小统一；正面检测中采用的负样本图片是作业现场场景的背景图像以及监控图像中除去人员正面对摄像头的其他图像；在进行侧面分类器训练时，用于朝向检测的正样本为包含人员侧对摄像头的图片，包括人员目标、头部、躯干；负样本是不包括正样本的任何图像，正负样本尺寸大小统一；侧面检测中采用的负样本图片是作业现场场景的背景图像以及监控图像中除去人员侧面对摄像头的其他图像；在进行背面分类器训练时，用于朝向检测的正样本为包含人员背对摄像头的图片，包括人员目标、头部、躯干；负样本是不包括正样本的任何图像，正负样本尺寸大小统一；背面检测中采用的负样本图片是作业现场场景的背景图像以及监控图像中除去人员背面对摄像头的其他图像；朝向检测模块（23）首先进行HOG特征提取，得到HOG特征以后，再采用SVM分类器进行训练，最后采用多尺度目标检测方法进行目标检测；第八步  袖章检测模块（27）用于检测人员的袖章人员朝向为侧面时，袖章检测模块（27）进行袖章检测；用于袖章检测的正样本为包含袖章的图片，包括不同颜色、不同拍摄方向；负样本包括除了正样本之外的任何图像，袖章检测中采用的负样本图片为人员躯干部分除去袖章的其他图像；袖章文字的显著特征是纹理，袖章检测模块（27）采用LBP特征进行纹理分析；LBP是局部二值模式，原始的LBP算子定义为在3*3的窗口内，以窗口中心的像素值为阈值，分别与相邻的8个像素的像素值进行比较，当某个周围像素的像素值大于中心点像素值时，当前周围像素点的值被标记为1，否则为0；这样3*3领域内的8个点产生8bit的无符号数，即窗口的LBP值，反映了区域的纹理信息；3*3窗口产生8位二进制数为0111100，对应的十进制数为124，即该窗口的LBP值为124；本发明采用的LBP算子为LBP旋转不变模式；对一幅图像进行LBP算子处理，在每个像素点都得到一个LBP编码，但是这个编码特征跟位置信息是紧密相关的，不能直接用于判别分析；因此将一幅图片划分为若干个子区域，在每个子区域内建立LBP特征的统计直方图，然后对统计直方图进行归一化处理，最后将得到的每个子区域的统计直方图进行连接成为一个特征向量，即为整幅图的LBP纹理特征向量，用于进行分类识别；得到LBP特征之后，袖章检测模块（27）首先采用SVM分类器进行训练，然后采用多尺度目标检测方法进行目标检测；第九步  安全帽文字检测模块（26）检测进入人员的安全帽上的文字当判定人员朝向为正面或背面时，进行安全帽文字检测；用于安全帽文字检测的正样本为包含安全帽文字的图片，包括不同拍摄方向；负样本包括除了正样本之外的任何图像；安全帽文字检测中采用的负样本图片为不含文字的安全帽图片；安全帽文字的显著特征是纹理，安全帽文字检测模块（26）采用LBP特征进行纹理分析；得到LBP特征之后，安全帽文字检测模块（26）首先采用SVM分类器进行训练，然后采用多尺度目标检测方法进行目标检测；在服务器中完成人员检测、安全帽和袖章识别处理，得到的结果由人机交互平台指挥中心显示，工作人员通过指挥中心查看和控制整个监控系统。