[發(fā)明專利]一種動(dòng)態(tài)背景中的安全帽檢測(cè)方法與系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 201810913181.5
• 申請(qǐng)日: 2018-08-07
• 公開（公告）號(hào): CN109255298A
• 公開（公告）日: 2019-01-22
• 發(fā)明（設(shè)計(jì)）人: 胡平;裴嘉震;徐曾春
• 申請(qǐng)（專利權(quán)）人: 南京工業(yè)大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明設(shè)計(jì)了一種動(dòng)態(tài)背景中的安全帽檢測(cè)方法與系統(tǒng)。涉及目標(biāo)檢測(cè)與跟蹤領(lǐng)域，該方法通過對(duì)工人與安全帽數(shù)據(jù)集進(jìn)行標(biāo)注與訓(xùn)練，利用卷積神經(jīng)網(wǎng)絡(luò)的特性，將卷積層中搜集的特征錄入到分類器中展開訓(xùn)練，同時(shí)在網(wǎng)絡(luò)最后加一個(gè)分類層，使這些特征進(jìn)入分類器進(jìn)行分類。利用聚類的方法得到anchor boxes，并對(duì)每個(gè)預(yù)測(cè)框預(yù)測(cè)四個(gè)坐標(biāo)值。根據(jù)這四個(gè)坐標(biāo)值對(duì)圖片中的目標(biāo)畫出預(yù)測(cè)框。根據(jù)預(yù)測(cè)得到的預(yù)測(cè)框坐標(biāo)與類別，進(jìn)行是否頭戴安全帽的判別與工人的跟蹤。本發(fā)明能夠?qū)さ刂泄ぷ魅藛T是否頭戴安全帽精確地識(shí)別，采用卷積神經(jīng)網(wǎng)絡(luò)的方法來提取特征，可以更好地提升傳統(tǒng)方法的識(shí)別效率與精度，同時(shí)能夠較好地客服背景多變情況下的檢測(cè)難度大的缺點(diǎn)。

技術(shù)領(lǐng)域

本發(fā)明涉及目標(biāo)檢測(cè)與跟蹤領(lǐng)域，具體設(shè)計(jì)了一種動(dòng)態(tài)背景中的安全帽檢測(cè)方法與系統(tǒng)。

背景技術(shù)

隨著信息技術(shù)的發(fā)展，目標(biāo)檢測(cè)與跟蹤，已逐漸滲透到人們生活的方方面面，其重要性日益突出，吸引了越來越多的海內(nèi)外學(xué)者及研究機(jī)構(gòu)參與到此領(lǐng)域的研究。目前，目標(biāo)檢測(cè)與跟蹤已廣泛應(yīng)用于視頻監(jiān)控、虛擬現(xiàn)實(shí)、人機(jī)交互、行星探測(cè)、行為理解等領(lǐng)域，實(shí)現(xiàn)了公共安全監(jiān)控與管理，意外事件防范、檢測(cè)及處理，應(yīng)急推演，老幼病殘監(jiān)護(hù)以及自主導(dǎo)航等功能。

目標(biāo)檢測(cè)(objection detection)是機(jī)器視覺中最常見的問題。是一種基于目標(biāo)幾何和統(tǒng)計(jì)特征的圖像分割，它將目標(biāo)的分割和識(shí)別合二為一，其準(zhǔn)確性和實(shí)時(shí)性是整個(gè)系統(tǒng)的一項(xiàng)重要能力，近年來，目標(biāo)檢測(cè)在人工智能，人臉識(shí)別，無人駕駛等領(lǐng)域都得到了廣泛的應(yīng)用。然而，在目標(biāo)檢測(cè)的過程中會(huì)受到各種各樣干擾，比如角度、遮擋、光線強(qiáng)度等因素，這些因素會(huì)導(dǎo)致目標(biāo)發(fā)生畸變，為目標(biāo)檢測(cè)增加了新的挑戰(zhàn)。

近年來，卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)被廣泛應(yīng)用于物體檢測(cè)與圖像分類。網(wǎng)絡(luò)通過訓(xùn)練該結(jié)構(gòu)中的數(shù)百萬個(gè)參數(shù)來自動(dòng)學(xué)習(xí)特征。

發(fā)明內(nèi)容

本發(fā)明設(shè)計(jì)一種動(dòng)態(tài)背景中的安全帽檢測(cè)方法與系統(tǒng)。用于解決各種需要戴安全帽的場(chǎng)所的安全帽檢測(cè)識(shí)別的問題，為了達(dá)到該目的，該方法通過對(duì)人與安全帽數(shù)據(jù)集進(jìn)行標(biāo)注與訓(xùn)練，利用卷積神經(jīng)網(wǎng)絡(luò)的特性，將卷積層中搜集的特征錄入到分類器中展開訓(xùn)練。利用聚類的方法得到anchor boxes，并對(duì)每個(gè)預(yù)測(cè)框預(yù)測(cè)四個(gè)坐標(biāo)值(t_x，t_y，t_w，t_h)。根據(jù)這四個(gè)坐標(biāo)值對(duì)圖片中的目標(biāo)畫出預(yù)測(cè)框。

本發(fā)明所述的方法首先將圖像分為多個(gè)網(wǎng)格，并為每個(gè)網(wǎng)格預(yù)測(cè)感興趣對(duì)象的邊界框，然后通過邏輯回歸預(yù)測(cè)一個(gè)物體的得分，如果預(yù)測(cè)的這個(gè)邊界框與真實(shí)圖片中的物體的邊界框大部分重合，并且比其他的所有預(yù)測(cè)的要好，這個(gè)邊界框?qū)⒈Ａ簦绻麤]有這個(gè)邊界框的準(zhǔn)確值沒有達(dá)到閾值0.5，那么這個(gè)預(yù)測(cè)框就會(huì)被忽略。每個(gè)框使用多標(biāo)簽分類來預(yù)測(cè)邊界框可能包含的類。在訓(xùn)練過程中，使用二元交叉熵?fù)p失來進(jìn)行類別預(yù)測(cè)。對(duì)圖片中的工人與安全帽進(jìn)行預(yù)測(cè)后，我們進(jìn)行工人是否頭戴安全帽的判斷，根據(jù)安全帽預(yù)測(cè)框的坐標(biāo)與工人預(yù)測(cè)框的坐標(biāo)，如果安全帽在工人的一定范圍內(nèi)(我們所指定的范圍)，可以認(rèn)為該工人頭戴安全帽。

區(qū)別于現(xiàn)有的處理方法，本發(fā)明的有益效果是：目前已有的安全帽識(shí)別方法一般都是基于顏色或形狀特征，也有基于分類器的安全帽識(shí)別方法，此類方法效率一般都較為低，并且比較復(fù)雜。本發(fā)明在滿足效率與準(zhǔn)確率的前提下，極大地簡(jiǎn)化了傳統(tǒng)方法的復(fù)雜度與難度，采用深度卷積神經(jīng)網(wǎng)絡(luò)的方法自動(dòng)提取人體與安全帽有效區(qū)分特征，將特征提取，特征分類等步驟融合。使目標(biāo)檢測(cè)與識(shí)別的效率與精度又大大地提升。同時(shí)能夠較好地客服背景多變情況下的檢測(cè)難度大的缺點(diǎn)。

附圖說明

圖1是本發(fā)明所述的一種動(dòng)態(tài)背景中的安全帽檢測(cè)方法與系統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)框架，圖2是本發(fā)明所述的一種動(dòng)態(tài)背景中的安全帽檢測(cè)方法與系統(tǒng)的的流程圖。

具體實(shí)施方式

請(qǐng)參閱圖2所示：