[發明專利]一種油輪運維人員安全帽佩戴檢測方法

在審

• 申請號: 202010068037.3
• 申請日: 2020-01-21
• 公開（公告）號: CN111274969A
• 公開（公告）日: 2020-06-12
• 發明（設計）人: 蔡東升;李堅;馬志杰;馬進
• 申請（專利權）人: 上海禹創智能科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 溫利平

1.一種油輪運維人員安全帽佩戴檢測方法，其特征在于，包括以下步驟：

(1)、建立背景圖像幀樣本集

(1.1)、人工選取無人場景下的歷史背景幀，并轉換為灰度圖；

(1.2)、提取歷史背景幀中任意一個像素點的像素值及其鄰近像素點的像素值，建立該像素點的像素值樣本集合；

(1.3)、按照步驟(1.2)所述方法，建立歷史背景幀中其余像素點的像素值樣本集合，再將所有像素點的像素值樣本集合作為背景圖像幀樣本集；

(2)、圖像采集及預處理

采集待監測油輪的視頻，再從視頻的第一幀開始，依次將前K幀圖像壓縮到同一分辨率，然后將再轉化為灰度圖并進行濾波平滑處理，最后將預處理后的前K幀圖像作為訓練集；

(3)、動態目標檢測

(3.1)、像素點屬于前景或背景的檢測

讀取訓練集的第一幀圖像，提取第一幀圖像中任意一個像素點的像素值，再用該像素點的像素值與對應的像素值樣本集合進行比較，如果該像素點的像素值等于對應的像素值樣本集合中任意一個像素點的像素值，或二者的差值小于預設閾值，則判斷該像素點為背景像素點像素點，否則，判斷該像素點為前景像素點；

同理，判斷完該幀圖像中的所有像素點；

(3.2)、采取隨機更新策略更新背景像素點

設置背景像素點的隨機更新概率P；

采取隨機更新策略，將背景像素點的像素值以隨機更新概率P去替換該背景像素點對應的像素值樣本集合中任意一個像素點的像素值；

同理，采取隨機更新策略更新所有背景像素點；

(3.3)、前景像素點的計數統計及增強顯示

設置像素點的計數值t，初始化t＝0，如果某一像素點判斷為前景像素點，則計數值t增加1，否則，計數值t置為0；

將判斷為前景像素點的像素點的計數值t加1，并對前景像素點進行增強處理；

(3.4)、提取動態目標

將增強處理后的所有前景像素點組成的區域作為動態目標區域；

(3.5)、重復步驟(3.1)～(3.4)，依次處理訓練集中的下一幀圖像，然后統計每個像素點的計數值t，如果某個像素點的計數值t的達到k，即該像素點連續k次被檢測為前景像素點，則直接將該前景像素點轉換為背景像素點，直到完成訓練集中所有幀圖像的處理，從而提取出每幀圖像的動態目標；

(4)訓練深度卷積神經網絡模型

(4.1)、通過人工檢視的方式手動標定每幀圖像的動態目標，其中，將動態目標中佩戴安全帽的油輪運維人員標定為1，未佩戴安全帽的油輪運維人員標定為0；

(4.2)、將任意一幀標定后的圖像輸入至深度卷積神經網絡模型，然后根據手動標定結果調節深度卷積神經網絡模型的權值參數，使深度卷積神經網絡模型根據實際輸入圖像，輸出對應結果，即：如果油輪運維人員佩戴有安全帽，則輸出1，否則輸出0，那么深度卷積神經網絡模型根據實際輸入圖像中油輪運維人員個數，輸出由“0”、“1”組成的字符串；

(4.3)、重復步驟(4.2)，繼續利用下一幀標定后的圖像訓練深度卷積神經網絡模型，直到訓練集中的K幀圖像訓練完成或深度卷積神經網絡模型識別的準確率到λ％時，訓練結束，得到訓練好的深度卷積神經網絡模型；

(5)、利用訓練好的深度卷積神經網絡模型進行實時檢測

將第K+1幀圖像按照步驟(2)進行預處理后，再按照步驟(3)所述方法提取出動態目標，然后輸入至訓練好的深度卷積神經網絡模型，深度卷積神經網絡模型則直接輸出由“0”、“1”組成的字符串。