[發明專利]基于YOLO的視頻流安全帽識別方法、裝置、設備及存儲介質

有效

• 申請號: 202110360038.X
• 申請日: 2021-04-02
• 公開（公告）號: CN113297900B
• 公開（公告）日: 2022-08-30
• 發明（設計）人: 凌小寶;張健強;朱辰越;劉哲偉;肖子愷;聶釔合
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06V40/10
• 分類號: G06V40/10;G06V20/40;G06V10/25;G06V10/774;G06V10/82;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及基于YOLO的視頻流安全帽識別方法、裝置、設備及存儲介質，首先采用無人機在空中獲取工地工人施工的圖像信息，然后對圖像進行預處理，將輸入圖像尺寸調整為416×416，將圖像分割成S×S個網格，若物體中心落在某個網格上，則該網格負責檢測該物體。此外，對YOLO算法的網絡結構調整，在卷積層以及殘差的跳層之間增加了小目標檢測層。同時考慮到安全帽顏色為純色，在設計損失函數時，考慮最多顏色像素數目與預測框內所有像素之比。再者安全帽多為近似圓形，bounding box長寬比近似為1，在設計損失函數時考慮加上對不均衡長寬比的乘法項。本發明提高了安全帽的識別的效率和精確度。

技術領域

本發明涉及人工智能與計算機視覺識別技術領域，尤其涉及一種基于YOLO的視頻流安全帽識別方法、裝置、設備及存儲介質。

背景技術

隨著城市化建設的不斷發展，建筑業已成為推動城市化建設不可或缺的行業之一。但建筑工地發生的意外事故造成人員傷亡的案例越來越多，事故不僅給工薪家庭的生活帶來不便，同時也給國家和企業造成了重大損失。

近幾年，深度學習的發展讓很多計算機視覺任務落地成為可能，這些任務滲透到了各行各業，在航空航天、教育醫療、智能檢測等方面已經有了實踐運用。在工地檢測方面，包含的任務有安全帽佩戴檢測、高空墜物檢測、異常事故檢測等等。

目標檢測的難點在于待檢測區域的提取與識別，為了克服這些難點，對于目標檢測的探索和研究從未停止。當前，主流的安全帽檢測方法基本分為兩種：1)基于傳統目標檢測的方法，包括HOG檢測器、可變形部件模型(DPM)等方法；2)基于深度學習的方法，包括Faster R—CNN、YOLO算法、SSD(single shot multibox detector)等方法。傳統的目標檢測方法存在較多弊端，以HOG為例，很難處理遮擋問題，人體姿勢動作幅度過大或物體方向改變也不易檢測，也沒有選取主方向，也沒有旋轉梯度方向直方圖，因而本身不具有旋轉不變性。HOG本身不具有尺度不變性，其尺度不變性是通過縮放檢測窗口圖像的大小來實現的；此外，由于梯度的性質，HOG對噪點相當敏感。為了彌補這些缺陷，需要在傳統的目標檢測方法上做進一步改善和優化。

深度學習方法中的卷積神經網絡(convolution neural network,CNN)將人工神經網絡和卷積運算相結合，它可以識別各種各樣的目標模式并對一定程度的扭曲和變形有良好的魯棒性，同時它采用稀疏連接和權值共享，極大減少了傳統神經網絡的參數個數。YOLO算法雖然在目標檢測方面有著非常強的推理速度和準確度，但經過分析后發現在不同的應用場景，傳統的YOLO算法并不能快速準確的進行目標檢測，有待進一步改進。

發明內容

本發明的主要目的在于，解決傳統目標檢測方法檢測速度及精度不高的技術問題，本發明采取的技術方案是，本發明提供了一種基于YOLO的視頻流安全帽識別方法、裝置、設備及存儲介質，在目標檢測方面具有更高的效率和檢測精度。

為了實現上述目的，本發明提供了一種基于YOLO的視頻流安全帽識別方法，包括以下步驟：

S1、基于改進YOLO算法對Darknet網絡識別模型進行訓練，獲得訓練好的Darknet網絡識別模型；

S2、將預設尺寸的待識別視頻圖像逐幀輸入所述訓練好的Darknet網絡識別模型，將所述預設尺寸的待識別視頻圖像分成S×S個網格，若某網格中存在被檢測物體的中心，則該網格負責該被檢測物體；

S3、預測每個所述網格負責的被檢測物體屬于C個類別中具體某一類的后驗概率P_r(class_i|object)；

S4、對每個所述網格均預測B個目標邊框；

預測所述目標邊框含有目標的可能性大小，記為P_r(object)；