CN108921004A - 安全帽佩戴识别方法、电子设备、存储介质及*** - Google Patents
安全帽佩戴识别方法、电子设备、存储介质及*** Download PDFInfo
- Publication number
- CN108921004A CN108921004A CN201810392822.7A CN201810392822A CN108921004A CN 108921004 A CN108921004 A CN 108921004A CN 201810392822 A CN201810392822 A CN 201810392822A CN 108921004 A CN108921004 A CN 108921004A
- Authority
- CN
- China
- Prior art keywords
- safety cap
- image
- human
- region
- wears
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种安全帽佩戴识别方法,包括图像采集,对待测区域图像进行采集;采用混合高斯模型对所述待测区域图像进行前景检测处理并得到所述待测区域中前景区域的二值化图像,将所述二值化图像进行人体形态判别处理并得到人体几何形态模型;根据人体佩戴安全帽的位置关系在所述人体几何形态模型中的位置中安全帽佩戴区域,提取所述安全帽佩戴区域的像素特征;对所述安全帽佩戴区域的像素特征与预设安全帽特征进行判别,若满足预设安全帽特征,则判定为已佩戴安全帽,若不满足,则判定为未佩戴安全帽。本发明的安全帽佩戴识别方法通过自动识别施工人员是否佩戴安全帽,节省了监控费用,可以对施工现场区域内的施工人员进行全程监控。
Description
技术领域
本发明涉及安全防范领域,尤其涉及安全帽佩戴识别方法、电子设备、存储介质及***。
背景技术
随着我国经济的发展,各种基础建设以及城市建设的施工越来越多,在施工区安全作为第一的准则,各级监管部门以及施工单位也是将施工人员的安全放在首位,在施工区,安全帽作为一种最常见和实用的个人护用具,能够有效地防止和减轻外来危险源对头部的伤害。然而,长期以来,我国施工区作业人员普遍存在综合素质低、安全意识不强的问题,尤其缺乏基础防护设施(如安全帽)的佩戴意识,大大增加了作业风险。目前,施工现场对安全帽佩戴情况的识别主要以人工检查的方式为主,人工检查的方式存在监管费用高、主观干扰大、不能全程监控等问题。
发明内容
为了克服现有技术的不足,本发明的目的之一在于提供安全帽佩戴识别方法,其能解决人工检查的方式存在监管费用高、主观干扰大、不能全程监控的问题。
发明的目的之二在于提供一种电子设备,其能解决人工检查的方式存在监管费用高、主观干扰大、不能全程监控的问题。
发明的目的之三在于提供一种存储介质,其能解决人工检查的方式存在监管费用高、主观干扰大、不能全程监控的问题。
发明的目的之四在于提供安全毛佩戴识别***,其能解决人工检查的方式存在监管费用高、主观干扰大、不能全程监控的问题。
本发明的目的之一采用以下技术方案实现:
安全帽佩戴识别方法,包括:
图像采集,对待测区域图像进行采集;
确定人体几何形态,采用混合高斯模型对所述待测区域图像进行前景检测处理并得到所述待测区域中前景区域的二值化图像,将所述二值化图像进行人体形态判别处理并得到人体几何形态模型;
像素特征提取,根据人体佩戴安全帽的位置关系在所述人体几何形态模型中的位置中安全帽佩戴区域,提取所述安全帽佩戴区域的像素特征;
安全帽佩戴识别,对所述安全帽佩戴区域的像素特征与预设安全帽特征进行判别,若满足预设安全帽特征,则判定为已佩戴安全帽,若不满足,则判定为未佩戴安全帽。
进一步地,所述确定人体几何形态之前还包括图像预处理,对所述待测区域图像进行图像灰度化处理以及图像去噪处理。
进一步地,所述确定人体几何形态具体包括:
图像前景检测,将所述待测区域图像中的每个像素点与高斯模型匹配并得到背景点,根据所述背景点得到关于所述待测区域中前景区域的二值化图像;
人体形态判别;将所述二值化图像依次进行图形膨胀处理、边缘检测处理以及人体识别处理,得到人体几何形态模型。
进一步地,所述人体形态判别之前还包括采用中值滤波的方法剔除所述二值化图像中的噪音。
进一步地,所述边缘检测处理具体包括采用Canny边缘检测算法对所述二值化图像中的人体区域进行边缘检测。
本发明的目的之二采用以下技术方案实现:
一种电子设备,包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行本发明的安全帽佩戴识别方法。
本发明的目的之三采用以下技术方案实现:
一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行本发明的安全帽佩戴识别方法。
本发明的目的之四采用以下技术方案实现:
安全帽佩戴识别***,其特征在于包括:
采集模块,所述采集模块用于对待测区域图像进行采集;
人体几何形态确定模块,所述人体几何形体确定模块用于采用混合高斯模型对所述待测区域图像进行前景检测处理并得到所述待测区域中前景区域的二值化图像,将所述二值化图像进行人体形态判别处理并得到人体几何形态模型;
像素特征提取模块,所述像素特征提取模块用于根据人体佩戴安全帽的位置关系在所述人体几何形态模型中的位置中安全帽佩戴区域,提取所述安全帽佩戴区域的像素特征;
安全帽佩戴识别模块,所述安全帽佩戴识别模块用于对所述安全帽佩戴区域的像素特征与预设安全帽特征进行判别,若满足预设安全帽特征,则判定为已佩戴安全帽,若不满足,则判定为未佩戴安全帽。
进一步地,还包括图像预处理模块,所述图像预处理模块用于对所述待测区域图像进行图像灰度化处理以及图像去噪处理。
进一步地,所述人体几何形态确定模块包括图像前景检测单元以及人体形态判别单元,所述图像前景检测单元用于将所述待测区域图像中的每个像素点与高斯模型匹配并得到背景点,根据所述背景点得到关于所述待测区域中前景区域的二值化图像;所述人体形态判别单元用于将所述二值化图像依次进行图形膨胀处理、边缘检测处理以及人体识别处理,得到人体几何形态模型。
相比现有技术,本发明的有益效果在于:本发明的安全帽佩戴识别方法,通过对待测区域图像进行采集,采用混合高斯模型对待测区域图像进行前景检测处理并得到待测区域中前景区域的二值化图像,将二值化图像进行人体形态判别处理并得到人体几何形态模型,根据人体佩戴安全帽的位置关系在人体几何形态模型中的位置中安全帽佩戴区域,提取安全帽佩戴区域的像素特征;对安全帽佩戴区域的像素特征与预设安全帽特征进行判别,若满足预设安全帽特征,则判定为已佩戴安全帽,若不满足,则判定为未佩戴安全帽;此种采用采集待测区域图像进行采集并通过提取出人体几何形态以及确定安全帽佩戴区域,再确定安全帽佩戴区域是否满足预设安全帽特征,从而可以自动识别出在待测区域中的施工人员是否佩戴安全帽,不再需要人工进行检查,且本申请中的这种自动识别适应的施工环境多种多样,具有高度的环境适应性,节省了监控费用,可以对施工现场区域内的施工人员进行全程监控,避免了漏检所造成的安全隐患,提高了施工人员自身的安全性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的安全帽佩戴识别方法的流程图;
图2为本发明的安全帽佩戴识别***的***框图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
本申请中的安全帽佩戴识别方法应用于各种需要施工人员佩戴安全帽的施工现场,如图1所示,本申请的安全帽佩戴识别方法包括以下步骤:
设定需要检测的施工区域,用来提高图像处理速度,此处设定好的需要检测的施工区域即为待测区域;
对待检测区域进行图像进行采集,采用现有的视频监控设备对待检测区域的图像进行图像采集得到待测区域图像;
对待测区域图像进行图像预处理,对施工区采集到的图像普遍为彩色图像信息,为提高图像处理速度,需对待测区域图像进行图像预处理,图像预处理包括对待测区域图像进行图像灰度化处理以及图像去噪处理,具体为:采用加权平均法对待测区域图像先进行灰度化处理,将R,G,B三个分量以不同的权值进行加权平均,具体加权平均公式如公式(1)所示:
f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j) (1)
在公式(1)中:f(i,j)为灰度化结果;R(i,j)为红色通道颜色变量,G(i,j)为绿色通道颜色变量,B(i,j)为蓝色通道颜色变量。
对待测区域图像进行图像去噪处理,采用中值滤波的方式去除待测区域图像中的噪声点;中值滤波法是一种非线性平滑技术,将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。中值滤波法用二维滑动模板,将板内像素值按大小排序,生成单调上升(或下降)的二维数据序列。
确定人体几何形态,包括图像前景检测和人体形态判别,图像前景检测具体包括:采用混合高斯模型对待测区域图像进行前景检测处理并得到待测区域中前景区域的二值化图像,使用6个高斯模型来表征待测区域图像中各个像素点的特征,在新一帧图像获得后更新混合高斯模型,用当前图像中的每个像素点与混合高斯模型匹配,如果匹配成功,则判定该点为背景点,否则为前景点,从而得到背景点,根据背景点得到关于待测区域中前景区域的二值化图像,对前景区域中的二值化图像采用中值滤波的方法进行噪声点剔除处理。人体形态识别具体为:将二值化图像进行图形膨胀处理,图像膨胀处理即用结构元素在二值化图像上移动,只要结构元素中有一个点与图像中的点是重叠的即可,对进行图像膨胀处理后的二值化图像进行边缘检测处理,边缘检测的目的是勾勒出人体的边缘形态,采用Canny边缘检测算法对二值化图像中的人体区域进行边缘检测,具体包括:利用方差为1.4的高斯函数模板及图像进行卷积运算,进而平滑图像,去除图像噪声点,计算梯度的幅值和方向时,并对梯度的复制应用非极大值抑制,为使Canny算子提取的边缘点更具鲁棒性,采用双阈值算法检测并连接边缘,假设高、低阈值分别为Hth和Lth,选取高阈值Hth时,采用图像梯度值对应的直方图来进行。设非边缘点数目占总图像像素点数目的比例为Hratio,根据图像梯度值对应的直方图进行累加,当累加数目达到总像素数目的Hratio时,将对应的图像梯度值计为Hth。低阈值Lth则通过Lth=Hratio﹡Hth计算得到。最后通过对边缘点的标记和领域关系进行连接,得到边缘检测图,再采用模型构建的方法将二值化图像中的人体运动特征进行具体化的拟合从而建立并得到相对应的人体几何形态模型,
像素特征提取,根据人体佩戴安全帽的位置关系在人体几何形态模型中的位置中安全帽佩戴区域,提取安全帽佩戴区域的像素特征。具体为:以人体边缘***构建边界矩形,要求边界矩形包含所有人体边缘,以边界矩形上边缘作为估测矩形的上边缘,边界矩形上边缘与下边缘间1/10靠近上边缘位置作为估测矩形下边缘,边界矩形左边缘与右边缘间1/4靠近左边缘位置作为估测矩形左边缘,边界矩形左边缘与右边缘间3/4靠近右边缘位置作为估测矩形右边缘,形成安全帽估测矩形,即安全帽佩戴区域;提取安全帽佩戴区域内的像素特征。
安全帽佩戴识别,对安全帽佩戴区域的像素特征与预设安全帽特征进行判别,若满足预设安全帽特征,则判定为已佩戴安全帽,若不满足,则判定为未佩戴安全帽;具体为:获取安全帽佩戴区域位置的像素特征的原彩色图像的三通道像素点值(即R,G,B值),分类目前通常采用的安全帽的颜色种类,常用的包括红、黄、白三种颜色,根据不同色彩的安全帽建立阈值选取范围即为预设的安全帽特征,各颜色安全帽阈值对照表如表1所示:
表1安全帽颜色阈值对照表
红色安全帽 | 黄色安全帽 | 白色安全帽 | |
R | [160,200] | [205,255] | [205,255] |
G | [15,75] | [160,220] | [205,255] |
B | [0,50] | [0,50] | [205,255] |
逐点统计安全帽估测区域的像素点,若像素点的R,G,B值均满足安全帽颜色阈值对照表中的某种安全帽颜色阈值范围,则将该点记录下来,对所有统计点进行分类,判断各种安全帽颜色点的数量占整个统计区域像素点数量的比例,若超过某一比例则判定其佩戴相应颜色的安全帽,若均满足要求,则判定其未佩戴安全帽,若未满足要求则判定施工人员佩戴安全帽。
本发明的第二实施例提供了一种电子设备,包括:处理器;
存储器;以及程序,其中程序被存储在存储器中,并且被配置成由处理器执行,程序包括用于执行本发明安全帽佩戴识别方法。
本发明第三实施例提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行本发明安全帽佩戴识别方法。
本发明还提供了安全帽佩戴识别***,如图2所示,安全帽佩戴识别***包括:采集模块,采集模块用于对待测区域图像进行采集;人体几何形态确定模块,人体几何形体确定模块用于采用混合高斯模型对待测区域图像进行前景检测处理并得到待测区域中前景区域的二值化图像,将二值化图像进行人体形态判别处理并得到人体几何形态模型;像素特征提取模块,像素特征提取模块用于根据人体佩戴安全帽的位置关系在人体几何形态模型中的位置中安全帽佩戴区域,提取安全帽佩戴区域的像素特征;
安全帽佩戴识别模块,安全帽佩戴识别模块用于对安全帽佩戴区域的像素特征与预设安全帽特征进行判别,若满足预设安全帽特征,则判定为已佩戴安全帽,若不满足,则判定为未佩戴安全帽。
优选的,还包括图像预处理模块,图像预处理模块用于对待测区域图像进行图像灰度化处理以及图像去噪处理。人体几何形态确定模块包括图像前景检测单元以及人体形态判别单元,图像前景检测单元用于将待测区域图像中的每个像素点与高斯模型匹配并得到背景点,根据背景点得到关于待测区域中前景区域的二值化图像;人体形态判别单元用于将二值化图像依次进行图形膨胀处理、边缘检测处理以及人体识别处理,得到人体几何形态模型。
本发明的安全帽佩戴识别方法,通过对待测区域图像进行采集,采用混合高斯模型对待测区域图像进行前景检测处理并得到待测区域中前景区域的二值化图像,将二值化图像进行人体形态判别处理并得到人体几何形态模型,根据人体佩戴安全帽的位置关系在人体几何形态模型中的位置中安全帽佩戴区域,提取安全帽佩戴区域的像素特征;对安全帽佩戴区域的像素特征与预设安全帽特征进行判别,若满足预设安全帽特征,则判定为已佩戴安全帽,若不满足,则判定为未佩戴安全帽;此种采用采集待测区域图像进行采集并通过提取出人体几何形态以及确定安全帽佩戴区域,再确定安全帽佩戴区域是否满足预设安全帽特征,从而可以自动识别出在待测区域中的施工人员是否佩戴安全帽,不再需要人工进行检查,且本申请中的这种自动识别适应的施工环境多种多样,具有高度的环境适应性,节省了监控费用,可以对施工现场区域内的施工人员进行全程监控,避免了漏检所造成的安全隐患,提高了施工人员自身的安全性。该方法采用混合高斯模型进行前景检测,通过对连通区域人体边缘的检测处理,实现对作业人员的自动判别和跟踪,最后对估测矩形内的像素进行统计分析,实现安全帽的自动识别检测,该方法具备较高的环境适应性和检测准确率,可以实现对施工区作业人员安全帽佩戴情况的自动识别检测,可辅助各级施工区***单位进行施工区智能化监管,提高施工区***信息化水平。
以上,仅为本发明的较佳实施例而已,并非对本发明作任何形式上的限制;凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明;但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内,利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化,均为本发明的等效实施例;同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等,均仍属于本发明的技术方案的保护范围之内。
Claims (10)
1.安全帽佩戴识别方法,其特征在于包括:
图像采集,对待测区域图像进行采集;
确定人体几何形态,采用混合高斯模型对所述待测区域图像进行前景检测处理并得到所述待测区域中前景区域的二值化图像,将所述二值化图像进行人体形态判别处理并得到人体几何形态模型;
像素特征提取,根据人体佩戴安全帽的位置关系在所述人体几何形态模型中的位置中安全帽佩戴区域,提取所述安全帽佩戴区域的像素特征;
安全帽佩戴识别,对所述安全帽佩戴区域的像素特征与预设安全帽特征进行判别,若满足预设安全帽特征,则判定为已佩戴安全帽,若不满足,则判定为未佩戴安全帽。
2.如权利要求1所述的安全帽佩戴识别方法,其特征在于:所述确定人体几何形态之前还包括图像预处理,对所述待测区域图像进行图像灰度化处理以及图像去噪处理。
3.如权利要求1所述的安全帽佩戴识别方法,其特征在于:所述确定人体几何形态具体包括:
图像前景检测,将所述待测区域图像中的每个像素点与高斯模型匹配并得到背景点,根据所述背景点得到关于所述待测区域中前景区域的二值化图像;
人体形态判别;将所述二值化图像依次进行图形膨胀处理、边缘检测处理以及人体识别处理,得到人体几何形态模型。
4.如权利要求3所述的安全帽佩戴识别方法,其特征在于:所述人体形态判别之前还包括采用中值滤波的方法剔除所述二值化图像中的噪音。
5.如权利要求3所述的安全帽佩戴识别方法,其特征在于:所述边缘检测处理具体包括采用Canny边缘检测算法对所述二值化图像中的人体区域进行边缘检测。
6.一种电子设备,其特征在于包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行权利要求1-5任意一项所述的方法。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行如权利要求1-5任意一项所述的方法。
8.安全帽佩戴识别***,其特征在于包括:
采集模块,所述采集模块用于对待测区域图像进行采集;
人体几何形态确定模块,所述人体几何形体确定模块用于采用混合高斯模型对所述待测区域图像进行前景检测处理并得到所述待测区域中前景区域的二值化图像,将所述二值化图像进行人体形态判别处理并得到人体几何形态模型;
像素特征提取模块,所述像素特征提取模块用于根据人体佩戴安全帽的位置关系在所述人体几何形态模型中的位置中安全帽佩戴区域,提取所述安全帽佩戴区域的像素特征;
安全帽佩戴识别模块,所述安全帽佩戴识别模块用于对所述安全帽佩戴区域的像素特征与预设安全帽特征进行判别,若满足预设安全帽特征,则判定为已佩戴安全帽,若不满足,则判定为未佩戴安全帽。
9.如权利要求8所述的安全帽佩戴识别***,其特征在于:还包括图像预处理模块,所述图像预处理模块用于对所述待测区域图像进行图像灰度化处理以及图像去噪处理。
10.如权利要求8所述的安全帽佩戴识别***,其特征在于:所述人体几何形态确定模块包括图像前景检测单元以及人体形态判别单元,所述图像前景检测单元用于将所述待测区域图像中的每个像素点与高斯模型匹配并得到背景点,根据所述背景点得到关于所述待测区域中前景区域的二值化图像;所述人体形态判别单元用于将所述二值化图像依次进行图形膨胀处理、边缘检测处理以及人体识别处理,得到人体几何形态模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810392822.7A CN108921004A (zh) | 2018-04-27 | 2018-04-27 | 安全帽佩戴识别方法、电子设备、存储介质及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810392822.7A CN108921004A (zh) | 2018-04-27 | 2018-04-27 | 安全帽佩戴识别方法、电子设备、存储介质及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108921004A true CN108921004A (zh) | 2018-11-30 |
Family
ID=64403890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810392822.7A Withdrawn CN108921004A (zh) | 2018-04-27 | 2018-04-27 | 安全帽佩戴识别方法、电子设备、存储介质及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921004A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670441A (zh) * | 2018-12-14 | 2019-04-23 | 广东亿迅科技有限公司 | 一种实现安全帽穿戴识别的方法、***、终端以及计算机可读存储介质 |
CN109858367A (zh) * | 2018-12-29 | 2019-06-07 | 华中科技大学 | 工人通过支撑不安全行为的视觉自动化检测方法及*** |
CN109854923A (zh) * | 2018-12-07 | 2019-06-07 | 国网河南省电力公司检修公司 | 一种头戴式远距离表计识别仪 |
CN110414342A (zh) * | 2019-06-24 | 2019-11-05 | 台州宏达电力建设有限公司 | 一种基于视频图像处理技术的运动人体检测识别方法 |
CN111079731A (zh) * | 2019-12-03 | 2020-04-28 | 中冶赛迪重庆信息技术有限公司 | 基于安全帽识别监控***的配置***、方法、设备及介质 |
CN112329554A (zh) * | 2020-10-19 | 2021-02-05 | 通辽发电总厂有限责任公司 | 低分辨率图像安全帽识别方法和装置 |
CN113593178A (zh) * | 2021-08-03 | 2021-11-02 | 安徽迪曙智能科技有限公司 | 一种具有施工动态监测功能的可视化现场监控方法 |
CN113743224A (zh) * | 2021-08-04 | 2021-12-03 | 国网福建省电力有限公司信息通信分公司 | 基于边缘计算的登高作业人员安全带佩戴监控方法及*** |
CN113971829A (zh) * | 2021-10-28 | 2022-01-25 | 广东律诚工程咨询有限公司 | 安全帽佩戴情况的智能检测方法、装置、设备及存储介质 |
-
2018
- 2018-04-27 CN CN201810392822.7A patent/CN108921004A/zh not_active Withdrawn
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109854923A (zh) * | 2018-12-07 | 2019-06-07 | 国网河南省电力公司检修公司 | 一种头戴式远距离表计识别仪 |
CN109670441A (zh) * | 2018-12-14 | 2019-04-23 | 广东亿迅科技有限公司 | 一种实现安全帽穿戴识别的方法、***、终端以及计算机可读存储介质 |
CN109670441B (zh) * | 2018-12-14 | 2024-02-06 | 广东亿迅科技有限公司 | 一种实现安全帽穿戴识别的方法、***、终端以及计算机可读存储介质 |
CN109858367A (zh) * | 2018-12-29 | 2019-06-07 | 华中科技大学 | 工人通过支撑不安全行为的视觉自动化检测方法及*** |
CN110414342A (zh) * | 2019-06-24 | 2019-11-05 | 台州宏达电力建设有限公司 | 一种基于视频图像处理技术的运动人体检测识别方法 |
CN111079731A (zh) * | 2019-12-03 | 2020-04-28 | 中冶赛迪重庆信息技术有限公司 | 基于安全帽识别监控***的配置***、方法、设备及介质 |
CN112329554A (zh) * | 2020-10-19 | 2021-02-05 | 通辽发电总厂有限责任公司 | 低分辨率图像安全帽识别方法和装置 |
CN112329554B (zh) * | 2020-10-19 | 2024-06-18 | 通辽第二发电有限责任公司 | 低分辨率图像安全帽识别方法和装置 |
CN113593178A (zh) * | 2021-08-03 | 2021-11-02 | 安徽迪曙智能科技有限公司 | 一种具有施工动态监测功能的可视化现场监控方法 |
CN113743224A (zh) * | 2021-08-04 | 2021-12-03 | 国网福建省电力有限公司信息通信分公司 | 基于边缘计算的登高作业人员安全带佩戴监控方法及*** |
CN113743224B (zh) * | 2021-08-04 | 2023-05-23 | 国网福建省电力有限公司信息通信分公司 | 基于边缘计算的登高作业人员安全带佩戴监控方法及*** |
CN113971829A (zh) * | 2021-10-28 | 2022-01-25 | 广东律诚工程咨询有限公司 | 安全帽佩戴情况的智能检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921004A (zh) | 安全帽佩戴识别方法、电子设备、存储介质及*** | |
CN103034852B (zh) | 静止摄像机场景下特定颜色行人的检测方法 | |
CN110097034B (zh) | 一种智能人脸健康程度的识别与评估方法 | |
CN104036278B (zh) | 人脸算法标准脸部图像的提取方法 | |
CN101359365B (zh) | 一种基于最大类间方差和灰度信息的虹膜定位方法 | |
CN109087286A (zh) | 一种基于计算机图像处理和模式识别的检测方法及应用 | |
CN107341790B (zh) | 一种环境洁净度检测的图像处理方法 | |
Sobottka et al. | Looking for faces and facial features in color images | |
CN113592861A (zh) | 一种基于动态阈值的桥梁裂缝检测方法 | |
CN101339603A (zh) | 一种从视频流中选取到了质量合格的虹膜图像的方法 | |
CN110348461A (zh) | 一种工件表面缺陷特征提取方法 | |
Duan et al. | A WBC segmentation methord based on HSI color space | |
CN109543518A (zh) | 一种基于积分投影的人脸器官精确识别方法 | |
CN111553214B (zh) | 一种驾驶员吸烟行为检测方法及*** | |
CN113935666B (zh) | 基于图像处理的建筑装饰墙面砖异常评估方法 | |
CN106203338B (zh) | 基于网格区域分割和阈值自适应的人眼状态快速识别方法 | |
CN109255326A (zh) | 一种基于多维信息特征融合的交通场景烟雾智能检测方法 | |
CN110473199A (zh) | 一种基于深度学习实例分割的色斑痤疮检测与健康评价方法 | |
CN108335294A (zh) | 复杂条件下的配电房异常状态图像识别方法 | |
CN108108740B (zh) | 一种主动毫米波人体图像性别识别方法 | |
CN114549441A (zh) | 基于图像处理的吸管缺陷检测方法 | |
CN103049788A (zh) | 基于计算机视觉的待过行人数目的检测***及方法 | |
CN104715459B (zh) | 血管图像增强方法 | |
CN113221881A (zh) | 一种多层级的智能手机屏幕缺陷检测方法 | |
Biyani et al. | A clustering approach for exudates detection in screening of diabetic retinopathy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20181130 |
|
WW01 | Invention patent application withdrawn after publication |