CN108921159A - 用于检测安全帽的佩戴情况的方法和装置 - Google Patents

用于检测安全帽的佩戴情况的方法和装置 Download PDF

Info

Publication number
CN108921159A
CN108921159A CN201810836779.9A CN201810836779A CN108921159A CN 108921159 A CN108921159 A CN 108921159A CN 201810836779 A CN201810836779 A CN 201810836779A CN 108921159 A CN108921159 A CN 108921159A
Authority
CN
China
Prior art keywords
detected
safety cap
video frame
construction personnel
location information
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.)
Granted
Application number
CN201810836779.9A
Other languages
English (en)
Other versions
CN108921159B (zh
Inventor
孟泉
周淼
王蔚
范竣翔
陈科第
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN201810836779.9A priority Critical patent/CN108921159B/zh
Publication of CN108921159A publication Critical patent/CN108921159A/zh
Application granted granted Critical
Publication of CN108921159B publication Critical patent/CN108921159B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference 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
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了用于检测安全帽的佩戴情况的方法和装置。该方法的一具体实施方式包括：获取对施工现场进行拍摄所得到的视频；从视频中选取视频帧，作为第一待检测视频帧，其中，第一待检测视频帧中存在待检测施工人员和待检测安全帽；将第一待检测视频帧输入至预先训练的目标检测模型，得到第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息，其中，目标检测模型用于检测施工人员和安全帽的位置信息；基于第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息，生成待检测安全帽的佩戴情况。该实施方式提高了对安全帽的佩戴情况的检测准确度。

Description

用于检测安全帽的佩戴情况的方法和装置
技术领域
本申请实施例涉及图像识别技术领域，具体涉及用于检测安全帽的佩戴情况的方法和装置。
背景技术
在建筑工地或维修基地等施工现场，高空坠物现象时有发生。若施工人员直接受到高空坠物的冲击，会造成人员伤亡。安全帽作为一种个人头部防护用具，能够有效缓冲高空坠物对施工人员的头部的冲击力，以消除或减轻冲击力直接对施工人员的头部的撞击伤害程度，在一定程度上保障施工人员的人身安全。因此，当施工人员进入施工现场时，通常会要求施工人员佩戴安全帽。然而，部分施工人员由于安全防范意识较低，并未按照要求佩戴安全帽。为了消除安全隐患，对安全帽的佩戴情况进行实时的监控就变得至关重要。
传统的安全帽的佩戴情况的检测方式主要包括以下两种：其一、安全员对施工现场的施工人员进行抽检来确定安全帽的佩戴情况；其二、对施工现场进行拍摄得到视频，对视频帧中的施工人员的头部区域的颜色进行分析，以确定施工人员是否佩戴安全帽。
发明内容
本申请实施例提出了用于检测安全帽的佩戴情况的方法和装置。
第一方面，本申请实施例提供了一种用于检测安全帽的佩戴情况的方法，包括：获取对施工现场进行拍摄所得到的视频；从视频中选取视频帧，作为第一待检测视频帧，其中，第一待检测视频帧中存在待检测施工人员和待检测安全帽；将第一待检测视频帧输入至预先训练的目标检测模型，得到第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息，其中，目标检测模型用于检测施工人员和安全帽的位置信息；基于第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息，生成待检测安全帽的佩戴情况。
在一些实施例中，目标检测模型包括深度神经网络和卷积层集合；以及将第一待检测视频帧输入至预先训练的目标检测模型，得到第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息，包括：将第一待检测视频帧输入至深度神经网络，得到第一待检测视频帧对应的第一特征图；将第一待检测视频帧对应的第一特征图输入至卷积层集合，得到从卷积层集合中的卷积层输出的第二特征图，生成第二特征图集合；基于第一特征图和第二特征图集合，生成第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息。
在一些实施例中，基于第一特征图和第二特征图集合，生成第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息，包括：利用卷积核对第一特征图和第二特征图集合中的第二特征图进行卷积，基于卷积结果生成第一特征图对应的待检测施工人员和待检测安全帽的位置信息，以及第二特征图集合中的第二特征图对应的待检测施工人员和待检测安全帽的位置信息；对第一特征图对应的待检测施工人员和待检测安全帽的位置信息，以及第二特征图集合中的第二特征图对应的待检测施工人员和待检测安全帽的位置信息进行合并，生成第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息。
在一些实施例中，目标检测模型通过如下步骤训练得到：获取训练样本集合，其中，训练样本包括样本图像和样本图像中的样本施工人员和样本安全帽的位置信息；将训练样本集合中的训练样本中的样本图像作为输入，将输入的样本图像中的样本施工人员和样本安全帽的位置信息作为输出，训练得到目标检测模型。
在一些实施例中，基于第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息，生成待检测安全帽的佩戴情况，包括：确定第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息是否满足预设条件；响应于确定满足预设条件，生成待检测安全帽的佩戴情况，其中，待检测安全帽的佩戴情况指示待检测施工人员佩戴待检测安全帽。
在一些实施例中，基于第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息，生成待检测安全帽的佩戴情况，还包括：响应于确定不满足预设条件，从视频中选取与第一待检测视频帧相关联的视频帧，生成第二待检测视频帧集合，其中，第二待检测视频帧中存在待检测施工人员和待检测安全帽；对于第二待检测视频帧集合中的第二待检测视频帧，将该第二待检测视频帧输入至目标检测模型，得到该第二待检测视频帧中的待检测施工人员和待检测安全帽的位置信息；确定该第二待检测视频帧中的待检测施工人员和待检测安全帽的位置信息是否满足预设条件；统计不满足预设条件的第二待检测视频帧的比例；基于统计结果，生成待检测安全帽的佩戴情况。
在一些实施例中，基于统计结果，生成待检测安全帽的佩戴情况，包括：将不满足预设条件的第二待检测视频帧的比例与预设比例进行比较；若不满足预设条件的第二待检测视频帧的比例不小于预设比例，则待检测安全帽的佩戴情况指示待检测施工人员未佩戴待检测安全帽；若不满足预设条件的第二待检测视频帧的比例小于预设比例，则待检测安全帽的佩戴情况指示待检测施工人员佩戴待检测安全帽。
在一些实施例中，位置信息包括边界框的上边界坐标、下边界坐标、左边界坐标和右边界坐标；以及预设条件包括以下至少一项：待检测安全帽的边界框的左边界坐标大于待检测施工人员的边界框的左边界坐标；待检测安全帽的边界框的右边界坐标小于待检测施工人员的边界框的右边界坐标；待检测安全帽的边界框的上边界坐标大于第一预设数值倍的待检测施工人员的边界框的上边界坐标与第二预设数值倍的待检施工人员的边界框的下边界坐标的差；待检测安全帽的边界框的下边界坐标小于第三预设数值倍的待检测施工人员的边界框的上边界坐标与第四预设数值倍的待检施工人员的边界框的下边界坐标的和。
第二方面，本申请实施例提供了一种用于检测安全帽的佩戴情况的装置，包括：获取单元，被配置成获取对施工现场进行拍摄所得到的视频；选取单元，被配置成从视频中选取视频帧，作为第一待检测视频帧，其中，第一待检测视频帧中存在待检测施工人员和待检测安全帽；检测单元，被配置成将第一待检测视频帧输入至预先训练的目标检测模型，得到第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息，其中，目标检测模型用于检测施工人员和安全帽的位置信息；生成单元，被配置成基于第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息，生成待检测安全帽的佩戴情况。
在一些实施例中，目标检测模型包括深度神经网络和卷积层集合；以及检测单元包括：第一检测子单元，被配置成将第一待检测视频帧输入至深度神经网络，得到第一待检测视频帧对应的第一特征图；第二检测子单元，被配置成将第一待检测视频帧对应的第一特征图输入至卷积层集合，得到从卷积层集合中的卷积层输出的第二特征图，生成第二特征图集合；第一生成子单元，被配置成基于第一特征图和第二特征图集合，生成第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息。
在一些实施例中，第一生成子单元包括：卷积模块，被配置成利用卷积核对第一特征图和第二特征图集合中的第二特征图进行卷积，基于卷积结果生成第一特征图对应的待检测施工人员和待检测安全帽的位置信息，以及第二特征图集合中的第二特征图对应的待检测施工人员和待检测安全帽的位置信息；合并模块，被配置成对第一特征图对应的待检测施工人员和待检测安全帽的位置信息，以及第二特征图集合中的第二特征图对应的待检测施工人员和待检测安全帽的位置信息进行合并，生成第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息。
在一些实施例中，目标检测模型通过如下步骤训练得到：获取训练样本集合，其中，训练样本包括样本图像和样本图像中的样本施工人员和样本安全帽的位置信息；将训练样本集合中的训练样本中的样本图像作为输入，将输入的样本图像中的样本施工人员和样本安全帽的位置信息作为输出，训练得到目标检测模型。
在一些实施例中，生成单元包括：第一确定子单元，被配置成确定第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息是否满足预设条件；第二生成子单元，被配置成响应于确定满足预设条件，生成待检测安全帽的佩戴情况，其中，待检测安全帽的佩戴情况指示待检测施工人员佩戴待检测安全帽。
在一些实施例中，生成单元还包括：第三生成子单元，被配置成响应于确定不满足预设条件，从视频中选取与第一待检测视频帧相关联的视频帧，生成第二待检测视频帧集合，其中，第二待检测视频帧中存在待检测施工人员和待检测安全帽；第二确定子单元，被配置成对于第二待检测视频帧集合中的第二待检测视频帧，将该第二待检测视频帧输入至目标检测模型，得到该第二待检测视频帧中的待检测施工人员和待检测安全帽的位置信息；确定该第二待检测视频帧中的待检测施工人员和待检测安全帽的位置信息是否满足预设条件；统计子单元，被配置成统计不满足预设条件的第二待检测视频帧的比例；第四生成子单元，被配置成基于统计结果，生成待检测安全帽的佩戴情况。
在一些实施例中，第四生成子单元进一步被配置成：将不满足预设条件的第二待检测视频帧的比例与预设比例进行比较；若不满足预设条件的第二待检测视频帧的比例不小于预设比例，则待检测安全帽的佩戴情况指示待检测施工人员未佩戴待检测安全帽；若不满足预设条件的第二待检测视频帧的比例小于预设比例，则待检测安全帽的佩戴情况指示待检测施工人员佩戴待检测安全帽。
在一些实施例中，位置信息包括边界框的上边界坐标、下边界坐标、左边界坐标和右边界坐标；以及预设条件包括以下至少一项：待检测安全帽的边界框的左边界坐标大于待检测施工人员的边界框的左边界坐标；待检测安全帽的边界框的右边界坐标小于待检测施工人员的边界框的右边界坐标；待检测安全帽的边界框的上边界坐标大于第一预设数值倍的待检测施工人员的边界框的上边界坐标与第二预设数值倍的待检施工人员的边界框的下边界坐标的差；待检测安全帽的边界框的下边界坐标小于第三预设数值倍的待检测施工人员的边界框的上边界坐标与第四预设数值倍的待检施工人员的边界框的下边界坐标的和。
第三方面，本申请实施例提供了一种服务器，该服务器包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于检测安全帽的佩戴情况的方法和装置，首先从对施工现场进行拍摄所得到的视频中选取出第一待检测视频帧；然后将第一待检测视频帧输入至目标检测模型，以得到第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息；最后对第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息进行分析，以确定待检测安全帽的佩戴情况。基于目标检测模型检测出的待检测施工人员和待检测安全帽的位置信息，确定待检测安全帽的佩戴情况，提高了对安全帽的佩戴情况的检测准确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性***架构；
图2是根据本申请的用于检测安全帽的佩戴情况的方法的一个实施例的流程图；
图3是根据本申请的用于检测安全帽的佩戴情况的方法的又一个实施例的流程图；
图4A是标准卷积层的示意图；
图4B是深度卷积层的示意图；
图4C是点卷积层的示意图；
图4D是目标检测模型的示意图；
图5是根据本申请的用于检测安全帽的佩戴情况的方法的再一个实施例的流程图；
图6是根据本申请的用于检测安全帽的佩戴情况的装置的一个实施例的结构示意图；
图7是适于用来实现本申请实施例的服务器的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于检测安全帽的佩戴情况的方法或用于检测安全帽的佩戴情况的装置的实施例的示例性***架构100。
如图1所示，***架构100中可以包括拍摄设备101、102、103，网络104和服务器105。网络104用以在拍摄设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
拍摄设备101、102、103可以通过网络104与服务器105交互，以接收或发送消息等。拍摄设备101、102、103可以是硬件，也可以是软件。当拍摄设备101、102、103为硬件时，可以是支持视频拍摄的各种电子设备，包括但不限于摄像机、摄像头、照相机和智能手机等等。当拍摄设备101、102、103为软件时，可以安装在上述电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以提供各种服务，例如服务器105可以对从拍摄设备101、102、103获取到的对施工现场进行拍摄所得到的视频等数据进行分析等处理，生成处理结果(例如待检测安全帽的佩戴情况)。
需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本申请实施例所提供的用于检测安全帽的佩戴情况的方法一般由服务器105执行，相应地，用于检测安全帽的佩戴情况的装置一般设置于服务器105中。
应该理解，图1中的拍摄设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的拍摄设备、网络和服务器。
继续参考图2，其示出了根据本申请的用于检测安全帽的佩戴情况的方法的一个实施例的流程200。该用于检测安全帽的佩戴情况的方法，包括以下步骤：
步骤201，获取对施工现场进行拍摄所得到的视频。
在本实施例中，用于检测安全帽的佩戴情况的方法的执行主体(例如图1所示的服务器105)可以通过有线连接方式或者无线连接方式从拍摄设备(例如图1所示的拍摄设备101、102、103)获取对施工现场进行拍摄所得到的视频。其中，拍摄设备可以是具有视频拍摄功能的各种电子设备，包括但不限于摄像机、摄像头、照相机、智能手机等等。这里，可以在施工现场内的高点、升降梯的出入口等关键位置部署摄像头等拍摄设备，采集施工现场的视频，并将视频实时地或周期性地(例如每隔5秒钟)发送至上述执行主体。
步骤202，从视频中选取视频帧，作为第一待检测视频帧。
在本实施例中，上述执行主体可以从视频中选取视频帧，作为第一待检测视频帧。其中，视频通常由至少一帧视频帧组成。并且，对施工现场进行拍摄所得到的视频中的部分视频帧中会存在施工人员，部分视频帧中可能不存在施工人员。这里，需要对存在施工人员的视频帧进行分析。存在施工人员的视频帧中的部分视频帧中会存在安全帽，部分视频帧中可能不存在安全帽。对于存在施工人员，但不存在安全帽的视频帧，可以直接确定施工人员未佩戴安全帽。这里，需要对既存在施工人员又存在安全帽的视频帧进行分析，以确定施工人员是否佩戴安全帽。待检测施工人员可以是施工现场的任意施工人员。待检测安全帽可以是待检测施工人员的安全帽。选取出的第一待检测视频帧中可以是存在待检测施工人员和待检测安全帽的视频帧。
作为示例，若视频实时地发送至上述执行主体，可以确定当前接收到的视频帧中是否存在待检测施工人员和待检测安全帽。若存在，则将该视频帧作为第一待检测视频帧。若不存在，继续确定下一帧视频帧中是否存在待检测施工人员和待检测安全帽，直至确定出存在待检测施工人员和待检测安全帽的视频帧，作为第一待检测视频帧。
步骤203，将第一待检测视频帧输入至预先训练的目标检测模型，得到第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息。
在本实施例中，上述执行主体可以将第一待检测视频帧输入至预先训练的目标检测模型，以得到第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息。其中，待检测施工人员和待检测安全帽的位置信息可以是包含待检测施工人员的边界框的位置信息和包含待检测安全帽的边界框的位置信息。边界框可以是第一待检测视频帧中包含目标的最小矩形框。边界框的位置信息可以包括边界框的上边界坐标、下边界坐标、左边界坐标和右边界坐标。
在本实施例中，目标检测模型可以用于检测施工人员和安全帽的位置信息，表征图像与图像中的施工人员和安全帽的位置信息之间的对应关系。
在本实施例的一些可选的实现方式中，目标检测模型可以是本领域技术人员对大量样本图像以及样本图像中的样本施工人员和样本安全帽的位置信息进行统计分析，而得到的存储有多个样本图像与样本图像中的样本施工人员和样本安全帽的位置信息的对应关系表。此时，上述执行主体可以计算第一待检测视频帧与该对应关系表中的各个样本图像之间的相似度，并基于相似度计算结果，从该对应关系表中得到第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息。例如，首先确定出与第一待检测视频帧相似度最高的样本图像，然后从该对应关系表中查找出该样本图像中的样本施工人员和样本安全帽的位置信息作为第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息。
在本实施例的一些可选的实现方式中，目标检测模型可以是利用各种机器学习方法和训练样本对现有的机器学习模型(例如各种人工神经网络等)进行有监督训练而得到的。其中，目标检测模型可以包括但不限于R-CNN、Fast R-CNN、Faster R-CNN、SSD、YOLO等等，通过如下步骤训练得到：
首先，获取训练样本集合。
其中，训练样本集合中的每个训练样本可以包括样本图像和样本图像中的样本施工人员和样本安全帽的位置信息。这里，本领域技术人员可以对样本图像进行分析，从而得到样本图像中的样本施工人员和样本安全帽的位置信息。例如，可以在样本图像中的样本施工人员和样本安全帽所在区域人工标注对应的边界框，从而得到样本图像中的包含样本施工人员的边界框的位置信息和包含样本安全帽的边界框的位置信息。
其次，将训练样本集合中的训练样本中的样本图像作为输入，将输入的样本图像中的样本施工人员和样本安全帽的位置信息作为输出，训练得到目标检测模型。
这里，可以利用训练样本集合对初始目标检测模型进行训练，从而得到用于检测施工人员和安全帽的位置信息的目标检测模型。其中，初始目标检测模型可以是未经训练或未训练完成的目标检测模型(例如SSD)。这里，对于未经训练的目标检测模型，其各个参数(例如，权值参数和偏置参数)用一些不同的小随机数进行初始化。“小随机数”用来保证模型不会因权值过大而进入饱和状态，从而导致训练失败，“不同”用来保证模型可以正常地学习。对于未训练完成的目标检测模型，其各个参数可以是被调整后参数，但是该目标检测模型的检测效果通常尚未满足预先设置的约束条件。
步骤204，基于第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息，生成待检测安全帽的佩戴情况。
在本实施例中，上述执行主体可以对第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息进行分析，从而生成待检测安全帽的佩戴情况。作为示例，上述执行主体可以基于第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息，计算第一待检测视频帧中的待检测施工人员与待检测安全帽的相对位置信息；根据第一待检测视频帧中的待检测施工人员与待检测安全帽的相对位置信息，确定待检测安全帽的佩戴情况。例如，若包含待检测安全帽的边界框处于包含待检测施工人员的边界框的上方，且与包含待检测施工人员的边界框至少部分重叠，则确定待检测人员佩戴待检测安全帽；反之，则确定待检测人员没有佩戴待检测安全帽。
本申请实施例提供的用于检测安全帽的佩戴情况的方法，首先从对施工现场进行拍摄所得到的视频中选取出第一待检测视频帧；然后将第一待检测视频帧输入至目标检测模型，以得到第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息；最后对第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息进行分析，以确定待检测安全帽的佩戴情况。基于目标检测模型检测出的待检测施工人员和待检测安全帽的位置信息，确定待检测安全帽的佩戴情况，提高了对安全帽的佩戴情况的检测准确度。
进一步参考图3，其示出了根据本申请的用于检测安全帽的佩戴情况的方法的又一个实施例的流程300。该用于检测安全帽的佩戴情况的方法，包括以下步骤：
步骤301，获取对施工现场进行拍摄所得到的视频。
步骤302，从视频中选取视频帧，作为第一待检测视频帧。
在本实施例中，步骤301-302的具体操作与图2所示的实施例中步骤201-202的操作基本相同，在此不再赘述。
步骤303，将第一待检测视频帧输入至深度神经网络，得到第一待检测视频帧对应的第一特征图。
在本实施例中，用于检测安全帽的佩戴情况的执行主体可以将第一待检测视频帧输入至深度神经网络(Deep Neural Network，DNN)，以使第一待检测视频帧经过一系列的卷积、池化等操作转化为更具表达能力、更为抽象的第一特征图(Feature Map)。
这里，目标检测模型可以包括基础网络和多个特征提取层，通常是在基础网络之后添加多个特征提取层构造而成的。其中，基础网络可以是深度神经网络。深度神经网络可以用于提取第一特征图。特征提取层可以是卷积层。卷积层可以用于提取第二特征图。
然而，常用的深度神经网络由于网络结构较深，存在大量参数，因此需要适配专用的服务器。而视频监控场景很难去适配复杂深度神经网络所需要的服务器，因此，这里可以采用小型化的深度神经网络(如MobileNet)来构建规模更小、速度更快的目标检测模型。例如，目标检测模型可以是在MobileNet之后添加卷积层集合构造而成。其中，卷积层集合中的卷积层的大小按照距离MobileNet从近到远的顺序逐渐减小。
实践中，深层神经网络的计算大部分发生在卷积层。输入是大小为DF×DF×M的特征图F，输出是大小为DF×DF×N的特征图G。其中，DF是特征图F和特征图G的宽和高，M是特征图F的通道个数(输入深度)，N是的特征图G的通道个数(输出深度)。
如图4A所示，其示出了标准卷积层的示意图。标准卷积层的卷积核的大小为DK×DK×M×N。其中，DK是卷积核的高和宽。由于卷积计算需要使用卷积核对输入的特征图中每一个位置进行点乘计算，因此一个标准卷积层的计算量为：DK×DK×M×N×DF×DF。
MobileNet可以将标准卷积层分解成一个深度卷积层和一个点卷积层。
如图4B所示，其示出了深度卷积层的示意图。深度卷积层的卷积核的大小为DK×DK×M。一个深度卷积层的计算量为：DK×DK×M×DF×DF。
如图4C所示，其示出了点卷积层的示意图。点卷积层的卷积核大小为M×N×1×1。一个点卷积层的计算量为：M×N×DF×DF。因此MobileNet的总计算量为：DK×DK×M×DF×DF+M×N×DF×DF。
因此，标准卷积层和MobileNet之间计算量的比值为：
通常，MobileNet使用3×3的卷积核，因此MobileNet相对于标准卷积层会有8到9倍的提速，但是准确度却只有小幅下降。
步骤304，将第一待检测视频帧对应的第一特征图输入至卷积层集合，得到从卷积层集合中的卷积层输出的第二特征图，生成第二特征图集合。
在本实施例中，上述执行主体可以将第一待检测视频帧对应的第一特征图输入至卷积层集合，第一特征图经过一系列的卷积操作，得到从卷积层集合中的卷积层输出的第二特征图，从而生成第二特征图集合。例如，上述执行主体可以获取从卷积层集合中的每个卷积层输出的第二特征图，以生成第二特征图集合。又例如，上述执行主体可以获取从卷积层集合中的部分卷积层输出的第二特征图，以生成第二特征图集合。
步骤305，利用卷积核对第一特征图和第二特征图集合中的第二特征图进行卷积，基于卷积结果生成第一特征图对应的待检测施工人员和待检测安全帽的位置信息，以及第二特征图集合中的第二特征图对应的待检测施工人员和待检测安全帽的位置信息。
在本实施例中，上述执行主体可以对第一特征图和第二特征图集合进行分析，生成第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息。具体地，上述执行主体可以利用卷积核(例如3×3的卷积核)对第一特征图进行卷积，得到卷积结果；对卷积结果进行分类运算(例如confidence)和回归运算(例如localization)，生成第一特征图对应的待检测施工人员和待检测安全帽的位置信息。其中，分类运算可以确定出待检测施工人员和待检测安全帽，分类运算可以确定出待检测施工人员和待检测安全帽的位置信息。同时，上述执行主体还可以利用卷积核对第二特征图集合中的每个第二特征图进行卷积，得到卷积结果；对卷积结果进行分类运算和回归运算，生成每个第二特征图对应的待检测施工人员和待检测安全帽的位置信息。
步骤306，对第一特征图对应的待检测施工人员和待检测安全帽的位置信息，以及第二特征图集合中的第二特征图对应的待检测施工人员和待检测安全帽的位置信息进行合并，生成第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息。
在本实施例中，上述执行主体可以对第一特征图对应的待检测施工人员和待检测安全帽的位置信息，以及第二特征图集合中的第二特征图对应的待检测施工人员和待检测安全帽的位置信息进行合并，从而生成第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息。应当理解的是，这里的合并是通道合并，不是数值相加。
作为示例，可以利用非极大值抑制(Non-Maximum Suppression)算法对第一特征图对应的边界框，以及第二特征图集合中的每个第二特征图对应的边界框进行合并。合并过程是一个迭代、遍历、消除的过程。具体地，可以通过如下步骤进行合并：
首先，将所有边界框的得分排序，选中最高分及其对应的边界框。
然后，遍历其余的边界框，若和当前最高分的边界框的重叠面积大于一定阈值，则将该边界框删除。
最后，从未处理的边界框中继续选一个得分最高的边界框，重复上面的步骤。
如图4D所示，其示出了目标检测模型的示意图。目标检测模型是在MobileNet411之后添加3个卷积层构造而成的。按照距离MobileNet411由近及远的顺序，3个卷积层依次是卷积层421、卷积层422和卷积层423。视频帧431输入至MobileNet411，经过一系列的卷积、池化等操作，输出第一特征图441。第一特征图441输入至卷积层421，经过卷积操作，输出第二特征图451。第二特征图451输入至卷积层422，经过卷积操作，输出第二特征图452。第二特征图452输入至卷积层423，经过卷积操作，输出第二特征图453。将第一特征图441、第二特征图451、第二特征图452和第二特征图453输入至分类检测网络461，得到第一特征图441对应的位置信息471、第二特征图451对应的位置信息472、第二特征图452对应的位置信息473和第二特征图453对应的位置信息474。将位置信息471、472、473、474输入至非极大值抑制目标检测网络481，输出位置信息491。
从图3中可以看出，与图2对应的实施例相比，本实施例中的用于检测安全帽的佩戴情况的方法的流程300突出了利用深度神经网络和卷积层集合对第一待检测视频帧进行处理的步骤。由此，本实施例描述的方案中对待检测施工人员和待检测安全帽的位置信息进行多尺度检测，进一步提高了对安全帽的佩戴情况的检测准确度。同时，在采用MobileNet作为目标检测模型的基础网络提取第一特征图的情况下，还可以减少提取第一特征图的计算量，提高了对安全帽的佩戴情况的检测速度。
进一步参考图5，其示出了根据本申请的用于检测安全帽的佩戴情况的方法的再一个实施例的流程500。该用于检测安全帽的佩戴情况的方法，包括以下步骤：
步骤501，获取对施工现场进行拍摄所得到的视频。
步骤502，从视频中选取视频帧，作为第一待检测视频帧。
步骤503，将第一待检测视频帧输入至预先训练的目标检测模型，得到第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息。
步骤504，确定第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息是否满足预设条件。
在本实施例中，用于检测安全帽的佩戴情况的方法的执行主体(例如图1所示的服务器105)可以确定第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息是否满足预设条件；若满足预设条件，执行步骤505′；若不满足预设条件，执行步骤505。其中，预设条件可以是根据需求预先设置的各种条件。
在本实施例的一些可选的实现方式中，在位置信息包括边界框的上边界坐标、下边界坐标、左边界坐标和右边界坐标的情况下，预设条件可以包括但不限于以下至少一项：
1、待检测安全帽的边界框的左边界坐标大于待检测施工人员的边界框的左边界坐标。
2、待检测安全帽的边界框的右边界坐标小于待检测施工人员的边界框的右边界坐标。
3、待检测安全帽的边界框的上边界坐标大于第一预设数值倍(例如)的待检测施工人员的边界框的上边界坐标与第二预设数值倍(例如)的待检测施工人员的边界框的下边界坐标的差。
4、待检测安全帽的边界框的下边界坐标小于第三预设数值倍(例如)的待检测施工人员的边界框的上边界坐标与第四预设数值倍(例如)的待检测施工人员的边界框的下边界坐标的和。
例如，若待检测安全帽的边界框的上边界坐标是top1，下边界坐标是bottom1，左边界坐标是left1，右边界坐标是right1；待检测施工人员的边界框的上边界坐标是top2，下边界坐标是bottom2，左边界坐标是left2，右边界坐标是right2。那么，预设条件可以包括但不限于以下至少一项：
1、left1＞left2；
2、right1＜right2；
3、
4、
步骤505′，生成待检测安全帽的佩戴情况。
在本实施例中，在第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息满足预设条件的情况下，上述执行主体可以生成待检测安全帽的佩戴情况。这里，待检测安全帽的佩戴情况指示待检测施工人员佩戴待检测安全帽。此时，上述执行主体可以将第一待检测视频帧的下一帧作为第一待检测视频帧继续返回执行步骤503，直至检测到待检测施工人员未佩戴待检测安全帽或者视频中的视频帧被全部检测为止。
步骤505，从视频中选取与第一待检测视频帧相关联的视频帧，生成第二待检测视频帧集合。
在本实施例中，在第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息不满足预设条件的情况下，上述执行主体可以从视频中选取与第一待检测视频帧相关联的视频帧，生成第二待检测视频帧集合。其中，与第一待检测视频帧相关联的视频帧可以是第一待检测视频帧的后几帧存在待检测施工人员和待检测安全帽的视频帧，也可以是第一待检测视频帧的前几帧存在待检测施工人员和待检测安全帽的视频帧。
在本实施例的一些可选的实现方式中，在第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息不满足预设条件的情况下，上述执行主体还可以存储待检测施工人员的信息，以便于确定第一待检测视频帧的后几帧视频帧或前几帧视频帧中是否存在待检测施工人员和待检测安全帽。
由于同一施工人员在连续视频帧中移动位置有限，因此同一施工人员的边界框在连续视频帧中会有较大重合。若第一帧视频帧中的施工人员的边界框的上边界坐标是是top1'，下边界坐标是bottom1'，左边界坐标是left1'，右边界坐标是right1'；第二帧视频帧中的施工人员的的上边界坐标是top2'，下边界坐标是bottom2'，左边界坐标是left2'，右边界坐标是right2'。那么，在满足以下条件时，说明第一视频帧中的施工人员和第二视频帧中的施工人员是同一人：
1、min(right1',right2')＞max(left1',left2')；
2、min(bottom1',bottom2')＞max(top1',top2')。
步骤506，对于第二待检测视频帧集合中的第二待检测视频帧，将该第二待检测视频帧输入至目标检测模型，得到该第二待检测视频帧中的待检测施工人员和待检测安全帽的位置信息。
在本实施例中，对于第二待检测视频帧集合中的每帧第二待检测视频帧，上述执行主体可以将该第二待检测视频帧输入至目标检测模型，以得到该第二待检测视频帧中的待检测施工人员和待检测安全帽的位置信息。
需要说明的是，目标检测模型对第二待检测视频帧的处理过程与图2所示的实施例中的目标检测模型对第一待检测视频帧的处理过程相似，这里不再赘述。
步骤507，确定该第二待检测视频帧中的待检测施工人员和待检测安全帽的位置信息是否满足预设条件。
在本实施例中，上述执行主体可以确定该第二待检测视频帧中的待检测施工人员和待检测安全帽的位置信息是否满足预设条件。
需要说明的是，对该第二待检测视频帧中的待检测施工人员和待检测安全帽的位置信息的分析过程与步骤504中对第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息的分析过程相似，这里不再赘述。
步骤508，统计不满足预设条件的第二待检测视频帧的比例。
在本实施例中，上述执行主体可以基于步骤507的确定结果，统计不满足预设条件的第二待检测视频帧的比例。
步骤509，基于统计结果，生成待检测安全帽的佩戴情况。
在本实施例中，上述执行主体可以基于统计结果，生成待检测安全帽的佩戴情况。作为示例，上述执行主体可以将不满足预设条件的第二待检测视频帧的比例与预设比例(例如80％)进行比较；若不满足预设条件的第二待检测视频帧的比例不小于预设比例，则待检测安全帽的佩戴情况指示待检测施工人员未佩戴待检测安全帽；若不满足预设条件的第二待检测视频帧的比例小于预设比例，则待检测安全帽的佩戴情况指示待检测施工人员佩戴待检测安全帽。
通常，第二待检测视频帧集合中的全部第二待检测视频帧均不满足预设条件时，可以认为待检测施工人员未佩戴待检测安全帽。因此，预设比例通常设置为100％。
在本实施例的一些可选的实现方式中，在待检测施工人员未佩戴待检测安全帽的情况下，向报警装置发送报警指令。此时，报警装置可以发出报警信息。
从图5中可以看出，与图2对应的实施例相比，本实施例中的用于检测安全帽的佩戴情况的方法的流程500突出了生成待检测安全帽的佩戴情况的步骤。由此，本实施例描述的方案中结合视频上下文信息生成安全帽的佩戴情况，进一步提高了对安全帽的佩戴情况的检测准确度。避免了单帧视频帧受光照、阴影、遮挡等外界因素的影响，导致检测结果不准确的现象的发生。
进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种用于检测安全帽的佩戴情况的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例的用于检测安全帽的佩戴情况的装置600可以包括：获取单元601、选取单元602、检测单元603和生成单元604。其中，获取单元601，被配置成获取对施工现场进行拍摄所得到的视频；选取单元602，被配置成从视频中选取视频帧，作为第一待检测视频帧，其中，第一待检测视频帧中存在待检测施工人员和待检测安全帽；检测单元603，被配置成将第一待检测视频帧输入至预先训练的目标检测模型，得到第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息，其中，目标检测模型用于检测施工人员和安全帽的位置信息；生成单元604，被配置成基于第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息，生成待检测安全帽的佩戴情况。
在本实施例中，用于检测安全帽的佩戴情况的装置600中：获取单元601、选取单元602、检测单元603和生成单元604的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202、步骤203和步骤204的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，目标检测模型可以包括深度神经网络和卷积层集合；以及检测单元603可以包括：第一检测子单元(图中未示出)，被配置成将第一待检测视频帧输入至深度神经网络，得到第一待检测视频帧对应的第一特征图；第二检测子单元(图中未示出)，被配置成将第一待检测视频帧对应的第一特征图输入至卷积层集合，得到从卷积层集合中的卷积层输出的第二特征图，生成第二特征图集合；第一生成子单元(图中未示出)，被配置成基于第一特征图和第二特征图集合，生成第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息。
在本实施例的一些可选的实现方式中，第一生成子单元可以包括：卷积模块(图中未示出)，被配置成利用卷积核对第一特征图和第二特征图集合中的第二特征图进行卷积，基于卷积结果生成第一特征图对应的待检测施工人员和待检测安全帽的位置信息，以及第二特征图集合中的第二特征图对应的待检测施工人员和待检测安全帽的位置信息；合并模块(图中未示出)，被配置成对第一特征图对应的待检测施工人员和待检测安全帽的位置信息，以及第二特征图集合中的第二特征图对应的待检测施工人员和待检测安全帽的位置信息进行合并，生成第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息。
在本实施例的一些可选的实现方式中，目标检测模型可以通过如下步骤训练得到：获取训练样本集合，其中，训练样本包括样本图像和样本图像中的样本施工人员和样本安全帽的位置信息；将训练样本集合中的训练样本中的样本图像作为输入，将输入的样本图像中的样本施工人员和样本安全帽的位置信息作为输出，训练得到目标检测模型。
在本实施例的一些可选的实现方式中，生成单元604可以包括：第一确定子单元(图中未示出)，被配置成确定第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息是否满足预设条件；第二生成子单元(图中未示出)，被配置成响应于确定满足预设条件，生成待检测安全帽的佩戴情况，其中，待检测安全帽的佩戴情况指示待检测施工人员佩戴待检测安全帽。
在本实施例的一些可选的实现方式中，生成单元604还可以包括：第三生成子单元(图中未示出)，被配置成响应于确定不满足预设条件，从视频中选取与第一待检测视频帧相关联的视频帧，生成第二待检测视频帧集合，其中，第二待检测视频帧中存在待检测施工人员和待检测安全帽；第二确定子单元(图中未示出)，被配置成对于第二待检测视频帧集合中的第二待检测视频帧，将该第二待检测视频帧输入至目标检测模型，得到该第二待检测视频帧中的待检测施工人员和待检测安全帽的位置信息；确定该第二待检测视频帧中的待检测施工人员和待检测安全帽的位置信息是否满足预设条件；统计子单元(图中未示出)，被配置成统计不满足预设条件的第二待检测视频帧的比例；第四生成子单元(图中未示出)，被配置成基于统计结果，生成待检测安全帽的佩戴情况。
在本实施例的一些可选的实现方式中，第四生成子单元可以进一步被配置成：将不满足预设条件的第二待检测视频帧的比例与预设比例进行比较；若不满足预设条件的第二待检测视频帧的比例不小于预设比例，则待检测安全帽的佩戴情况指示待检测施工人员未佩戴待检测安全帽；若不满足预设条件的第二待检测视频帧的比例小于预设比例，则待检测安全帽的佩戴情况指示待检测施工人员佩戴待检测安全帽。
在本实施例的一些可选的实现方式中，位置信息可以包括边界框的上边界坐标、下边界坐标、左边界坐标和右边界坐标；以及预设条件可以包括但不限于以下至少一项：待检测安全帽的边界框的左边界坐标大于待检测施工人员的边界框的左边界坐标；待检测安全帽的边界框的右边界坐标小于待检测施工人员的边界框的右边界坐标；待检测安全帽的边界框的上边界坐标大于第一预设数值倍的待检测施工人员的边界框的上边界坐标与第二预设数值倍的待检施工人员的边界框的下边界坐标的差；待检测安全帽的边界框的下边界坐标小于第三预设数值倍的待检测施工人员的边界框的上边界坐标与第四预设数值倍的待检施工人员的边界框的下边界坐标的和。
下面参考图7，其示出了适于用来实现本申请实施例的服务器(例如图1所示的服务器105)的计算机***700的结构示意图。图7示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示，计算机***700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有***700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向目标的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、选取单元、检测单元和生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取对施工现场进行拍摄所得到的视频的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的服务器中所包含的；也可以是单独存在，而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该服务器执行时，使得该服务器：获取对施工现场进行拍摄所得到的视频；从视频中选取视频帧，作为第一待检测视频帧，其中，第一待检测视频帧中存在待检测施工人员和待检测安全帽；将第一待检测视频帧输入至预先训练的目标检测模型，得到第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息，其中，目标检测模型用于检测施工人员和安全帽的位置信息；基于第一待检测视频帧中的待检测施工人员和待检测安全帽的位置信息，生成待检测安全帽的佩戴情况。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (18)

1.一种用于检测安全帽的佩戴情况的方法，包括：
获取对施工现场进行拍摄所得到的视频；
从所述视频中选取视频帧，作为第一待检测视频帧，其中，所述第一待检测视频帧中存在待检测施工人员和待检测安全帽；
将所述第一待检测视频帧输入至预先训练的目标检测模型，得到所述第一待检测视频帧中的所述待检测施工人员和所述待检测安全帽的位置信息，其中，所述目标检测模型用于检测施工人员和安全帽的位置信息；
基于所述第一待检测视频帧中的所述待检测施工人员和所述待检测安全帽的位置信息，生成所述待检测安全帽的佩戴情况。
2.根据权利要求1所述的方法，其中，所述目标检测模型包括深度神经网络和卷积层集合；以及
所述将所述第一待检测视频帧输入至预先训练的目标检测模型，得到所述第一待检测视频帧中的所述待检测施工人员和所述待检测安全帽的位置信息，包括：
将所述第一待检测视频帧输入至所述深度神经网络，得到所述第一待检测视频帧对应的第一特征图；
将所述第一待检测视频帧对应的第一特征图输入至所述卷积层集合，得到从所述卷积层集合中的卷积层输出的第二特征图，生成第二特征图集合；
基于所述第一特征图和所述第二特征图集合，生成所述第一待检测视频帧中的所述待检测施工人员和所述待检测安全帽的位置信息。
3.根据权利要求2所述的方法，其中，所述基于所述第一特征图和所述第二特征图集合，生成所述第一待检测视频帧中的所述待检测施工人员和所述待检测安全帽的位置信息，包括：
利用卷积核对所述第一特征图和所述第二特征图集合中的第二特征图进行卷积，基于卷积结果生成所述第一特征图对应的所述待检测施工人员和所述待检测安全帽的位置信息，以及所述第二特征图集合中的第二特征图对应的所述待检测施工人员和所述待检测安全帽的位置信息；
对所述第一特征图对应的所述待检测施工人员和所述待检测安全帽的位置信息，以及所述第二特征图集合中的第二特征图对应的所述待检测施工人员和所述待检测安全帽的位置信息进行合并，生成所述第一待检测视频帧中的所述待检测施工人员和所述待检测安全帽的位置信息。
4.根据权利要求1-3之一所述的方法，其中，所述目标检测模型通过如下步骤训练得到：
获取训练样本集合，其中，训练样本包括样本图像和样本图像中的样本施工人员和样本安全帽的位置信息；
将所述训练样本集合中的训练样本中的样本图像作为输入，将输入的样本图像中的样本施工人员和样本安全帽的位置信息作为输出，训练得到所述目标检测模型。
5.根据权利要求1所述的方法，其中，所述基于所述第一待检测视频帧中的所述待检测施工人员和所述待检测安全帽的位置信息，生成所述待检测安全帽的佩戴情况，包括：
确定所述第一待检测视频帧中的所述待检测施工人员和所述待检测安全帽的位置信息是否满足预设条件；
响应于确定满足所述预设条件，生成所述待检测安全帽的佩戴情况，其中，所述待检测安全帽的佩戴情况指示所述待检测施工人员佩戴所述待检测安全帽。
6.根据权利要求5所述的方法，其中，所述基于所述第一待检测视频帧中的所述待检测施工人员和所述待检测安全帽的位置信息，生成所述待检测安全帽的佩戴情况，还包括：
响应于确定不满足所述预设条件，从所述视频中选取与所述第一待检测视频帧相关联的视频帧，生成第二待检测视频帧集合，其中，第二待检测视频帧中存在所述待检测施工人员和所述待检测安全帽；
对于所述第二待检测视频帧集合中的第二待检测视频帧，将该第二待检测视频帧输入至所述目标检测模型，得到该第二待检测视频帧中的所述待检测施工人员和所述待检测安全帽的位置信息；确定该第二待检测视频帧中的所述待检测施工人员和所述待检测安全帽的位置信息是否满足所述预设条件；
统计不满足所述预设条件的第二待检测视频帧的比例；
基于统计结果，生成所述待检测安全帽的佩戴情况。
7.根据权利要求6所述的方法，其中，所述基于统计结果，生成所述待检测安全帽的佩戴情况，包括：
将不满足所述预设条件的第二待检测视频帧的比例与预设比例进行比较；
若不满足所述预设条件的第二待检测视频帧的比例不小于所述预设比例，则所述待检测安全帽的佩戴情况指示所述待检测施工人员未佩戴所述待检测安全帽；
若不满足所述预设条件的第二待检测视频帧的比例小于所述预设比例，则所述待检测安全帽的佩戴情况指示所述待检测施工人员佩戴所述待检测安全帽。
8.根据权利要求5-7之一所述的方法，其中，位置信息包括边界框的上边界坐标、下边界坐标、左边界坐标和右边界坐标；以及
所述预设条件包括以下至少一项：
所述待检测安全帽的边界框的左边界坐标大于所述待检测施工人员的边界框的左边界坐标；
所述待检测安全帽的边界框的右边界坐标小于所述待检测施工人员的边界框的右边界坐标；
所述待检测安全帽的边界框的上边界坐标大于第一预设数值倍的所述待检测施工人员的边界框的上边界坐标与第二预设数值倍的所述待检施工人员的边界框的下边界坐标的差；
所述待检测安全帽的边界框的下边界坐标小于第三预设数值倍的所述待检测施工人员的边界框的上边界坐标与第四预设数值倍的所述待检施工人员的边界框的下边界坐标的和。
9.一种用于检测安全帽的佩戴情况的装置，包括：
获取单元，被配置成获取对施工现场进行拍摄所得到的视频；
选取单元，被配置成从所述视频中选取视频帧，作为第一待检测视频帧，其中，所述第一待检测视频帧中存在待检测施工人员和待检测安全帽；
检测单元，被配置成将所述第一待检测视频帧输入至预先训练的目标检测模型，得到所述第一待检测视频帧中的所述待检测施工人员和所述待检测安全帽的位置信息，其中，所述目标检测模型用于检测施工人员和安全帽的位置信息；
生成单元，被配置成基于所述第一待检测视频帧中的所述待检测施工人员和所述待检测安全帽的位置信息，生成所述待检测安全帽的佩戴情况。
10.根据权利要求9所述的装置，其中，所述目标检测模型包括深度神经网络和卷积层集合；以及
所述检测单元包括：
第一检测子单元，被配置成将所述第一待检测视频帧输入至所述深度神经网络，得到所述第一待检测视频帧对应的第一特征图；
第二检测子单元，被配置成将所述第一待检测视频帧对应的第一特征图输入至所述卷积层集合，得到从所述卷积层集合中的卷积层输出的第二特征图，生成第二特征图集合；
第一生成子单元，被配置成基于所述第一特征图和所述第二特征图集合，生成所述第一待检测视频帧中的所述待检测施工人员和所述待检测安全帽的位置信息。
11.根据权利要求10所述的装置，其中，所述第一生成子单元包括：
卷积模块，被配置成利用卷积核对所述第一特征图和所述第二特征图集合中的第二特征图进行卷积，基于卷积结果生成所述第一特征图对应的所述待检测施工人员和所述待检测安全帽的位置信息，以及所述第二特征图集合中的第二特征图对应的所述待检测施工人员和所述待检测安全帽的位置信息；
合并模块，被配置成对所述第一特征图对应的所述待检测施工人员和所述待检测安全帽的位置信息，以及所述第二特征图集合中的第二特征图对应的所述待检测施工人员和所述待检测安全帽的位置信息进行合并，生成所述第一待检测视频帧中的所述待检测施工人员和所述待检测安全帽的位置信息。
12.根据权利要求9-11之一所述的装置，其中，所述目标检测模型通过如下步骤训练得到：
获取训练样本集合，其中，训练样本包括样本图像和样本图像中的样本施工人员和样本安全帽的位置信息；
将所述训练样本集合中的训练样本中的样本图像作为输入，将输入的样本图像中的样本施工人员和样本安全帽的位置信息作为输出，训练得到所述目标检测模型。
13.根据权利要求9所述的装置，其中，所述生成单元包括：
第一确定子单元，被配置成确定所述第一待检测视频帧中的所述待检测施工人员和所述待检测安全帽的位置信息是否满足预设条件；
第二生成子单元，被配置成响应于确定满足所述预设条件，生成所述待检测安全帽的佩戴情况，其中，所述待检测安全帽的佩戴情况指示所述待检测施工人员佩戴所述待检测安全帽。
14.根据权利要求13所述的装置，其中，所述生成单元还包括：
第三生成子单元，被配置成响应于确定不满足所述预设条件，从所述视频中选取与所述第一待检测视频帧相关联的视频帧，生成第二待检测视频帧集合，其中，第二待检测视频帧中存在所述待检测施工人员和所述待检测安全帽；
第二确定子单元，被配置成对于所述第二待检测视频帧集合中的第二待检测视频帧，将该第二待检测视频帧输入至所述目标检测模型，得到该第二待检测视频帧中的所述待检测施工人员和所述待检测安全帽的位置信息；确定该第二待检测视频帧中的所述待检测施工人员和所述待检测安全帽的位置信息是否满足所述预设条件；
统计子单元，被配置成统计不满足所述预设条件的第二待检测视频帧的比例；
第四生成子单元，被配置成基于统计结果，生成所述待检测安全帽的佩戴情况。
15.根据权利要求14所述的装置，其中，所述第四生成子单元进一步被配置成：
将不满足所述预设条件的第二待检测视频帧的比例与预设比例进行比较；
若不满足所述预设条件的第二待检测视频帧的比例不小于所述预设比例，则所述待检测安全帽的佩戴情况指示所述待检测施工人员未佩戴所述待检测安全帽；
若不满足所述预设条件的第二待检测视频帧的比例小于所述预设比例，则所述待检测安全帽的佩戴情况指示所述待检测施工人员佩戴所述待检测安全帽。
16.根据权利要求13-15之一所述的装置，其中，位置信息包括边界框的上边界坐标、下边界坐标、左边界坐标和右边界坐标；以及
所述预设条件包括以下至少一项：
所述待检测安全帽的边界框的左边界坐标大于所述待检测施工人员的边界框的左边界坐标；
所述待检测安全帽的边界框的右边界坐标小于所述待检测施工人员的边界框的右边界坐标；
所述待检测安全帽的边界框的上边界坐标大于第一预设数值倍的所述待检测施工人员的边界框的上边界坐标与第二预设数值倍的所述待检施工人员的边界框的下边界坐标的差；
所述待检测安全帽的边界框的下边界坐标小于第三预设数值倍的所述待检测施工人员的边界框的上边界坐标与第四预设数值倍的所述待检施工人员的边界框的下边界坐标的和。
17.一种服务器，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
18.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-8中任一所述的方法。
CN201810836779.9A 2018-07-26 2018-07-26 用于检测安全帽的佩戴情况的方法和装置 Active CN108921159B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810836779.9A CN108921159B (zh) 2018-07-26 2018-07-26 用于检测安全帽的佩戴情况的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810836779.9A CN108921159B (zh) 2018-07-26 2018-07-26 用于检测安全帽的佩戴情况的方法和装置

Publications (2)

Publication Number Publication Date
CN108921159A true CN108921159A (zh) 2018-11-30
CN108921159B CN108921159B (zh) 2022-09-27

Family

ID=64416078

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810836779.9A Active CN108921159B (zh) 2018-07-26 2018-07-26 用于检测安全帽的佩戴情况的方法和装置

Country Status (1)

Country Link
CN (1) CN108921159B (zh)

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109697430A (zh) * 2018-12-28 2019-04-30 成都思晗科技股份有限公司 基于图像识别的工作区域安全帽佩戴的检测方法
CN109784364A (zh) * 2018-12-06 2019-05-21 南京蓝思信息科技有限公司 头部运动数据处理方法及装置
CN109886205A (zh) * 2019-02-25 2019-06-14 苏州清研微视电子科技有限公司 安全带实时监测方法和***
CN110046574A (zh) * 2019-04-15 2019-07-23 北京易达图灵科技有限公司 基于深度学习的安全帽佩戴识别方法及设备
CN110135290A (zh) * 2019-04-28 2019-08-16 中国地质大学（武汉） 一种基于SSD和AlphaPose的安全帽佩戴检测方法及***
CN110188724A (zh) * 2019-06-05 2019-08-30 中冶赛迪重庆信息技术有限公司 基于深度学习的安全帽定位与颜色识别的方法及***
CN110287804A (zh) * 2019-05-30 2019-09-27 广东电网有限责任公司 一种基于移动视频监控的电力作业人员着装识别方法
CN110458075A (zh) * 2019-08-05 2019-11-15 北京泰豪信息科技有限公司 安全帽佩戴的检测方法、存储介质、检测装置及检测***
CN110472586A (zh) * 2019-08-17 2019-11-19 四创科技有限公司 一种基于迁移学习的安全帽检测的方法
CN110705479A (zh) * 2019-09-30 2020-01-17 北京猎户星空科技有限公司 模型训练方法和目标识别方法、装置、设备及介质
CN110852170A (zh) * 2019-10-12 2020-02-28 北京文安智能技术股份有限公司 一种人员安全帽的检测方法、装置及***
CN111079722A (zh) * 2020-03-23 2020-04-28 杭州鲁尔物联科技有限公司 一种吊装过程人员安全监测方法及***
WO2020114097A1 (zh) * 2018-12-04 2020-06-11 北京达佳互联信息技术有限公司 一种边界框确定方法、装置、电子设备及存储介质
CN112949354A (zh) * 2019-12-10 2021-06-11 顺丰科技有限公司 安全帽佩戴检测方法和装置、电子设备、计算机可读存储介质
CN112966618A (zh) * 2021-03-11 2021-06-15 京东数科海益信息科技有限公司 着装识别方法、装置、设备及计算机可读介质
CN113128351A (zh) * 2021-03-25 2021-07-16 中电建电力检修工程有限公司 一种安全帽佩戴检测方法
CN113128273A (zh) * 2019-12-30 2021-07-16 深圳云天励飞技术有限公司 安全帽佩戴检测方法及相关装置
CN113536842A (zh) * 2020-04-15 2021-10-22 普天信息技术有限公司 电力作业人员安全着装识别方法及装置
CN113592014A (zh) * 2021-08-06 2021-11-02 广联达科技股份有限公司 安全帽的识别方法、装置、计算机设备和存储介质
CN113822242A (zh) * 2021-11-19 2021-12-21 中化学交通建设集团有限公司 一种基于图像识别技术的安全帽佩戴识别方法和装置
CN114241513A (zh) * 2021-11-12 2022-03-25 佛山中科云图智能科技有限公司 一种安全帽检测方法、检测装置、存储介质和计算机设备
CN114332738A (zh) * 2022-01-18 2022-04-12 浙江高信技术股份有限公司 一种用于智慧工地的安全帽检测***
CN115082864A (zh) * 2022-07-25 2022-09-20 青岛亨通建设有限公司 一种建筑施工安全监控***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036575A (zh) * 2014-07-01 2014-09-10 江苏省南京市公路管理处公路科学研究所 施工现场安全帽佩戴情况监控方法
CN105956150A (zh) * 2016-05-12 2016-09-21 张家港索奥通信科技有限公司 一种生成用户发型及妆容搭配建议的方法及装置
CN106372662A (zh) * 2016-08-30 2017-02-01 腾讯科技（深圳）有限公司 安全帽佩戴的检测方法和装置、摄像头、服务器
US20170169313A1 (en) * 2015-12-14 2017-06-15 Samsung Electronics Co., Ltd. Image processing apparatus and method based on deep learning and neural network learning
CN108229302A (zh) * 2017-11-10 2018-06-29 深圳市商汤科技有限公司 特征提取方法、装置、计算机程序、存储介质和电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036575A (zh) * 2014-07-01 2014-09-10 江苏省南京市公路管理处公路科学研究所 施工现场安全帽佩戴情况监控方法
US20170169313A1 (en) * 2015-12-14 2017-06-15 Samsung Electronics Co., Ltd. Image processing apparatus and method based on deep learning and neural network learning
CN105956150A (zh) * 2016-05-12 2016-09-21 张家港索奥通信科技有限公司 一种生成用户发型及妆容搭配建议的方法及装置
CN106372662A (zh) * 2016-08-30 2017-02-01 腾讯科技（深圳）有限公司 安全帽佩戴的检测方法和装置、摄像头、服务器
CN108229302A (zh) * 2017-11-10 2018-06-29 深圳市商汤科技有限公司 特征提取方法、装置、计算机程序、存储介质和电子设备

Cited By (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020114097A1 (zh) * 2018-12-04 2020-06-11 北京达佳互联信息技术有限公司 一种边界框确定方法、装置、电子设备及存储介质
CN109784364A (zh) * 2018-12-06 2019-05-21 南京蓝思信息科技有限公司 头部运动数据处理方法及装置
CN109697430A (zh) * 2018-12-28 2019-04-30 成都思晗科技股份有限公司 基于图像识别的工作区域安全帽佩戴的检测方法
CN109886205A (zh) * 2019-02-25 2019-06-14 苏州清研微视电子科技有限公司 安全带实时监测方法和***
CN109886205B (zh) * 2019-02-25 2023-08-08 苏州清研微视电子科技有限公司 安全带实时监测方法和***
CN110046574A (zh) * 2019-04-15 2019-07-23 北京易达图灵科技有限公司 基于深度学习的安全帽佩戴识别方法及设备
CN110135290A (zh) * 2019-04-28 2019-08-16 中国地质大学（武汉） 一种基于SSD和AlphaPose的安全帽佩戴检测方法及***
CN110135290B (zh) * 2019-04-28 2020-12-08 中国地质大学（武汉） 一种基于SSD和AlphaPose的安全帽佩戴检测方法及***
CN110287804A (zh) * 2019-05-30 2019-09-27 广东电网有限责任公司 一种基于移动视频监控的电力作业人员着装识别方法
CN110188724B (zh) * 2019-06-05 2023-02-28 中冶赛迪信息技术(重庆)有限公司 基于深度学习的安全帽定位与颜色识别的方法及***
CN110188724A (zh) * 2019-06-05 2019-08-30 中冶赛迪重庆信息技术有限公司 基于深度学习的安全帽定位与颜色识别的方法及***
CN110458075B (zh) * 2019-08-05 2023-08-25 北京泰豪信息科技有限公司 安全帽佩戴的检测方法、存储介质、检测装置及检测***
CN110458075A (zh) * 2019-08-05 2019-11-15 北京泰豪信息科技有限公司 安全帽佩戴的检测方法、存储介质、检测装置及检测***
CN110472586A (zh) * 2019-08-17 2019-11-19 四创科技有限公司 一种基于迁移学习的安全帽检测的方法
CN110472586B (zh) * 2019-08-17 2022-10-14 四创科技有限公司 一种基于迁移学习的安全帽检测的方法
CN110705479A (zh) * 2019-09-30 2020-01-17 北京猎户星空科技有限公司 模型训练方法和目标识别方法、装置、设备及介质
CN110852170A (zh) * 2019-10-12 2020-02-28 北京文安智能技术股份有限公司 一种人员安全帽的检测方法、装置及***
CN112949354A (zh) * 2019-12-10 2021-06-11 顺丰科技有限公司 安全帽佩戴检测方法和装置、电子设备、计算机可读存储介质
CN113128273A (zh) * 2019-12-30 2021-07-16 深圳云天励飞技术有限公司 安全帽佩戴检测方法及相关装置
CN113128273B (zh) * 2019-12-30 2024-05-03 深圳云天励飞技术有限公司 安全帽佩戴检测方法及相关装置
CN111079722A (zh) * 2020-03-23 2020-04-28 杭州鲁尔物联科技有限公司 一种吊装过程人员安全监测方法及***
CN113536842A (zh) * 2020-04-15 2021-10-22 普天信息技术有限公司 电力作业人员安全着装识别方法及装置
CN112966618B (zh) * 2021-03-11 2024-02-09 京东科技信息技术有限公司 着装识别方法、装置、设备及计算机可读介质
CN112966618A (zh) * 2021-03-11 2021-06-15 京东数科海益信息科技有限公司 着装识别方法、装置、设备及计算机可读介质
CN113128351A (zh) * 2021-03-25 2021-07-16 中电建电力检修工程有限公司 一种安全帽佩戴检测方法
CN113592014A (zh) * 2021-08-06 2021-11-02 广联达科技股份有限公司 安全帽的识别方法、装置、计算机设备和存储介质
CN114241513A (zh) * 2021-11-12 2022-03-25 佛山中科云图智能科技有限公司 一种安全帽检测方法、检测装置、存储介质和计算机设备
CN113822242B (zh) * 2021-11-19 2022-02-25 中化学交通建设集团有限公司 一种基于图像识别技术的安全帽佩戴识别方法和装置
CN113822242A (zh) * 2021-11-19 2021-12-21 中化学交通建设集团有限公司 一种基于图像识别技术的安全帽佩戴识别方法和装置
CN114332738A (zh) * 2022-01-18 2022-04-12 浙江高信技术股份有限公司 一种用于智慧工地的安全帽检测***
CN114332738B (zh) * 2022-01-18 2023-08-04 浙江高信技术股份有限公司 一种用于智慧工地的安全帽检测***
CN115082864A (zh) * 2022-07-25 2022-09-20 青岛亨通建设有限公司 一种建筑施工安全监控***
CN115082864B (zh) * 2022-07-25 2022-12-02 青岛亨通建设有限公司 一种建筑施工安全监控***

Also Published As

Publication number Publication date
CN108921159B (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
CN108921159A (zh) 用于检测安全帽的佩戴情况的方法和装置
CN108416250B (zh) 人数统计方法及装置
CN107679490B (zh) 用于检测图像质量的方法和装置
CN105631439B (zh) 人脸图像处理方法和装置
CN109902659B (zh) 用于处理人体图像的方法和装置
CN109389068A (zh) 用于识别驾驶行为的方法和装置
CN108510472B (zh) 用于处理图像的方法和装置
CN108932456B (zh) 人脸识别方法、装置和***及存储介质
CN108171207A (zh) 基于视频序列的人脸识别方法和装置
CN108229335A (zh) 关联人脸识别方法和装置、电子设备、存储介质、程序
CN108875534B (zh) 人脸识别的方法、装置、***及计算机存储介质
CN109753928A (zh) 违章建筑物识别方法和装置
CN108229344A (zh) 图像处理方法和装置、电子设备、计算机程序和存储介质
CN108197618A (zh) 用于生成人脸检测模型的方法和装置
CN108229485A (zh) 用于测试用户界面的方法和装置
JPWO2016002408A1 (ja) 画像処理装置、監視システム、画像処理方法、及びプログラム
CN109558779A (zh) 图像检测方法和装置
CN108509921A (zh) 用于生成信息的方法和装置
CN108304816A (zh) 身份识别方法、装置、存储介质及电子设备
CN109165644A (zh) 目标检测方法和装置、电子设备、存储介质、程序产品
CN108171208A (zh) 信息获取方法和装置
CN111553266A (zh) 识别验证方法、装置及电子设备
CN109086780A (zh) 用于检测电极片毛刺的方法和装置
CN108337505A (zh) 信息获取方法和装置
CN108932774A (zh) 信息检测方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant