CN109919182B - 一种终端侧电力安全作业图像识别方法 - Google Patents

Abstract

本发明公开了一种终端侧电力安全作业图像识别方法。传统的基于图像的安全帽识别方法为保障识别的准确性，提取了大量的特征用于建模和分类；此类方法均有较高的计算复杂度，终端侧MCU的计算能力难以支撑现有算法的运行。本发明的终端侧电力安全作业图像识别方法，包括模型训练和安全帽识别两部分，训练和安全帽识别的过程均在摄像头终端侧完成，摄像头仅将发现存在作业人员未佩戴安全帽的图像发送至后台服务器，其余数据均在摄像头本地存储。本发明的方法具有较低的运算量和数据存储量，可在摄像头终端侧实现作业人员安全帽佩戴情况识别。

Description

一种终端侧电力安全作业图像识别方法

技术领域

本发明属于图像识别领域，具体地说是一种终端侧电力安全作业图像识别方法。

背景技术

根据安全规范，在电力现场作业中作业人员都必须佩带安全帽。目前在电力安全作业图像识别方面，主要通过现场监控视频图像信息，识别作业人员是否佩戴安全帽。基于现场监控视频图像的安全帽识别的主要步骤如下：

1.采集现场作业图像，并对图像进行归一化处理，建立相应的训练样本库。

2.提取图像中用于鉴别安全帽的相关特征，现有方法使用的特征包括SIFT角点特征、颜色统计特征、HOG特征等。

3.利用训练样本库中的图像，基于图像中安全帽的特征，训练戴安全帽与不戴安全帽两类情况对应的模型，现有的建模方法主要包括神经网络、支持向量机、Fisher判别模型等。

4.根据现场拍摄的图像/视频，判断作业人员是否佩戴安全帽。

传统的基于图像的安全帽识别方法为保障识别的准确性，提取了大量的特征用于建模和分类；此类方法均有较高的计算复杂度，终端侧MCU的计算能力难以支撑现有算法的运行。

发明内容

本发明所要解决的技术问题是克服上述现有技术存在的缺陷，提供一种面向摄像头终端侧的电力安全作业图像识别方法，以较低的计算复杂度实现电力作业人员安全帽佩戴识别。

为此，本发明采用如下的技术方案：一种终端侧电力安全作业图像识别方法，其包括模型训练和安全帽识别，模型训练和安全帽识别的过程均在摄像头终端侧完成；

通过模型训练得到电力作业人员安全帽佩戴情况的支持向量机分类器F(x)；

安全帽识别的过程如下：

1)获取无人员进入摄像头拍摄区域的图像，并将图像转化为灰度图；

2)通过maxpooling算法，以N*N的采样核为对灰度图进行下采样，得到背景图像H₀；

3)计算H₀中每个像素点的梯度、梯度幅值和梯度方向分别为：

其中，

式中，x、y表示图像中像素点的横、纵坐标；

4)以设定的时间间隔T，并将背景图像H₀转化为灰度图，利用maxpooling算法对当前监测区域图像进行下采样，得到图像H_kT；

5)计算H_kT中每个像素点的梯度、梯度幅值和梯度方向分别为：

其中，

6)将H_kT中每个像素点的梯度减去背景图像H₀的梯度，得到特征矩阵A_kT、B_kT：

7)对A_kT、B_kT按列拉直，得到向量vec(A_kT)，vec(B_kT)；

8)如果||vec(A_kT)||+||vec(B_kT)||>e，跳转至步骤9)，否则跳转至步骤4)；

9)根据A_kT、B_kT构造H_kT的HOG特征x_kT；

10)计算F(x_kT)，如果F(x_kT)≤0表示作业人员未佩戴安全帽，F(x_kT)＞0表示作业人员已佩戴安全帽。

本发明提出了一种终端侧电力安全作业图像识别方法，该方法具有较低的运算量和数据存储量，可在摄像头终端侧实现作业人员安全帽佩戴情况识别。

进一步地，步骤9)中，HOG特征向量x_kT的具体构造方式如下：

1)从矩阵A_kT、B_kT进行裁剪，删除其元素全为0的行和列，得到矩阵

2)对矩阵A_kT、B_kT按列拉直，得到向量

3)将梯度方向角分为[0,20),[20,40),[40,60),[60,80),[80,100),[100,120),[120,140),[140,160),[160,180),[180,200),[200,220),[220,240),[240,260),[260,280),[280,300),[300,320),[320,340),[340,360)18个区间，统计

中梯度方向的对应区间的梯度幅值大小，构造HOG特征向量x_kT。

进一步地，所述模型训练的具体步骤如下：

1)获取无人员进入摄像头拍摄区域的图像，并将图像转化为灰度图；

2)通过maxpooling算法，以N*N的采样核为对灰度图进行下采样，得到背景图像H₀；

3)计算H₀中每个像素点的梯度、梯度幅值和梯度方向，分别为：

其中，

式中，x,y表示图像中像素点的横、纵坐标；

4)获取作业人员进入摄像头拍摄区域的图像，并将图像转化为灰度图；

5)对于第k幅有作业人员的图像，通过maxpooling算法对灰度图进行下采样，得到图像H_k；

6)计算H_k中每个像素点的梯度、梯度幅值和梯度方向，分别为：

其中，

7)将H_k中每个像素点的梯度减去背景图像H₀的梯度，得到特征矩阵A_k、B_k：

8)根据A_k、B_k构造图像H_k的HOG特征；

9)对于图像H_k，用P_k＝1表示图中的作业人员佩戴安全帽，用P_k＝0表示图中的作业人员未佩戴安全帽；

10)选取电力作业图像，构造训练样本集{[x₁,P₁],[x₂,P₂],...,[x_n,P_n]}，训练电力作业人员安全帽佩戴情况的支持向量机分类器F(x)＝w^Tx+b，其中，w，b通过下式计算得到：

进一步地，模型训练的步骤8)中，HOG特征向量x_k的具体构造方式如下：

1)从矩阵A_k、B_k进行裁剪，删除其元素全为0的行和列，得到矩阵

2)对矩阵

按列拉直，得到向量

3)将梯度方向角分为[0,20),[20,40),[40,60),[60,80),[80,100),[100,120),[120,140),[140,160),[160,180),[180,200),[200,220),[220,240),[240,260),[260,280),[280,300),[300,320),[320,340),[340,360)18个区间，统计

中梯度方向的对应区间的梯度幅值大小，构造HOG特征向量x_k。

相比与现有的识别方法，本发明具有的有益效果如下：

1.通过maxpooling下采样，对图片进行了滤波，降低了数据存储量和计算量；

2.通过作业图像梯度与背景图像梯度相减，过滤了背景信息，实现了人体特征的有效提取；

3.在构造HOG特征过程中，对原始梯度矩阵中的全0行和全0列进行了裁剪，降低了HOG特征向量的长度，进一步降低了计算量。

附图说明

图1为本发明模型训练的过程图；

图2为本发明安全帽识别的过程图。

具体实施方式

为使本发明的目的、技术方案和优点表达的更加清晰、明白，下面结合附图及具体实例对本发明再做进一步详细的说明。

本发明提出的终端侧电力安全作业图像识别方法，包括模型训练和安全帽识别两部分，训练和识别的过程均在摄像头终端侧完成。拍摄图像的摄像头位置保持固定，摄像头与服务器通过以太网连接，摄像头仅将发现存在作业人员未佩戴安全帽的图像发送至后台服务器，其余数据均在摄像头本地存储。

模型训练的过程如图1所示，具体步骤如下：

1.获取无人员进入摄像头拍摄区域的图像，并将图像转化为灰度图；

2.通过maxpooling算法，以N*N的采样核为对灰度图进行下采样，得到背景图像H₀；

3.计算H₀中每个像素点的梯度，梯度幅值和梯度方向分别为：

其中，

4.获取作业人员进入摄像头拍摄区域的图像，并将图像转化为灰度图；

5.对于第k幅有作业人员的图像，通过maxpooling算法对灰度图进行下采样，得到图像H_k；

6.计算H_k中每个像素点的梯度，梯度幅值和梯度方向分别为：

其中，

7.将H_k中每个像素点的梯度减去背景图像H₀的梯度，得到特征矩阵A_k、B_k：

8.根据A_k、B_k构造H_k的HOG特征，具体构造方式如下：

(1)从矩阵A_k、B_k进行裁剪，删除其元素全为0的行和列，得到矩阵

(2)对矩阵

按列拉直，得到向量

(3)将梯度方向角分为[0,20),[20,40),[40,60),[60,80),[80,100),[100,120),[120,140),[140,160),[160,180),[180,200),[200,220),[220,240),[240,260),[260,280),[280,300),[300,320),[320,340),[340,360)18个区间，统计

中梯度方向的对应区间的梯度幅值大小，构造HOG特征向量x_k；

9.对于图像H_k，用P_k＝1表示图中的作业人员佩戴安全帽，用P_k＝0表示图中的作业人员未佩戴安全帽；

10.选取电力作业图像，构造训练样本集{[x₁,P₁],[x₂,P₂],...,[x_n,P_n]}，训练电力作业人员安全帽佩戴情况的支持向量机(SVM)分类器F(x)＝w^Tx+b，其中，w，b通过下式计算得到：

安全帽识别的过程如图2所示，具体步骤如下：

1.获取无人员进入摄像头拍摄区域的图像，并将图像转化为灰度图；

2.通过maxpooling算法，以N*N的采样核为对灰度图进行下采样，得到背景图像H₀；

3.计算H₀中每个像素点的梯度，梯度幅值和梯度方向分别为：

其中，

G_0x(x,y)＝H₀(x+1,y)-H₀(x-1,y)

G_0y(x,y)＝H₀(x,y+1)-H₀(x,y-1)

4.以设定的时间间隔T，并将背景图像H₀转化为灰度图，利用maxpooling算法对当前监测区域图像进行下采样，得到图像H_kT；

5.计算H_kT中每个像素点的梯度，梯度幅值和梯度方向分别为：

其中，

6.将H_kT中每个像素点的梯度减去背景图像H₀的梯度，得到特征矩阵A_kT、B_kT：

7.对A_kT、B_kT按列拉直，得到向量vec(A_kT)，vec(B_kT)；

8.如果||vec(A_kT)||+||vec(B_kT)||>e，跳转至步骤9，否则跳转至步骤4；

9.根据A_kT、B_kT构造H_kT的HOG特征，具体构造方式如下：

(1)从矩阵A_kT、B_kT进行裁剪，删除其元素全为0的行和列，得到矩阵

(2)对矩阵A_kT、B_kT按列拉直，得到向量

(3)将梯度方向角分为[0,20),[20,40),[40,60),[60,80),[80,100),[100,120),[120,140),[140,160),[160,180),[180,200),[200,220),[220,240),[240,260),[260,280),[280,300),[300,320),[320,340),[340,360)18个区间，统计

中梯度方向的对应区间的梯度幅值大小，构造HOG特征向量x_kT；

10.计算F(x_kT),如果F(x_kT)≤0表示作业人员未佩戴安全帽，F(x_kT)＞0表示作业人员已佩戴安全帽。

基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

Claims (2)

1.一种终端侧电力安全作业图像识别方法，其特征在于，包括模型训练和安全帽识别，模型训练和安全帽识别的过程均在摄像头终端侧完成；摄像头仅将发现存在作业人员未佩戴安全帽的图像发送至后台服务器，其余数据均在摄像头本地存储；

通过模型训练得到电力作业人员安全帽佩戴情况的支持向量机分类器F(x)；

安全帽识别的过程如下：

1)获取无人员进入摄像头拍摄区域的图像，并将图像转化为灰度图；

2)通过maxpooling算法，以N*N的采样核为对灰度图进行下采样，得到背景图像H₀；

3)计算H₀中每个像素点的梯度、梯度幅值和梯度方向分别为：

其中，

式中，x、y表示图像中像素点的横、纵坐标；

4)以设定的时间间隔T，并将背景图像H₀转化为灰度图，利用maxpooling算法对当前监测区域图像进行下采样，得到图像H_kT；

5)计算H_kT中每个像素点的梯度、梯度幅值和梯度方向分别为：

其中，

6)将H_kT中每个像素点的梯度减去背景图像H₀的梯度，得到特征矩阵A_kT、B_kT：

7)对A_kT、B_kT按列拉直，得到向量vec(A_kT)，vec(B_kT)；

8)如果||vec(A_kT)||+||vec(B_kT)||>e，跳转至步骤9)，否则跳转至步骤4)；

9)根据A_kT、B_kT构造H_kT的HOG特征x_kT；

10)计算F(x_kT)，如果F(x_kT)≤0表示作业人员未佩戴安全帽，F(x_kT)>0表示作业人员已佩戴安全帽；

步骤9)中，HOG特征向量x_kT的具体构造方式如下：

1)从矩阵A_kT、B_kT进行裁剪，删除其元素全为0的行和列，得到矩阵

2)对矩阵A_kT、B_kT按列拉直，得到向量

3)将梯度方向角分为[0,20),[20,40),[40,60),[60,80),[80,100),[100,120),[120,140),[140,160),[160,180),[180,200),[200,220),[220,240),[240,260),[260,280),[280,300),[300,320),[320,340),[340,360)18个区间，统计

中梯度方向的对应区间的梯度幅值大小，构造HOG特征向量x_kT；

所述模型训练的具体步骤如下：

1)获取无人员进入摄像头拍摄区域的图像，并将图像转化为灰度图；

2)通过maxpooling算法，以N*N的采样核为对灰度图进行下采样，得到背景图像H₀；

3)计算H₀中每个像素点的梯度、梯度幅值和梯度方向，分别为：

其中，

4)获取作业人员进入摄像头拍摄区域的图像，并将图像转化为灰度图；

5)对于第k幅有作业人员的图像，通过maxpooling算法对灰度图进行下采样，得到图像H_k；

6)计算H_k中每个像素点的梯度、梯度幅值和梯度方向，分别为：

其中，

7)将H_k中每个像素点的梯度减去背景图像H₀的梯度，得到特征矩阵A_k、B_k：

8)根据A_k、B_k构造图像H_k的HOG特征；

9)对于图像H_k，用P_k＝1表示图中的作业人员佩戴安全帽，用P_k＝0表示图中的作业人员未佩戴安全帽；

10)选取电力作业图像，构造训练样本集{[x₁,P₁],[x₂,P₂],...,[x_n,P_n]}，训练电力作业人员安全帽佩戴情况的支持向量机分类器F(x)＝w^Tx+b，其中，w，b通过下式计算得到：

2.根据权利要求1所述的终端侧电力安全作业图像识别方法，其特征在于，模型训练的步骤8)中，HOG特征向量x_k的具体构造方式如下：

1)从矩阵A_k、B_k进行裁剪，删除其元素全为0的行和列，得到矩阵

2)对矩阵

按列拉直，得到向量

3)将梯度方向角分为[0,20),[20,40),[40,60),[60,80),[80,100),[100,120),[120,140),[140,160),[160,180),[180,200),[200,220),[220,240),[240,260),[260,280),[280,300),[300,320),[320,340),[340,360)18个区间，统计

中梯度方向的对应区间的梯度幅值大小，构造HOG特征向量x_k。

Images