CN110619314A - 安全帽检测方法、装置及电子设备 - Google Patents

Abstract

本公开实施例中提供了一种安全帽检测方法、装置及电子设备，属于图像处理技术领域，该方法包括：获取对应目标场景的视频；从视频中提取包含人物头部特征的场景图像；从场景图像中框选出人物头部区域；按照预设扩框方向和尺寸，以人物头部区域为基准，从场景图像中框选出目标区域，所述目标区域至少包括人物头部区域；根据预设的安全帽检测模型，分析目标区域中的特征点，以确定目标场景中人员的安全帽佩戴状态，其中，所述安全帽佩戴状态包括佩戴安全帽的状态和未佩戴安全帽的状态。通过本公开的处理方案，提高了安全帽检测的检测效率和准确度，可以实现利用已有视频针对不同目标场景中的人员安全帽检测，节省了人工检测的人力成本和时间成本。

Description

安全帽检测方法、装置及电子设备

技术领域

本公开涉及图像处理技术领域，尤其涉及一种安全帽检测方法、装置及电子设备。

背景技术

佩戴安全帽为工作人员进入施工现场的基本要求。然而，施工人员因各种原因可能未佩戴安全帽，或未将安全帽佩戴至头部的位置。现有的安全帽检测方法为，工作人员在特定机器前进行拍照，以及通过人为分析工作人员的安全帽佩戴状态。这种检测方法需要待检测人员在仪器前进行定点拍照，增加了时间成本；人为分析施工人员的安全帽佩戴状态会导致安全帽佩戴状态的检测效率和准确性较低。

可见，现有的安全帽检测方法存在安全帽佩戴状态的检测效率和准确性较低的技术问题。

发明内容

有鉴于此，本公开实施例提供一种安全帽检测方法、装置及电子设备，至少部分解决现有技术中存在的问题。

第一方面，本公开实施例提供了一种安全帽检测方法，包括：

获取对应目标场景的视频；

从所述视频中提取包含人物头部特征的场景图像；

从所述场景图像中框选出人物头部区域；

按照预设扩框方向和尺寸，以所述人物头部区域为基准，从所述场景图像中框选出目标区域，所述目标区域至少包括人物头部区域；

根据预设的安全帽检测模型，分析所述目标区域中的特征点，以确定所述目标场景中人员的安全帽佩戴状态，其中，所述安全帽佩戴状态包括佩戴安全帽的状态和未佩戴安全帽的状态。

根据本公开实施例的一种具体实现方式，所述按照预设扩框方向和尺寸，以所述人物头部区域为基准，从所述场景图像中框选出目标区域的步骤之前，包括：

获取测试人员处于佩戴安全帽状态的正样本数据，以及，获取测试人员处于未佩戴安全帽状态的负样本数据；

利用所述正样本数据和所述负样本数据训练卷积神经网络，得到能够检测安全帽佩戴状态的所述安全帽检测模型。

根据本公开实施例的一种具体实现方式，所述获取测试人员佩戴安全帽状态的正样本数据的步骤，包括：

获取多张包含第一目标特征点的第一图像，其中，所述第一目标特征点为所述第一图像中用于标识安全帽佩戴区域的特征点；

从每个所述第一图像中提取全部所述第一目标特征点，生成第一测试图像；

以所述第一测试图像为依据，对所述第一测试图像中的第一目标特征点的数据信息进行预设次数的数据扩增，得到第一状态图像；

将全部所述第一测试图像和所述第一状态图像均作为所述正样本数据。

根据本公开实施例的一种具体实现方式，所述获取测试人员佩戴安全帽状态的负样本数据的步骤，包括：

获取多张包含第二目标特征点的第二图像，其中，所述第二目标特征点为所述第二图像中用于标识测试人员头部区域的特征点；

从每个所述第二图像中提取全部所述第二目标特征点，生成第二测试图像；

以所述第二测试图像为依据，对所述第二测试图像中的第二目标特征点的数据信息进行预设次数的数据扩增，得到第二状态图像；

将全部所述第二测试图像和所述第二状态图像均作为所述负样本数据。

根据本公开实施例的一种具体实现方式，所述以所述第一测试图像为依据，对所述第一测试图像中的第一目标特征点的数据信息进行预设次数的数据扩增，得到第一状态图像的步骤，包括：

获取第一测试图像中每个第一目标特征点的位置坐标；

以第一测试图像当前的特征点排列位置为基准，对所述第一测试图像中的第一目标特征点进行变换处理；其中，所述变换处理包括平移、旋转、光线参数调节中的至少一种；

和/或，

所述以所述第二测试图像为依据，对所述第二测试图像中的第二目标特征点的数据信息进行预设次数的数据扩增，得到第二状态图像的步骤，包括：

获取第二测试图像中每个第二目标特征点的位置坐标；

以第二测试图像当前的特征点排列位置为基准，对所述第二测试图像中的第二目标特征点进行变换处理；其中，所述变换处理包括平移、旋转、光线参数调节中的至少一种。

根据本公开实施例的一种具体实现方式，所述以第一测试图像当前的特征点排列位置为基准，对所述第一测试图像中的第一目标特征点进行变换处理的步骤，包括：

在第一测试图像中，将至少一个第一目标特征点平移预设数量的像素值；和/或，

在第一测试图像中，以至少一个第一目标特征点为中心点旋转预设的角度；和/或，

在第一测试图像中，对至少一个第一目标特征点的亮度值进行增减。

根据本公开实施例的一种具体实现方式，所述利用所述正样本数据和所述负样本数据训练卷积神经网络，得到能够检测安全帽佩戴状态的所述安全帽检测模型的步骤之前，所述方法包括：

搭建包含卷积层的卷积神经网络框架；

在所述卷积神经网络框架的每个卷积层之后，添加批标准化层，以得到所述卷积神经网络。

根据本公开实施例的一种具体实现方式，所述在所述卷积神经网络框架的每个卷积层之后，添加批标准化层的步骤之后，所述方法还包括：

逐步添加线性整流层和池化层以形成一个网络块；

控制多个所述网络块堆叠以形成所述卷积神经网络框架的卷积神经网络结构；

添加全局池化层，以得到所述卷积神经网络。

第二方面，本公开实施例提供了一种安全帽检测的装置，包括：

获取模块，用于获取目标场景中包含人物头部特征的人物图像；

第一框选模块，用于从所述人物图像中框选出人物头部区域；

第二框选模块，用于按照预设扩框方向和尺寸，以所述人物头部区域为基准，从所述人物图像中框选出目标区域，所述目标区域包括头部区域；

分析模块，用于根据预设的安全帽检测模型，分析所述目标区域中的特征点，以确定所述目标区域内安全帽的佩戴状态，其中，所述安全帽的佩戴状态包括佩戴安全帽的状态和未佩戴安全帽的状态。

第三方面，本公开实施例还提供了一种电子设备，该电子设备包括：

至少一个处理器；以及，

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的安全帽检测方法。

第四方面，本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的安全帽检测方法。

第五方面，本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的安全帽检测方法。

本公开实施例中的安全帽检测方法、装置及电子设备，包括获取对应目标场景的视频；从所述视频中提取包含人物头部特征的场景图像；从所述场景图像中框选出人物头部区域；按照预设扩框方向和尺寸，以所述人物头部区域为基准，从所述场景图像中框选出目标区域，所述目标区域至少包括人物头部区域；根据预设的安全帽检测模型，分析所述目标区域中的特征点，以确定所述目标场景中人员的安全帽佩戴状态，其中，所述安全帽佩戴状态包括佩戴安全帽的状态和未佩戴安全帽的状态。

通过本公开的方案，提高了安全帽检测的检测效率和准确度，可以实现利用已有视频针对不同目标场景中的人员安全帽检测，节省了人工检测的人力成本和时间成本。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本公开实施例提供的一种安全帽检测方法流程示意图；

图2为本公开实施例提供的另一种安全帽检测方法流程示意图；

图3为本公开实施例提供的另一种安全帽检测方法流程示意图；

图4为本公开实施例提供的另一种安全帽检测方法流程示意图；

图5为本公开实施例提供的一种安全帽检测装置结构示意图；

图6为本公开实施例提供的电子设备示意图。

具体实施方式

下面结合附图对本公开实施例进行详细描述。

以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。

还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本公开的基本构想，图式中仅显示与本公开中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。

本公开实施例提供一种安全帽检测方法。本实施例提供的安全帽检测方法可以由一计算装置来执行，该计算装置可以实现为软件，或者实现为软件和硬件的组合，该计算装置可以集成设置在服务器、终端设备等中。

参见图1，本公开实施例提供的一种安全帽检测方法，包括：

S101，获取对应目标场景的视频；

本公开实施例提供的安全帽检测方法，可以应用于施工现场等场景中的人员安全帽检测过程。在进行检测之前，首先需要获取施工现场中监控摄像头等图像采集装置拍摄的预设时间点或预设时间段内的视频，将施工现场定义为目标场景，将施工现场中监控摄像头等图像采集装置拍摄的视频定义为目标场景的视频。并且，将目标场景为预设时间点内的目标场景定义为第一目标场景，将目标场景为预设时间段内的目标场景定义为第二目标场景。

所述视频将一帧帧的静态图像以电信号的方式加以捕捉和处理。这里的静态图像中的因素可以包括人物和/或环境，其中的人物可以处于佩戴安全帽的状态或者未佩戴安全帽的状态。在所述第一目标场景下，获取的是某个时间点的静态图像；在所述第二目标场景下，获取的是若干张预设时间段内的静态图像。可理解的是，视频对应的预设时间段越长，则能够捕捉到的对应第二目标场景的图像总量越大；相应地，分析对应所述第二目标场景下的人员佩戴安全帽的参考数据就越多，准确度就越高。可选地，将第二目标场景的时间段选取为人员相对集中场景下的时间段，这样更有利于后续的分析检测过程。例如，第二目标场景的时间段选取上班或下班高峰期时间段，则获取的是上班或下班高峰期时间段内的图像。当然，在其他实施方式中，也可以仅采集上下班时刻或者某一预定时刻的图像，作为用于分析目标场景的人员安全帽佩戴状态的图像。

S102，从所述视频中提取包含人物头部特征的场景图像；

通过上述步骤获取对应目标场景的视频后，可以从视频中提取多个静态图像，将多个静态图像中的包含人物头部特征的静态图像定义为场景图像。所述“人物头部特征”指对应人物肩膀、耳朵、嘴巴、鼻子、眼睛等部位及其邻近区域的特征点。

实施时，将获取的第一目标场景或第二目标场景中的视频发送给图像处理装置进行处理，得到若干张一帧帧的静态图像。可以从若干张静态图像抽取至少一张静态图像作为待检测的场景图像，也可以将某个预定时刻对应的图像作为待检测的场景图像。其中，待检测的场景图像包含至少一个具有头部特征的人物信息。本实施例中，以一张包含多个人物头部特征的图像为例，来具体阐述提取各人物头部特征以获得场景图像的过程。

可选地，先定位场景图像中存在的全部对应人物头部特征的头部区域，在每个头部区域及其邻近区域内标记预定数量的特征点，例如将肩膀、耳朵、嘴巴、鼻子、眼睛等部位及其邻近区域作为头部区域的特征点。

本实施例的电子设备内预设有图像特征点提取模型，该模型内置有提取人物头部区域特征点的算法和识别该区域特征点的预设条件。具体地，标注头部区域各特征点的位置坐标，所述位置坐标通过特征点坐标图像表示，特征点坐标图像与对应的图像特征点提取模型的训练图像长宽相同，且在特征点坐标图像中与对应的图像特征点提取模型的训练图像中的所有特征点位置相对应的位置通过像素值进行标记。例如，特征点坐标图像为二值化图像，在对应的训练图像中的特征点的位置处为像素值1，此时提取到头部区域的特征点。非特征点的位置处为像素值0，此时未提取到头部区域的特征点。通过图像特征点提取模型连续提取包含人物头部区域的多个关键点特征信息，从而获取包含人物头部特征的场景图像。

S103，从所述场景图像中框选出人物头部区域；

由上述步骤得到了包含一个或多个人物头部特征的场景图像，现以所述场景图像为基准，从中框选出一个或多个人物头部区域，所述人物头部区域内包含佩戴安全帽状态的特征点或未佩戴安全帽状态的特征点。

具体地，标记各人物头部区域的框选中心位置坐标，并根据预设的框选宽度和高度来完成框选。当一张场景图像中包含多个人物头部区域时，则分别框选出每个人物头部区域。

可选地，用于执行框选操作的选框可以包括矩形选框、圈选框以及其他形状的选框。例如，当选框为圈选框时，标记各人物头部区域的框选中心位置坐标，并根据预设的框选半径来完成框选。操作时，根据预设的选框对场景图像中包含头部特征的人物头部区域进行框选。这样，从所述场景图像中框选出了包含佩戴安全帽状态的人物头部区域或未佩戴安全帽状态的人物头部区域。

S104，按照预设扩框方向和尺寸，以所述人物头部区域为基准，从所述场景图像中框选出目标区域，所述目标区域至少包括人物头部区域；

从所述场景图像中框选出一个或多个人物头部区域后，按照预设扩框方向和尺寸，能够以人物头部区域为基准，向外扩展出一个相对较大的区域，用于后续的检测步骤，可以将框选出来的较大区域定义为目标区域。

实施时，按照预设的扩框方向和尺寸进行扩展。例如，以场景图像中的某个基准方向进行扩框，或者，以所述场景图像中的人中所在方向为基准进行扩框。此外，扩框尺寸可以根据人物头部尺寸来设定，或者，根据人物头部区域在佩戴安全帽状态时的整体尺寸来设定。可选地，扩框方向和扩框尺寸均可以根据具体情况来设定，不作限定。

S105，根据预设的安全帽检测模型，分析所述目标区域中的特征点，以确定所述目标场景中人员的安全帽佩戴状态，其中，所述安全帽佩戴状态包括佩戴安全帽的状态和未佩戴安全帽的状态。

本实施例的电子设备内可以预先存储有安全帽检测模型，该安全帽检测模型可以通过接收用户输入的包含人物头部特征的图像来分析所述图像中的人员安全帽佩戴状态，其中，佩戴状态包括佩戴安全帽和未佩戴安全帽。具体地，安全帽检测模型内预先设置有分析算法，以及安全帽佩戴状态所对应的筛选条件。该分析算法可以提取图像中人物头部特征点，判断该图像中的特征点是否符合筛选条件，在符合筛选条件时即确定该图像中的人员安全帽佩戴状态为佩戴安全帽，否则确定安全帽佩戴状态为未佩戴安全帽。本公开实施例中，安全帽检测模型通过搭建的网络框架获得，安全帽检测模型内包含用于分析图像中人物处于佩戴安全帽状态的算法。

需要说明的是，在对应目标场景中的目标区域内，可以有多个包含人物头部特征的图像。分析检测时，若图像中的全部人员的安全帽佩戴状态均为佩戴安全帽时，则输出目标场景内全部人员均处于安全帽佩戴状态的指示信息。反之，若有至少一个人员的安全帽佩戴状态为未佩戴安全帽，则输出该目标场景内的全部人员未全部佩戴安全帽的指示信息。进一步的，也可以通过人脸识别方式识别出未佩戴安全帽的具体人员，以进行提醒或者通报。

上述本公开的实施例提供的安全帽检测方法，通过获取对应目标场景的视频，从所述视频中提取包含人物头部特征的场景图像，并从所述场景图像中框选出人物头部区域，以及根据所述场景图像框选目标区域，分析所述目标区域中的特征点，以此来判断所述目标场景中的人物是否满足安全帽佩戴状态。这样可以实现利用已有视频针对不同目标场景中的人员安全帽检测，节省了人工检测的人力成本和时间成本，提高了安全帽检测的检测效率和准确度。

在一种具体实施方式中，如图2所示，所述按照预设扩框方向和尺寸，以所述人物头部区域为基准，从所述场景图像中框选出目标区域的步骤之前，所述方法还可以包括：

S201，获取测试人员处于佩戴安全帽状态的正样本数据，以及，获取测试人员处于未佩戴安全帽状态的负样本数据；

为了提高检测精度，正样本数据和负样本数据以多样化和随机性的方式获取更好，且正样本数据和负样本数据的数量越多则越能提高检测精度。

S202，利用所述正样本数据和所述负样本数据训练卷积神经网络，得到能够检测安全帽佩戴状态的所述安全帽检测模型。

当正样本数据和所述负样本数据为多样化、随机性获取且数量较大时，经过其训练得到的卷积神经网络的检测精度越高。

在本公开的实施例中，所述利用所述正样本数据和所述负样本数据训练卷积神经网络，得到能够检测安全帽佩戴状态的所述安全帽检测模型的步骤之前，所述方法还可以包括：

搭建包含卷积层的卷积神经网络框架；

在所述卷积神经网络框架的每个卷积层之后，添加批标准化层，以得到所述卷积神经网络。

本公开的实施例中，批标准化层为Batch Normalization层。当电子设备读取视频或图像信息后，首先使用卷积层对其卷积，但是由于随着网络深度加深，整体分布逐渐往函数取值的上下限靠近，这就导致反向传播时部分神经网络梯度消失，训练变慢。故我们在每个卷积层之后，都加入一个Batch Normalization层，它把每层输入值的分布转为均值为0方差为1的标准正态分布，可以让梯度变大，避免梯度消失，加快训练速度。

进一步地，在所述卷积神经网络框架的每个卷积层之后，添加批标准化层的步骤之后，所述方法还包括：

逐步添加线性整流层和池化层以形成一个网络块；

控制多个所述网络块堆叠以形成所述卷积神经网络框架的卷积神经网络结构；

添加全局池化层，以得到所述卷积神经网络。

在本公开的实施例中，所述线性整流层为Relu层，所述池化层为Pooling层。为了防止网络的每一层输出都是输入的线性组合，即在每一个Batch Normalization层之后都加入一个线性整流层Relu层，使得深层神经网络变为非线性的，这样它可以逼近任意函数。然后，在线性整流层Relu层之后再加入一个Pooling层来提取最强的特征。这样，在每一个卷积层之后逐步添加BatchNormalization层、Relu层和Pooling层以形成一个网络块，控制各个网络块堆叠以形成所述卷积神经网络框架的卷积神经网络结构。此外，在网络结构的最后加入全局池化层Global Average Pooling层，以进一步提升网络性能，提升后续的检测精度。

在一种具体实施方式中，如图3所示，所述获取测试人员佩戴安全帽状态的正样本数据的步骤，包括：

S301，获取多张包含第一目标特征点的第一图像，其中，所述第一目标特征点为所述第一图像中用于标识安全帽佩戴区域的特征点；

可选地，从对应目标场景中调取包含第一图像的视频，或者从网络中爬取包含第一目标特征点的第一图像，对第一图像制作掩码。所述安全帽佩戴区域包括安全帽的靠近人物头部的区域，例如，安全帽靠近人脸的边缘轮廓区域。所述安全帽佩戴区域的特征点为包括安全帽的靠近人物头部的区域的特征点，

S302，从每个所述第一图像中提取全部所述第一目标特征点，生成第一测试图像；

从每个第一图像中提取用于标识安全帽佩戴区域的特征点，以进一步提高测试精度。

S303，以所述第一测试图像为依据，对所述第一测试图像中的第一目标特征点的数据信息进行预设次数的数据扩增，得到第一状态图像；

此步骤的具体实施方式为：

标注所述第一测试图像中每个第一目标特征点的位置坐标；

以第一测试图像当前的特征点排列位置为基准，对所述第一测试图像中的第一目标特征点进行变换处理；其中，所述变换处理包括平移、旋转、光线参数调节中的至少一种；

可选地，上述所述以第一测试图像当前的特征点排列位置为基准，对所述第一测试图像中的第一目标特征点进行变换处理的步骤可以由以下多种具体实施方式：

其一，在第一测试图像中，将至少一个第一目标特征点平移预设数量的像素值；其二，在第一测试图像中，以至少一个第一目标特征点为中心点旋转预设的角度；其三，在第一测试图像中，对至少一个第一目标特征点的亮度值进行增减。

现以平移的变换处理来举例说明。首先，标注出第一测试图像中每个第一目标特征点的位置坐标；其次，在所述第一目标特征点中，选取至少一个第一目标特征点为平移特征点，并获取此平移特征点的位置坐标。将平移特征点的位置坐标平移预设的数量的像素值，例如5～10像素，以得到第一状态图像。

S304，将全部所述第一测试图像和所述第一状态图像均作为所述正样本数据。

本公开的实施例中，每张第一测试图像可以通过不同类型或者不同参数的变换处理得到对应的多张第一状态图像，并将大量的第一测试图像和对应的第一状态图像均存储于同一目录或同一文件夹中作为正样本数据，为后续安全帽检测模型训练提供数据来源。且第一测试图像的数据信息与第一状态图像的数据信息不同，以利于得到多样性和随机性的正样本数据。

在一种具体实施方式中，如图4所示，所述获取测试人员佩戴安全帽状态的负样本数据的步骤，包括：

S401，获取多张包含第二目标特征点的第二图像，其中，所述第二目标特征点为所述第二图像中用于标识测试人员头部区域的特征点；

可选地，从对应目标场景中调取包含第二图像的视频，或者从网络中爬取包含第二目标特征点的第二图像，对第二图像制作掩码。其中，第二目标特征点为第二图像中用于标识测试人员头部区域的特征点。

S402，从每个所述第二图像中提取全部所述第二目标特征点，生成第二测试图像；

S403，以所述第二测试图像为依据，对所述第二测试图像中的第二目标特征点的数据信息进行预设次数的数据扩增，得到第二状态图像；

此步骤的具体实施方式为：

标注第二测试图像中每个第二目标特征点的位置坐标；

以第二测试图像当前的特征点排列位置为基准，对所述第二测试图像中的第二目标特征点进行变换处理；其中，所述变换处理包括平移、旋转、光线参数调节中的至少一种。

可选地，上述的所述以第二测试图像当前的特征点排列位置为基准，对所述第二测试图像中的第二目标特征点进行变换处理的步骤可以由以下多种具体实施方式：

其一，在第二测试图像中，将至少一个第二目标特征点平移预设数量的像素值；其二，在第二测试图像中，以至少一个第二目标特征点为中心点旋转预设的角度；其三，在第二测试图像中，对至少一个第二目标特征点的亮度值进行增减。

现在旋转的变换处理来举例说明。首先，标注出第二测试图像中每个第二目标特征点的位置坐标；其次，在所述第二目标特征点中，选取至少一个第二目标特征点为旋转特征点，并获取此旋转特征点的位置坐标。以此旋转特征点的位置为中心点，旋转预设的角度，例如20度，以得到第二状态图像。

S404，将全部所述第二测试图像和所述第二状态图像均作为所述负样本数据。

本公开的实施例中，每张第二测试图像可以通过不同类型或者不同参数的变换处理得到对应的多张第二状态图像，并将大量的第二测试图像和对应的第二状态图像均存储于同一目录或同一文件夹中作为正样本数据，为后续安全帽检测模型训练提供数据来源。且第二测试图像的数据信息与第二状态图像的数据信息不同，以利于得到多样性和随机性的正样本数据。

与上面的方法实施例相对应，参见图5，本公开实施例还提供了一种安全帽检测的装置50，包括：

获取模块501，用于获取目标场景中包含人物头部特征的人物图像；

第一框选模块502，用于从所述人物图像中框选出人物头部区域；

第二框选模块503，用于按照预设扩框方向和尺寸，以所述人物头部区域为基准，从所述人物图像中框选出目标区域，所述目标区域包括头部区域；

分析模块504，用于根据预设的安全帽检测模型，分析所述目标区域中的特征点，以确定所述目标区域内安全帽的佩戴状态，其中，所述安全帽的佩戴状态包括佩戴安全帽的状态和未佩戴安全帽的状态。

图5所示装置可以对应的执行上述方法实施例中的内容，本实施例未详细描述的部分，参照上述方法实施例中记载的内容，在此不再赘述。

参见图6，本公开实施例还提供了一种电子设备60，该电子设备包括：

至少一个处理器；以及，

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的安全帽检测方法。

本公开实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的安全帽检测方法。

本公开实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的的安全帽检测方法。

下面参考图6，其示出了适于用来实现本公开实施例的电子设备60的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图6所示，电子设备60可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

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装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上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存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——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。计算机可读存储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。在本公开中，计算机可读存储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。而在本公开中，计算机可读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。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、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：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

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电子设备执行时，使得该电子设备：获取至少两个网际协议地址；向节点评价设备发送包括所述至少两个网际协议地址的节点评价请求，其中，所述节点评价设备从所述至少两个网际协议地址中，选取网际协议地址并返回；接收所述节点评价设备返回的网际协议地址；其中，所获取的网际协议地址指示内容分发网络中的边缘节点。

或者，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电子设备执行时，使得该电子设备：接收包括至少两个网际协议地址的节点评价请求；从所述至少两个网际协议地址中，选取网际协议地址；返回选取出的网际协议地址；其中，接收到的网际协议地址指示内容分发网络中的边缘节点。

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公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—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，图示了按照本公开各种实施例的***、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。

描述于本公开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。其中，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，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。

应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。

以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种安全帽检测方法，其特征在于，包括：

获取对应目标场景的视频；

从所述视频中提取包含人物头部特征的场景图像；

从所述场景图像中框选出人物头部区域；

按照预设扩框方向和尺寸，以所述人物头部区域为基准，从所述场景图像中框选出目标区域，所述目标区域至少包括人物头部区域；

根据预设的安全帽检测模型，分析所述目标区域中的特征点，以确定所述目标场景中人员的安全帽佩戴状态，其中，所述安全帽佩戴状态包括佩戴安全帽的状态和未佩戴安全帽的状态。

2.根据权利要求1所述的安全帽检测方法，其特征在于，所述按照预设扩框方向和尺寸，以所述人物头部区域为基准，从所述场景图像中框选出目标区域的步骤之前，包括：

获取测试人员处于佩戴安全帽状态的正样本数据，以及，获取测试人员处于未佩戴安全帽状态的负样本数据；

利用所述正样本数据和所述负样本数据训练卷积神经网络，得到能够检测安全帽佩戴状态的所述安全帽检测模型。

3.根据权利要求2所述的安全帽检测方法，其特征在于，所述获取测试人员佩戴安全帽状态的正样本数据的步骤，包括：

获取多张包含第一目标特征点的第一图像，其中，所述第一目标特征点为所述第一图像中用于标识安全帽佩戴区域的特征点；

从每个所述第一图像中提取全部所述第一目标特征点，生成第一测试图像；

以所述第一测试图像为依据，对所述第一测试图像中的第一目标特征点的数据信息进行预设次数的数据扩增，得到第一状态图像；

将全部所述第一测试图像和所述第一状态图像均作为所述正样本数据。

4.根据权利要求3所述的安全帽检测方法，其特征在于，所述获取测试人员佩戴安全帽状态的负样本数据的步骤，包括：

获取多张包含第二目标特征点的第二图像，其中，所述第二目标特征点为所述第二图像中用于标识测试人员头部区域的特征点；

从每个所述第二图像中提取全部所述第二目标特征点，生成第二测试图像；

以所述第二测试图像为依据，对所述第二测试图像中的第二目标特征点的数据信息进行预设次数的数据扩增，得到第二状态图像；

将全部所述第二测试图像和所述第二状态图像均作为所述负样本数据。

5.根据权利要求4所述的安全帽检测方法，其特征在于，所述以所述第一测试图像为依据，对所述第一测试图像中的第一目标特征点的数据信息进行预设次数的数据扩增，得到第一状态图像的步骤，包括：

获取第一测试图像中每个第一目标特征点的位置坐标；

以第一测试图像当前的特征点排列位置为基准，对所述第一测试图像中的第一目标特征点进行变换处理；其中，所述变换处理包括平移、旋转、光线参数调节中的至少一种；

和/或，

所述以所述第二测试图像为依据，对所述第二测试图像中的第二目标特征点的数据信息进行预设次数的数据扩增，得到第二状态图像的步骤，包括：

获取第二测试图像中每个第二目标特征点的位置坐标；

以第二测试图像当前的特征点排列位置为基准，对所述第二测试图像中的第二目标特征点进行变换处理；其中，所述变换处理包括平移、旋转、光线参数调节中的至少一种。

6.根据权利要求5所述的安全帽检测方法，其特征在于，所述以第一测试图像当前的特征点排列位置为基准，对所述第一测试图像中的第一目标特征点进行变换处理的步骤，包括：

在第一测试图像中，将至少一个第一目标特征点平移预设数量的像素值；和/或，

在第一测试图像中，以至少一个第一目标特征点为中心点旋转预设的角度；和/或，

在第一测试图像中，对至少一个第一目标特征点的亮度值进行增减。

7.根据权利要求1至6中任一项所述的安全帽检测方法，其特征在于，所述利用所述正样本数据和所述负样本数据训练卷积神经网络，得到能够检测安全帽佩戴状态的所述安全帽检测模型的步骤之前，所述方法包括：

搭建包含卷积层的卷积神经网络框架；

在所述卷积神经网络框架的每个卷积层之后，添加批标准化层，以得到所述卷积神经网络。

8.根据权利要求7所述的安全帽检测方法，其特征在于，所述在所述卷积神经网络框架的每个卷积层之后，添加批标准化层的步骤之后，所述方法还包括：

逐步添加线性整流层和池化层以形成一个网络块；

控制多个所述网络块堆叠以形成所述卷积神经网络框架的卷积神经网络结构；

添加全局池化层，以得到所述卷积神经网络。

9.一种安全帽检测的装置，其特征在于，所述装置包括：

获取模块，用于获取目标场景中包含人物头部特征的人物图像；

第一框选模块，用于从所述人物图像中框选出人物头部区域；

第二框选模块，用于按照预设扩框方向和尺寸，以所述人物头部区域为基准，从所述人物图像中框选出目标区域，所述目标区域包括头部区域；

分析模块，用于根据预设的安全帽检测模型，分析所述目标区域中的特征点，以确定所述目标区域内安全帽的佩戴状态，其中，所述安全帽的佩戴状态包括佩戴安全帽的状态和未佩戴安全帽的状态。

10.一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述权利要求1-8中任一项所述的安全帽检测方法。