CN113128273A - 安全帽佩戴检测方法及相关装置 - Google Patents
安全帽佩戴检测方法及相关装置 Download PDFInfo
- Publication number
- CN113128273A CN113128273A CN201911405396.7A CN201911405396A CN113128273A CN 113128273 A CN113128273 A CN 113128273A CN 201911405396 A CN201911405396 A CN 201911405396A CN 113128273 A CN113128273 A CN 113128273A
- Authority
- CN
- China
- Prior art keywords
- video frame
- current video
- image
- target
- frame image
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 273
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 34
- 238000005070 sampling Methods 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 14
- 230000001629 suppression Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000013507 mapping Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/44—Event detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种安全帽佩戴检测方法及相关装置,方法包括:基于深度神经网络对多个当前视频帧图像进行头部检测,得到多个头部检测结果;若多个当前视频帧图像中存在至少一个目标当前视频帧图像,则获取至少一个目标当前视频帧图像中的每个目标当前视频帧图像对应的至少一个待检测图像,每个目标当前视频帧图像对应的头部检测结果均为存在头部图像;基于卷积神经网络对每个目标当前视频帧图像对应的至少一个待检测图像进行安全帽检测,得到每个目标当前视频帧图像对应的安全帽检测结果。采用本申请实施例有助于提高安全帽佩戴检测的准确性。
Description
技术领域
本申请涉及图像识别技术领域,具体涉及一种安全帽佩戴检测方法及相关装置。
背景技术
近年来,相关统计发现众多施工现场死亡事故中与安全帽相关的约占80%,大部分都是受害人没有佩戴安全帽,导致被物体打击或头部被撞击。安全帽里面连着一根扣带的网状帽箍,是安全帽的一个枢纽部门,它能够延迟并减少传递到头部和颈部的压力,更重要的是,它可以吸收大部分能量。因此,为了保护施工现场的施工人员的安全,需要对施工人员的安全帽佩戴情况进行监测。目前的安全帽检测方法的主要分为两种,一种是基于运动检测的方法,另一种是基于人脸检测的方法。前者基于运动检测检测行人以及进行目标定位,这类检测方法容易受到噪声,背景及光线的干扰,会导致人体图像的检测与分割准确度不高,并且如果人是静止的,通过运动检测是检测不出来的。而后者必须先检测到脸部,当出现遮挡,侧脸,面部姿态变化较大或者背对摄像头的情况,该算法即失效。
发明内容
本申请实施例提供一种安全帽佩戴检测方法及相关装置,用于提高安全帽佩戴检测的准确性。
第一方面,本申请实施例提供一种安全帽佩戴检测方法,包括:
基于深度神经网络对多个当前视频帧图像进行头部检测,得到多个头部检测结果,多个头部检测结果与多个当前视频帧图像一一对应;
若多个当前视频帧图像中存在至少一个目标当前视频帧图像,则获取至少一个目标当前视频帧图像中的每个目标当前视频帧图像对应的至少一个待检测图像,每个目标当前视频帧图像对应的头部检测结果均为存在头部图像;
基于卷积神经网络对每个目标当前视频帧图像对应的至少一个待检测图像进行安全帽检测,得到每个目标当前视频帧图像对应的安全帽检测结果。
在一些可能的实施例中,基于深度神经网络对多个当前视频帧图像进行头部检测,得到多个头部检测结果之前,方法还包括:
获得施工现场的多个实时视频流;
获得对多个实时视频流进行采样的采样频率;
根据采样频率对多个实时视频流进行采样,得到多个当前视频帧图像。
在一些可能的实施例中,多个当前视频帧图像的数量为N,N为大于1的整数,基于深度神经网络对多个当前视频帧图像进行头部检测,得到多个头部检测结果,包括:
将当前视频帧图像A输入深度神经网络中,当前视频帧图像A为N个当前视频帧图像中的任意一个;
根据当前视频帧图像A获得不同尺度的M个特征图,M为大于1的整数;
根据M个特征图中的每个特征图和P个先验框预测当前视频帧图像A中存在头部图像的P个区域和P个分数,P个区域和P个分数均分别与P个先验框一一对应;
使用非极大值抑制算法对每个特征图的P个先验框进行筛选,得到每个特征图的目标先验框;
若M个目标先验框存在至少一个目标先验框包括头部图像,则确定当前视频帧图像A对应的头部检测结果为存在头部图像,以及将至少一个目标先验框中的每个目标先验框对应的区域确定为待检测图像;
对N个当前视频帧图像中除当前视频帧图像A之外的(N-1)个当前视频帧图像执行相同操作,得到(N-1)个头部检测结果,(N-1)个头部检测结果与(N-1)个当前视频帧图像一一对应。
在一些可能的实施例中,至少一个目标当前视频帧图像的数量为R,至少一个待检测图像的数量为Q,R和Q均为大于等于1的整数,基于卷积神经网络对每个目标当前视频帧图像对应的至少一个待检测图像进行安全帽检测,得到每个目标当前视频帧图像对应的安全帽检测结果,包括:
将待检测图像B输入卷积神经网络中,待检测图像B为目标当前视频帧图像C对应的Q个待检测图像中的任意一个,目标当前视频帧图像C为R个目标当前视频帧图像中的任意一个;
将卷积神经网络包括的全连接层的输出特征向量输入预设全连接层,预设全连接层的节点个数为预设节点个数;
使用预存的佩戴安全帽概率算法计算待检测图像B中的施工人员佩戴安全帽的概率;
对Q个待检测图像中除待检测图像B之外的(Q-1)个待检测图像执行相同操作,得到(Q-1)个施工人员佩戴安全帽的概率,(Q-1)个施工人员佩戴安全帽的概率与(Q-1)个待检测图像一一对应;
若Q个施工人员佩戴安全帽的概率的平均值大于等于预设概率,则确定待检测图像B对应的安全帽检测结果为佩戴安全帽;
对R个目标当前视频帧图像中除目标当前视频帧图像C之外的(R-1)个目标当前视频帧图像执行相同操作,得到(R-1)个安全帽检测结果,(R-1)个安全帽检测结果与(R-1)个目标当前视频帧图像一一对应。
第二方面,本申请实施例提供一种安全帽佩戴检测装置,包括:
头部检测单元,用于基于深度神经网络对多个当前视频帧图像进行头部检测,得到多个头部检测结果,多个头部检测结果与多个当前视频帧图像一一对应;
图像获取单元,用于若多个当前视频帧图像中存在至少一个目标当前视频帧图像,则获取至少一个目标当前视频帧图像中的每个目标当前视频帧图像对应的至少一个待检测图像,每个目标当前视频帧图像对应的头部检测结果均为存在头部图像;
安全帽检测单元,用于基于卷积神经网络对每个目标当前视频帧图像对应的至少一个待检测图像进行安全帽检测,得到每个目标当前视频帧图像对应的安全帽检测结果。
第三方面,本申请实施例提供一种电子设备,包括处理器、存储器、通信接口以及一个或多个程序,上述一个或多个程序被存储在上述存储器中,并且被配置由上述处理器执行,上述程序包括用于执行如本申请实施例第一方面的方法中的部分或全部步骤的指令。
第四方面,本申请实施例提供一种计算机可读存储介质,上述计算机可读存储介质用于存储计算机程序,上述计算机程序被处理器执行,以实现本申请实施例第一方面的方法中所描述的部分或全部步骤。
第五方面,本申请实施例提供了一种计算机程序产品,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行本申请实施例第一方面的方法中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
可以看出,相较于采用基于运动检测的方法或基于人脸检测的方法对施工现场的施工人员进行安全帽佩戴检测,在本申请实施例中,基于深度神经网络对多个当前视频帧图像进行头部检测,得到多个头部检测结果,如果多个当前视频帧图像中存在至少一个目标当前视频帧图像(目标当前视频帧图像对应的头部检测结果为存在头部图像),那么获得至少一个目标当前视频帧图像中的每个目标当前视频帧图像对应的至少一个待检测图像,基于卷积神经网络对每个目标当前视频帧图像对应的至少一个待检测图像进行安全帽检测,得到每个目标当前视频帧图像对应的安全帽检测结果。由于该安全帽佩戴检测方法对光照、背景的变化更鲁棒,且能够检测到处于静态的人,以及头部检测能够有效解决视频帧图像中出现非正脸导致漏检的问题,因此有助于提高安全帽佩戴检测的准确性。
附图说明
为了更清楚地说明本申请实施例或背景技术中的技术方案,下面将对本申请实施例或背景技术中所需要使用的附图进行说明。
图1是本申请实施例提供的一种安全帽佩戴检测***的架构示意图;
图2是本申请实施例提供的一种安全帽佩戴检测方法的流程示意图;
图3A是本申请实施例提供的另一种安全帽佩戴检测方法的流程示意图;
图3B是本申请实施例提供的一种尺度特征图包括多个先验框的示意图;
图3C是本申请实施例提供的一种使用非极大值抑制先后的示意图;
图4是本申请实施例提供的一种安全帽佩戴检测装置的功能单元组成框图;
图5是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本申请所描述的实施例可以与其它实施例相结合。
电子设备可以包括各种具有无线通信功能的手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其他处理设备,以及各种形式的用户设备(userequipment,UE),移动台(mobile station,MS),终端设备(terminal device,TD)等等。
下面对本申请实施例进行详细介绍。
请参见图1,图1是本申请实施例提供的一种安全帽佩戴检测***的架构示意图,该安全帽佩戴检测***包括多个摄像头、头部检测器、图像处理装置、安全帽检测器和安全提示装置,其中:
多个摄像头,用于获得获得多个当前视频帧图像;
头部检测器,用于基于深度神经网络对多个当前视频帧图像进行头部检测,得到多个头部检测结果,多个头部检测结果与多个当前视频帧图像一一对应;
图像处理装置,用于若多个当前视频帧图像中存在至少一个目标当前视频帧图像(当前视频帧图像对应的头部检测结果为存在头部图像),则获取至少一个目标当前视频帧图像中的每个目标当前视频帧图像对应的至少一个待检测图像;
安全帽检测器,用于基于卷积神经网络对每个目标当前视频帧图像对应的至少一个待检测图像进行安全帽检测,得到每个目标当前视频帧图像对应的安全帽检测结果;
安全提示装置,用于根据至少一个安全帽检测结果获得未佩戴安全帽的施工人员数量;基于施工人员数量范围与安全提示策略确定未佩戴安全帽的施工人员数量所处施工人员数量范围对应的目标安全提示策略;执行目标安全提示策略。
请参见图2,图2是本申请实施例提供的一种安全帽佩戴检测方法的流程示意图,该安全帽佩戴检测方法包括步骤201-203,具体如下:
201、安全帽佩戴检测装置基于深度神经网络对多个当前视频帧图像进行头部检测,得到多个头部检测结果,多个头部检测结果与多个当前视频帧图像一一对应。
安全帽佩戴检测装置可以采用串行方式基于深度神经网络对多个当前视频帧图像进行头部检测得到多个头部检测结果,也可以采用并行方式基于深度神经网络对多个当前视频帧图像进行头部检测得到多个头部检测结果。
深度神经网路是机器学习领域中的一种技术。
头部检测结果包括存在头部图像和不存在头部图像。
202、若多个当前视频帧图像中存在至少一个目标当前视频帧图像,则安全帽佩戴检测装置获取至少一个目标当前视频帧图像中的每个目标当前视频帧图像对应的至少一个待检测图像,每个目标当前视频帧图像对应的头部检测结果均为存在头部图像。
203、安全帽佩戴检测装置基于卷积神经网络对每个目标当前视频帧图像对应的至少一个待检测图像进行安全帽检测,得到每个目标当前视频帧图像对应的安全帽检测结果。
安全帽佩戴检测装置可以采用串行方式基于卷积神经网络对每个目标当前视频帧图像对应的至少一个待检测图像进行安全帽检测得到每个目标当前视频帧图像对应的安全帽检测结果,也可以采用并行方式基于卷积神经网络对每个目标当前视频帧图像对应的至少一个待检测图像进行安全帽检测得到每个目标当前视频帧图像对应的安全帽检测结果。
卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络。
安全帽检测结果包括佩戴安全帽和未佩戴安全帽。
可以看出,相较于采用基于运动检测的方法或基于人脸检测的方法对施工现场的施工人员进行安全帽佩戴检测,在本申请实施例中,基于深度神经网络对多个当前视频帧图像进行头部检测,得到多个头部检测结果,如果多个当前视频帧图像中存在至少一个目标当前视频帧图像(目标当前视频帧图像对应的头部检测结果为存在头部图像),那么获得至少一个目标当前视频帧图像中的每个目标当前视频帧图像对应的至少一个待检测图像,基于卷积神经网络对每个目标当前视频帧图像对应的至少一个待检测图像进行安全帽检测,得到每个目标当前视频帧图像对应的安全帽检测结果。由于该安全帽佩戴检测方法对光照、背景的变化更鲁棒,且能够检测到处于静态的人,以及头部检测能够有效解决视频帧图像中出现非正脸导致漏检的问题,因此有助于提高安全帽佩戴检测的准确性。
在一个可能的实施例中,安全帽佩戴检测装置基于卷积神经网络对至少一个目标当前视频帧图像进行安全帽检测,得到至少一个安全帽检测结果之后,方法还包括:
安全帽佩戴检测装置根据至少一个安全帽检测结果获得未佩戴安全帽的施工人员数量;
安全帽佩戴检测装置基于施工人员数量范围与安全提示策略确定未佩戴安全帽的施工人员数量所处施工人员数量范围对应的目标安全提示策略;
安全帽佩戴检测装置执行目标安全提示策略。
安全帽佩戴检测装置统计安全帽检测结果为未佩戴安全帽的安全帽检测结果数量;安全帽佩戴检测装置将未佩戴安全帽的安全帽检测结果数量确定为未佩戴安全帽的施工人员数量。
施工人员数量范围与安全提示策略预先存储于安全帽佩戴检测装置中,施工人员数量范围与安全提示策略如下表1所示:
表1
施工人员数量范围 | 安全提示策略 |
第一施工人员数量范围 | 第一安全提示策略 |
第二施工人员数量范围 | 第二安全提示策略 |
第三施工人员数量范围 | 第三安全提示策略 |
…… | …… |
施工人员数量范围与安全提示策略一一对应;如果施工人员数量范围为第一施工人员数量范围,那么安全提示策略为第一安全提示策略;如果施工人员数量范围为第二施工人员数量范围,那么安全提示策略为第二安全提示策略;如果施工人员数量范围为第三施工人员数量范围,那么安全提示策略为第三安全提示策略。
如果施工人员数量范围为小数量范围(比如少于5个),那么安全提示策略可以为以短信或电话的形式提示施工人员未佩戴安全帽;如果施工人员数量范围为中数量范围(比如5个~10个),那么安全提示策略可以为以喇叭的形式提示施工人员未佩戴安全帽;施工人员数量范围为大数量范围(比如多于10个),那么安全提示策略可以为以广播的形式提示施工人员未佩戴安全帽。
可见,在本示例中,首先获得未佩戴安全帽的施工人员数量,然后确定未佩戴安全帽的施工人数数量所处施工人员数量范围对应的目标安全提示策略,最后执行目标安全提示策略,这样实现了对未佩戴安全帽的施工人员进行有效提示,在一定程度上减少施工人员的伤亡。
在一个可能的实施例中,安全帽佩戴检测装置基于卷积神经网络对至少一个目标当前视频帧图像进行安全帽检测,得到至少一个安全帽检测结果之后,方法还包括:
安全帽佩戴检测装置获取安全帽检测结果为未佩戴安全帽的每个安全帽检测结果;
安全帽佩戴检测装置根据预存的视频帧图像与摄像头的映射关系确定为佩戴安全帽的每个安全帽检测结果所对应目标当前视频帧图像对应的目标摄像头;
安全帽佩戴检测装置根据预存的摄像头与扬声器的映射关系确定目标摄像头对应的目标扬声器;
安全帽佩戴检测装置通过目标扬声器播放安全提示信息,安全提示信息用于提示施工人员未佩戴安全帽。
视频帧图像与摄像头的映射关系预先存储于安全帽佩戴检测装置中,视频帧图像与摄像头的映射关系如下表2所示:
表2
视频帧图像 | 摄像头 |
第一视频帧图像 | 第一摄像头 |
第二视频帧图像 | 第二摄像头 |
第三视频帧图像 | 第三摄像头 |
…… | …… |
视频帧图像与摄像头一一对应;如果视频帧图像为第一视频帧图像,那么摄像头为第一摄像头。
摄像头与扬声器的映射关系预先存储于安全帽佩戴检测装置中,摄像头与扬声器的映射关系如下表3所示:
表3
摄像头 | 扬声器 |
第一摄像头 | 第一扬声器 |
第二摄像头 | 第二扬声器 |
第三摄像头 | 第三扬声器 |
…… | …… |
摄像头与扬声器一一对应;如果摄像头为第一摄像头,那么扬声器为第一扬声器。
与摄像头对应的扬声器安装在以该摄像头为圆心,设定值为半径的圆形区域内;设定值可以是预先配置的,比如设定值为3m。
可以,在本示例中,首先确定目标摄像头,未佩戴安全帽的每个安全帽检测结果对应的目标当前视频帧图像是目标摄像头采集的,然后基于目标摄像头确定目标扬声器,最后通过目标扬声器播放安全提示信息,这样实现了对未佩戴安全帽的施工人员进行有效提示,在一定程度上减少施工人员的伤亡。
请参见图3A,图3A是本申请实施例提供的另一种安全帽佩戴检测方法的流程示意图,该安全帽佩戴检测方法包括步骤301-315,具体如下:
301、安全帽佩戴检测装置获得施工现场的多个实时视频流,以及获得对多个实时视频流进行采样的采样频率。
安全帽佩戴检测装置向多个摄像头中发送多个视频流请求,视频流请求用于指示摄像头反馈实时视频流,多个视频流请求与多个摄像头一一对应;安全帽佩戴检测装置接收多个摄像头针对多个视频流请求发送的多个实时视频流,多个实时视频流与多个摄像头一一对应。
采样频率可以是预先配置的,比如采样频率为每隔10帧采样一次。
302、安全帽佩戴检测装置根据采样频率对多个实时视频流进行采样,得到多个当前视频帧图像。
多个当前视频帧图像与多个实时视频流一一对应。
安全帽佩戴检测装置可以采用串行方式根据采样频率对多个实时视频流进行采样得到多个当前视频帧图像,也可以采用并行方式根据采样频率对多个实时视频流进行采样得到多个当前视频帧图像。
可见,在本示例中,安全帽佩戴检测装置根据采样频率对多个实时视频流进行采样,得到多个当前视频帧图像。由于基于采样频率得到的任意两个相邻当前视频帧图像不会发生很大变化,基于采样频率对多个实时视频流进行采样,有助于减少后续在大量重复图片上的计算工作量,同时可以保持安全帽佩戴检测***的实时性。
303、安全帽佩戴检测装置将当前视频帧图像A输入深度神经网络中,当前视频帧图像A为N个当前视频帧图像中的任意一个。
深度神经网络是已训练好的且用于检测图像中是否存在头部图像的神经网络。
304、安全帽佩戴检测装置根据当前视频帧图像A获得不同尺度的M个特征图,M为大于1的整数。
安全帽佩戴检测装置将当前视频帧图像A转换成不同尺度的M个特征图;M个不同尺度可以是预先配置的。
深度神经网络前面的特征图尺度比较大,可以用来检测相对较小的目标;深度神经网络后面的特征图尺度较小,可以用来检测相对较大的目标。
305、安全帽佩戴检测装置根据M个特征图中的每个特征图和P个先验框预测当前视频帧图像A中存在头部图像的P个区域和P个分数,P个区域和P个分数均分别与P个先验框一一对应。
P可以是预先配置的,比如P可以为4。
举例来说,如图3B所示,图3B是本申请实施例提供的一种特征图包括多个先验框的示意图,该特征图的尺度大小为4×4,该特征图包括4种不同宽高比的先验框。
306、安全帽佩戴检测装置使用非极大值抑制算法对每个特征图的P个先验框进行筛选,得到每个特征图的目标先验框。
非极大值抑制算法预先存储于安全帽佩戴检测装置中;非极大值抑制是抑制不是极大值的元素。
举例来说,如图3C所示,图3C是本申请实施例提供的一种使用非极大值抑制先后的示意图,使用非极大值抑制前存在4个先验框,使用非极大值抑制后存在1个先验框。
307、若M个目标先验框存在至少一个目标先验框包括头部图像,则安全帽佩戴检测装置确定当前视频帧图像A对应的头部检测结果为存在头部图像,以及将至少一个目标先验框中的每个目标先验框对应的区域确定为待检测图像。
308、安全帽佩戴检测装置对N个当前视频帧图像中除当前视频帧图像A之外的(N-1)个当前视频帧图像执行相同操作,得到(N-1)个头部检测结果,(N-1)个头部检测结果与(N-1)个当前视频帧图像一一对应。
安全帽佩戴检测装置可以采用串行方式对N个当前视频帧图像进行头部检测得到N个头部检测结果,也可以采用并行方式对N个当前视频帧图像进行头部检测得到N个头部检测结果。
309、若N个当前视频帧图像中存在R个目标当前视频帧图像,则安全帽佩戴检测装置获取R个目标当前视频帧图像中的每个目标当前视频帧图像对应的Q个待检测图像,每个目标当前视频帧图像对应的头部检测结果均存在头部图像,R和Q均为大于等于1的整数。
310、安全帽佩戴检测装置将待检测图像B输入卷积神经网络中,待检测图像B为目标当前视频帧图像C对应的Q个待检测图像中的任意一个,目标当前视频帧图像C为R个目标当前视频帧图像中的任意一个。
卷积神经网络是已训练好的且用于检测图像中的施工人员是否佩戴安全帽的神经网络。
311、安全帽佩戴检测装置将卷积神经网络包括的全连接层的输出特征向量输入预设全连接层,预设全连接层的节点个数为预设节点个数。
全连接层的每一个节点都与上一层的所有节点相连,用来把前边提取到的特征综合起来。
预设节点个数可以是预先配置的,比如预设节点个数为2。
312、安全帽佩戴检测装置使用预存的佩戴安全帽概率算法计算待检测图像B中的施工人员佩戴安全帽的概率。
佩戴安全帽概率算法可以为Softmax算法,也可以为任何一种可以计算施工人员佩戴安全帽概率的算法,Softmax算法可以预先存储于安全帽检测装置中。
313、安全帽佩戴检测装置对Q个待检测图像中除待检测图像B之外的(Q-1)个待检测图像执行相同操作,得到(Q-1)个施工人员佩戴安全帽的概率,(Q-1)个施工人员佩戴安全帽的概率与(Q-1)个待检测图像一一对应。
安全帽佩戴检测装置可以采用串行方式获得Q个待检测图像对应的Q个施工人员佩戴安全帽的概率,也可以采用并行方式获得Q个待检测图像对应的Q个施工人员佩戴安全帽的概率。
314、若Q个施工人员佩戴安全帽的概率的平均值大于等于预设概率,则安全帽佩戴检测装置确定待检测图像B对应的安全帽检测结果为佩戴安全帽。
预设概率可以是预先配置的,比如预设概率为90%。
在一些可能的实施例中,如果Q个施工人员佩戴安全帽的概率的中位数大于等于预设概率,那么安全帽佩戴检测装置确定待检测图像B对应的安全帽检测结果为佩戴安全帽。
315、安全帽佩戴检测装置对R个目标当前视频帧图像中除目标当前视频帧图像C之外的(R-1)个目标当前视频帧图像执行相同操作,得到(R-1)个安全帽检测结果,(R-1)个安全帽检测结果与(R-1)个目标当前视频帧图像一一对应。
安全帽佩戴检测装置可以采用串行方式对R个待检测图像进行安全帽检测得到R个安全帽检测结果,也可以采用并行方式对R个待检测图像进行安全帽检测得到R个安全帽检测结果。
上述实施例主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是,安全帽佩戴检测装置为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对一个特定的应用使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据方法示例对安全帽佩戴检测装置进行功能单元的划分,例如,可以对应各个功能划分各个功能单元,也可以将两个或两个以上的功能集成在一个处理单元中。集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。需要说明的是,本申请实施例中对单元的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
下面为本申请装置实施例,本申请装置实施例用于执行本申请方法实施例所实现的方法。请参见图4,图4是本申请实施例提供的一种安全帽佩戴检测装置的功能单元组成框图,该安全帽佩戴检测装置400包括:
头部检测单元401,用于基于深度神经网络对多个当前视频帧图像进行头部检测,得到多个头部检测结果,多个头部检测结果与多个当前视频帧图像一一对应;
图像获取单元402,用于若多个当前视频帧图像中存在至少一个目标当前视频帧图像,则获取至少一个目标当前视频帧图像中的每个目标当前视频帧图像对应的至少一个待检测图像,每个目标当前视频帧图像对应的头部检测结果均为存在头部图像;
安全帽检测单元403,用于基于卷积神经网络对每个目标当前视频帧图像对应的至少一个待检测图像进行安全帽检测,得到每个目标当前视频帧图像对应的安全帽检测结果。
可以看出,相较于采用基于运动检测的方法或基于人脸检测的方法对施工现场的施工人员进行安全帽佩戴检测,在本申请实施例中,基于深度神经网络对多个当前视频帧图像进行头部检测,得到多个头部检测结果,如果多个当前视频帧图像中存在至少一个目标当前视频帧图像(目标当前视频帧图像对应的头部检测结果为存在头部图像),那么获得至少一个目标当前视频帧图像中的每个目标当前视频帧图像对应的至少一个待检测图像,基于卷积神经网络对每个目标当前视频帧图像对应的至少一个待检测图像进行安全帽检测,得到每个目标当前视频帧图像对应的安全帽检测结果。由于该安全帽佩戴检测方法对光照、背景的变化更鲁棒,且能够检测到处于静态的人,以及头部检测能够有效解决视频帧图像中出现非正脸导致漏检的问题,因此有助于提高安全帽佩戴检测的准确性。
在一些可能的实施例中,上述安全帽佩戴检测装置400还包括:
第一获得单元404,用于获得施工现场的多个实时视频流;
第二获得单元405,用于获得对多个实时视频流进行采样的采样频率;
采样单元406,用于根据采样频率对多个实时视频流进行采样,得到多个当前视频帧图像。
在一些可能的实施例中,多个当前视频帧图像的数量为N,N为大于1的整数,在基于深度神经网络对多个当前视频帧图像进行头部检测,得到多个头部检测结果方面,上述头部检测单元401具体用于:
将当前视频帧图像A输入深度神经网络中,当前视频帧图像A为N个当前视频帧图像中的任意一个;
根据当前视频帧图像A获得不同尺度的M个特征图,M为大于1的整数;
根据M个特征图中的每个特征图和P个先验框预测当前视频帧图像A中存在头部图像的P个区域和P个分数,P个区域和P个分数均分别与P个先验框一一对应;
使用非极大值抑制算法对每个特征图的P个先验框进行筛选,得到每个特征图的目标先验框;
若M个目标先验框存在至少一个目标先验框包括头部图像,则确定当前视频帧图像A对应的头部检测结果为存在头部图像,以及将至少一个目标先验框中的每个目标先验框对应的区域确定为待检测图像;
对N个当前视频帧图像中除当前视频帧图像A之外的(N-1)个当前视频帧图像执行相同操作,得到(N-1)个头部检测结果,(N-1)个头部检测结果与(N-1)个当前视频帧图像一一对应。
在一些可能的实施例中,至少一个目标当前视频帧图像的数量为R,至少一个待检测图像的数量为Q,R和Q均为大于等于1的整数,在基于卷积神经网络对每个目标当前视频帧图像对应的至少一个待检测图像进行安全帽检测,得到每个目标当前视频帧图像对应的安全帽检测结果方面,上述安全帽检测单元403具体用于:
将待检测图像B输入卷积神经网络中,待检测图像B为目标当前视频帧图像C对应的Q个待检测图像中的任意一个,目标当前视频帧图像C为R个目标当前视频帧图像中的任意一个;
将卷积神经网络包括的全连接层的输出特征向量输入预设全连接层,预设全连接层的节点个数为预设节点个数;
使用预存的佩戴安全帽概率算法计算待检测图像B中的施工人员佩戴安全帽的概率;
对Q个待检测图像中除待检测图像B之外的(Q-1)个待检测图像执行相同操作,得到(Q-1)个施工人员佩戴安全帽的概率,(Q-1)个施工人员佩戴安全帽的概率与(Q-1)个待检测图像一一对应;
若Q个施工人员佩戴安全帽的概率的平均值大于等于预设概率,则确定待检测图像B对应的安全帽检测结果为佩戴安全帽;
对R个目标当前视频帧图像中除目标当前视频帧图像C之外的(R-1)个目标当前视频帧图像执行相同操作,得到(R-1)个安全帽检测结果,(R-1)个安全帽检测结果与(R-1)个目标当前视频帧图像一一对应。
在一些可能的实施例中,上述安全帽佩戴检测装置400还包括:
第三获得单元407,用于根据至少一个安全帽检测结果获得未佩戴安全帽的施工人员数量;
确定单元408,用于基于施工人员数量范围与安全提示策略确定未佩戴安全帽的施工人员数量所处施工人员数量范围对应的目标安全提示策略;
执行单元409,用于执行目标安全提示策略。
与上述图2和图3A所示的实施例一致的,请参见图5,图5是本申请实施例提供的一种电子设备的结构示意图,该电子设备500包括处理器、存储器、通信接口以及一个或多个程序,上述一个或多个程序被存储在上述存储器中,并且被配置由上述处理器执行,上述程序包括用于执行以下步骤的指令:
基于深度神经网络对多个当前视频帧图像进行头部检测,得到多个头部检测结果,多个头部检测结果与多个当前视频帧图像一一对应;
若多个当前视频帧图像中存在至少一个目标当前视频帧图像,则获取至少一个目标当前视频帧图像中的每个目标当前视频帧图像对应的至少一个待检测图像,每个目标当前视频帧图像对应的头部检测结果均为存在头部图像;
基于卷积神经网络对每个目标当前视频帧图像对应的至少一个待检测图像进行安全帽检测,得到每个目标当前视频帧图像对应的安全帽检测结果。
可以看出,相较于采用基于运动检测的方法或基于人脸检测的方法对施工现场的施工人员进行安全帽佩戴检测,在本申请实施例中,基于深度神经网络对多个当前视频帧图像进行头部检测,得到多个头部检测结果,如果多个当前视频帧图像中存在至少一个目标当前视频帧图像(目标当前视频帧图像对应的头部检测结果为存在头部图像),那么获得至少一个目标当前视频帧图像中的每个目标当前视频帧图像对应的至少一个待检测图像,基于卷积神经网络对每个目标当前视频帧图像对应的至少一个待检测图像进行安全帽检测,得到每个目标当前视频帧图像对应的安全帽检测结果。由于该安全帽佩戴检测方法对光照、背景的变化更鲁棒,且能够检测到处于静态的人,以及头部检测能够有效解决视频帧图像中出现非正脸导致漏检的问题,因此有助于提高安全帽佩戴检测的准确性。
在一些可能的实施例中,上述程序还包括用于执行以下步骤的指令:
获得施工现场的多个实时视频流;
获得对多个实时视频流进行采样的采样频率;
根据采样频率对多个实时视频流进行采样,得到多个当前视频帧图像。
在一些可能的实施例中,多个当前视频帧图像的数量为N,N为大于1的整数,在基于深度神经网络对多个当前视频帧图像进行头部检测,得到多个头部检测结果方面,上述程序包括具体用于执行以下步骤的指令:
将当前视频帧图像A输入深度神经网络中,当前视频帧图像A为N个当前视频帧图像中的任意一个;
根据当前视频帧图像A获得不同尺度的M个特征图,M为大于1的整数;
根据M个特征图中的每个特征图和P个先验框预测当前视频帧图像A中存在头部图像的P个区域和P个分数,P个区域和P个分数均分别与P个先验框一一对应;
使用非极大值抑制算法对每个特征图的P个先验框进行筛选,得到每个特征图的目标先验框;
若M个目标先验框存在至少一个目标先验框包括头部图像,则确定当前视频帧图像A对应的头部检测结果为存在头部图像,以及将至少一个目标先验框中的每个目标先验框对应的区域确定为待检测图像;
对N个当前视频帧图像中除当前视频帧图像A之外的(N-1)个当前视频帧图像执行相同操作,得到(N-1)个头部检测结果,(N-1)个头部检测结果与(N-1)个当前视频帧图像一一对应。
在一些可能的实施例中,至少一个目标当前视频帧图像的数量为R,至少一个待检测图像的数量为Q,R和Q均为大于等于1的整数,在基于卷积神经网络对每个目标当前视频帧图像对应的至少一个待检测图像进行安全帽检测,得到每个目标当前视频帧图像对应的安全帽检测结果方面,上述程序包括具体用于执行以下步骤的指令:
将待检测图像B输入卷积神经网络中,待检测图像B为目标当前视频帧图像C对应的Q个待检测图像中的任意一个,目标当前视频帧图像C为R个目标当前视频帧图像中的任意一个;
将卷积神经网络包括的全连接层的输出特征向量输入预设全连接层,预设全连接层的节点个数为预设节点个数;
使用预存的佩戴安全帽概率算法计算待检测图像B中的施工人员佩戴安全帽的概率;
对Q个待检测图像中除待检测图像B之外的(Q-1)个待检测图像执行相同操作,得到(Q-1)个施工人员佩戴安全帽的概率,(Q-1)个施工人员佩戴安全帽的概率与(Q-1)个待检测图像一一对应;
若Q个施工人员佩戴安全帽的概率的平均值大于等于预设概率,则确定待检测图像B对应的安全帽检测结果为佩戴安全帽;
对R个目标当前视频帧图像中除目标当前视频帧图像C之外的(R-1)个目标当前视频帧图像执行相同操作,得到(R-1)个安全帽检测结果,(R-1)个安全帽检测结果与(R-1)个目标当前视频帧图像一一对应。
在一些可能的实施例中,上述程序还包括用于执行以下步骤的指令:
根据至少一个安全帽检测结果获得未佩戴安全帽的施工人员数量;
基于施工人员数量范围与安全提示策略确定未佩戴安全帽的施工人员数量所处施工人员数量范围对应的目标安全提示策略;
执行目标安全提示策略。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质用于存储计算机程序,该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤,上述计算机包括电子设备。
本申请实施例还提供一种计算机程序产品,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包,上述计算机包括电子设备。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实现方式及应用范围上均会有改变之处,综上上述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种安全帽佩戴检测方法,其特征在于,包括:
基于深度神经网络对多个当前视频帧图像进行头部检测,得到多个头部检测结果,所述多个头部检测结果与所述多个当前视频帧图像一一对应;
若所述多个当前视频帧图像中存在至少一个目标当前视频帧图像,则获取所述至少一个目标当前视频帧图像中的每个目标当前视频帧图像对应的至少一个待检测图像,所述每个目标当前视频帧图像对应的头部检测结果均为存在头部图像;
基于卷积神经网络对所述每个目标当前视频帧图像对应的至少一个待检测图像进行安全帽检测,得到所述每个目标当前视频帧图像对应的安全帽检测结果。
2.根据权利要求1所述的方法,其特征在于,所述基于深度神经网络对多个当前视频帧图像进行头部检测,得到多个头部检测结果之前,所述方法还包括:
获得施工现场的多个实时视频流;
获得对所述多个实时视频流进行采样的采样频率;
根据所述采样频率对所述多个实时视频流进行采样,得到所述多个当前视频帧图像。
3.根据权利要求1或2所述的方法,其特征在于,所述多个当前视频帧图像的数量为N,所述N为大于1的整数,所述基于深度神经网络对多个当前视频帧图像进行头部检测,得到多个头部检测结果,包括:
将当前视频帧图像A输入深度神经网络中,所述当前视频帧图像A为N个当前视频帧图像中的任意一个;
根据所述当前视频帧图像A获得不同尺度的M个特征图,所述M为大于1的整数;
根据所述M个特征图中的每个特征图和P个先验框预测所述当前视频帧图像A中存在头部图像的P个区域和P个分数,所述P个区域和所述P个分数均分别与所述P个先验框一一对应;
使用非极大值抑制算法对所述每个特征图的P个先验框进行筛选,得到所述每个特征图的目标先验框;
若M个目标先验框存在至少一个目标先验框包括头部图像,则确定所述当前视频帧图像A对应的头部检测结果为存在头部图像,以及将所述至少一个目标先验框中的每个目标先验框对应的区域确定为待检测图像;
对所述N个当前视频帧图像中除所述当前视频帧图像A之外的(N-1)个当前视频帧图像执行相同操作,得到(N-1)个头部检测结果,所述(N-1)个头部检测结果与所述(N-1)个当前视频帧图像一一对应。
4.根据权利要求3所述的方法,其特征在于,所述至少一个目标当前视频帧图像的数量为R,所述至少一个待检测图像的数量为Q,所述R和所述Q均为大于等于1的整数,所述基于卷积神经网络对所述每个目标当前视频帧图像对应的至少一个待检测图像进行安全帽检测,得到所述每个目标当前视频帧图像对应的安全帽检测结果,包括:
将待检测图像B输入卷积神经网络中,所述待检测图像B为目标当前视频帧图像C对应的Q个待检测图像中的任意一个,所述目标当前视频帧图像C为R个目标当前视频帧图像中的任意一个;
将所述卷积神经网络包括的全连接层的输出特征向量输入预设全连接层,所述预设全连接层的节点个数为预设节点个数;
使用预存的佩戴安全帽概率算法计算所述待检测图像B中的施工人员佩戴安全帽的概率;
对所述Q个待检测图像中除所述待检测图像B之外的(Q-1)个待检测图像执行相同操作,得到(Q-1)个施工人员佩戴安全帽的概率,所述(Q-1)个施工人员佩戴安全帽的概率与所述(Q-1)个待检测图像一一对应;
若Q个施工人员佩戴安全帽的概率的平均值大于等于预设概率,则确定所述待检测图像B对应的安全帽检测结果为佩戴安全帽;
对所述R个目标当前视频帧图像中除所述目标当前视频帧图像C之外的(R-1)个目标当前视频帧图像执行相同操作,得到(R-1)个安全帽检测结果,所述(R-1)个安全帽检测结果与所述(R-1)个目标当前视频帧图像一一对应。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述基于卷积神经网络对所述每个目标当前视频帧图像对应的至少一个待检测图像进行安全帽检测,得到所述每个目标当前视频帧图像对应的安全帽检测结果之后,所述方法还包括:
根据所述至少一个安全帽检测结果获得未佩戴安全帽的施工人员数量;
基于施工人员数量范围与安全提示策略确定所述未佩戴安全帽的施工人员数量所处施工人员数量范围对应的目标安全提示策略;
执行所述目标安全提示策略。
6.一种安全帽佩戴检测装置,其特征在于,包括:
头部检测单元,用于基于深度神经网络对多个当前视频帧图像进行头部检测,得到多个头部检测结果,所述多个头部检测结果与所述多个当前视频帧图像一一对应;
图像获取单元,用于若所述多个当前视频帧图像中存在至少一个目标当前视频帧图像,则获取所述至少一个目标当前视频帧图像中的每个目标当前视频帧图像对应的至少一个待检测图像,所述每个目标当前视频帧图像对应的头部检测结果均为存在头部图像;
安全帽检测单元,用于基于卷积神经网络对所述每个目标当前视频帧图像对应的至少一个待检测图像进行安全帽检测,得到所述每个目标当前视频帧图像对应的安全帽检测结果。
7.根据权利要求6所述的装置,其特征在于,所述装置包括:
第一获得单元,用于获得施工现场的多个实时视频流;
第二获得单元,用于获得对所述多个实时视频流进行采样的采样频率;
采样单元,用于根据所述采样频率对所述多个实时视频流进行采样,得到所述多个当前视频帧图像。
8.根据权利要求6或7所述的装置,其特征在于,多个当前视频帧图像的数量为N,所述N为大于1的整数,在基于深度神经网络对多个当前视频帧图像进行头部检测,得到多个头部检测结果方面,所述头部检测单元具体用于:
将当前视频帧图像A输入深度神经网络中,所述当前视频帧图像A为N个当前视频帧图像中的任意一个;
根据所述当前视频帧图像A获得不同尺度的M个特征图,所述M为大于1的整数;
根据所述M个特征图中的每个特征图和P个先验框预测所述当前视频帧图像A中存在头部图像的P个区域和P个分数,所述P个区域和所述P个分数均分别与所述P个先验框一一对应;
使用非极大值抑制算法对所述每个特征图的P个先验框进行筛选,得到所述每个特征图的目标先验框;
若M个目标先验框存在至少一个目标先验框包括头部图像,则确定所述当前视频帧图像A对应的头部检测结果为存在头部图像,以及将所述至少一个目标先验框中的每个目标先验框对应的区域确定为待检测图像;
对所述N个当前视频帧图像中除所述当前视频帧图像A之外的(N-1)个当前视频帧图像执行相同操作,得到(N-1)个头部检测结果,所述(N-1)个头部检测结果与所述(N-1)个当前视频帧图像一一对应。
9.一种电子设备,其特征在于,包括处理器、存储器、通信接口以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行如权利要求1-5任一项所述的方法中的部分或全部步骤的指令。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储计算机程序,所述计算机程序被处理器执行,以实现如权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911405396.7A CN113128273B (zh) | 2019-12-30 | 2019-12-30 | 安全帽佩戴检测方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911405396.7A CN113128273B (zh) | 2019-12-30 | 2019-12-30 | 安全帽佩戴检测方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113128273A true CN113128273A (zh) | 2021-07-16 |
CN113128273B CN113128273B (zh) | 2024-05-03 |
Family
ID=76768610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911405396.7A Active CN113128273B (zh) | 2019-12-30 | 2019-12-30 | 安全帽佩戴检测方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113128273B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180005393A1 (en) * | 2016-06-30 | 2018-01-04 | Daqri, Llc | Deep Image Localization |
CN108921159A (zh) * | 2018-07-26 | 2018-11-30 | 北京百度网讯科技有限公司 | 用于检测安全帽的佩戴情况的方法和装置 |
CN110619314A (zh) * | 2019-09-24 | 2019-12-27 | 杭州宇泛智能科技有限公司 | 安全帽检测方法、装置及电子设备 |
-
2019
- 2019-12-30 CN CN201911405396.7A patent/CN113128273B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180005393A1 (en) * | 2016-06-30 | 2018-01-04 | Daqri, Llc | Deep Image Localization |
CN108921159A (zh) * | 2018-07-26 | 2018-11-30 | 北京百度网讯科技有限公司 | 用于检测安全帽的佩戴情况的方法和装置 |
CN110619314A (zh) * | 2019-09-24 | 2019-12-27 | 杭州宇泛智能科技有限公司 | 安全帽检测方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
施辉;陈先桥;杨英;: "改进YOLO v3的安全帽佩戴检测方法", 计算机工程与应用, no. 11 * |
Also Published As
Publication number | Publication date |
---|---|
CN113128273B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105100689B (zh) | 自动取款机视频监控方法及装置 | |
US10147288B2 (en) | Alarm method and device | |
CN108024065B (zh) | 一种终端拍摄的方法、终端及计算机可读存储介质 | |
CN107590461B (zh) | 人脸识别方法及相关产品 | |
WO2018031096A1 (en) | Methods and systems of performing blob filtering in video analytics | |
US10055669B2 (en) | Methods and systems of determining a minimum blob size in video analytics | |
CN110956061A (zh) | 动作识别方法及装置、驾驶员状态分析方法及装置 | |
EP3594848B1 (en) | Queue information acquisition method, device and computer readable storage medium | |
WO2018031104A1 (en) | Methods and systems of maintaining object trackers in video analytics | |
CN107527466A (zh) | 一种火灾报警方法、终端和计算机可读存储介质 | |
CN107730460B (zh) | 一种图像处理方法及移动终端 | |
CN107465873B (zh) | 一种图像信息的处理方法、设备及存储介质 | |
JP2019087231A (ja) | 顔の位置を追跡して使用者に警報する方法及びシステム | |
US20180046857A1 (en) | Methods and systems of updating motion models for object trackers in video analytics | |
CN109144440A (zh) | 一种显示刷新控制方法、终端及计算机可读存储介质 | |
CN108198150A (zh) | 一种图像坏点的消除方法、终端及存储介质 | |
CN111753679B (zh) | 微运动监测方法、装置、设备及计算机可读存储介质 | |
US10567904B2 (en) | System and method for headphones for monitoring an environment outside of a user's field of view | |
CN104504852A (zh) | 一种基于图像预警婴儿安全监护器及婴儿安全判断方法 | |
US20200074228A1 (en) | Rgbd sensing based object detection system and method thereof | |
CN111597985A (zh) | 设备佩戴的动态识别方法、装置和电子设备 | |
CN108140124B (zh) | 提示信息确定方法、装置、电子设备 | |
CN113128273A (zh) | 安全帽佩戴检测方法及相关装置 | |
CN107832714B (zh) | 活体鉴别方法、装置及存储设备 | |
CN110223239B (zh) | 一种图像处理方法、终端及计算机可读存储介质 |
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 |