CN114565887A - 一种基于安全帽佩戴识别的叉车安全作业检测方法 - Google Patents
一种基于安全帽佩戴识别的叉车安全作业检测方法 Download PDFInfo
- Publication number
- CN114565887A CN114565887A CN202111563579.9A CN202111563579A CN114565887A CN 114565887 A CN114565887 A CN 114565887A CN 202111563579 A CN202111563579 A CN 202111563579A CN 114565887 A CN114565887 A CN 114565887A
- Authority
- CN
- China
- Prior art keywords
- forklift
- identification
- driver
- safety helmet
- frame
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于安全帽佩戴识别的叉车安全作业检测方法。解决现有技术中视频监控不能检测人员未佩戴安全帽、进行推动报警的问题。步骤包括识别图像中叉车、司机和行人;根据叉车和司机识别区域的重叠率判断获取候选叉车司机;裁剪候选叉车司机图像,识别图像中的人头像和安全帽;根据人头像或安全帽识别区域依次与行人识别区域、叉车识别区域上部、叉车识别区域上部中间区域的重叠率判断,获取叉车司机的人头像和安全帽识别结果;根据叉车司机的人头像和安全帽识别结果进行报警判断。本发明实现自动检测叉车司机未戴安全帽进行危险作业的情况,有效过滤掉行人路过叉车时导致的误报,实现铁路货场叉车司机未戴安全帽的准确检测。
Description
技术领域
本发明涉及视频监控技术领域,尤其是涉及一种基于安全帽佩戴识别的叉车安全作业检测方法。
背景技术
近年来铁路货场安全事故频发,目前货运站场内主要通过制度和人防手段对场内人员及其作业过程进行管控,无论是监管力度还是监管效率都有待提高。货场内叉车司机作业过程中必须佩戴安全帽,当前虽然已经部署了传统的视频监控手段,但未充分发挥视频的优势,监控视频主要用于事后调查追溯,未能充分发挥视频智能分析、即时推送报警的优势,不能提前预知潜在的风险,提醒管理人员及时处理,将危险遏制在源头。
发明内容
本发明主要是解决现有技术中传统视频监控不能检测人员未佩戴安全帽、进行推动报警的问题,提供了一种基于安全帽佩戴识别的叉车安全作业检测方法。
本发明的上述技术问题主要是通过下述技术方案得以解决的:一种基于安全帽佩戴识别的叉车安全作业检测方法,对摄像机拍摄的作业区域图像进行分析,包括以下步骤:
S1.采用预训练的深度学习目标模型识别图像中叉车、司机和行人;
S2.根据叉车和司机识别结果判断进行作业判断,并根据叉车和司机识别区域的重叠率判断获取候选叉车司机;
S3.裁剪候选叉车司机图像,采用预训练的深度学习目标模型识别图像中的人头像和安全帽;
S4.根据人头像或安全帽识别区域依次与行人识别区域、叉车司机识别区域上部、叉车识别区域上部中间区域的重叠率判断,获取叉车司机的人头像和安全帽识别结果;
S5.根据叉车司机的人头像和安全帽识别结果进行报警判断。
本发明能够实现自动检测叉车司机未戴安全帽进行危险作业的情况,并能有效的过滤掉行人路过叉车时导致的误报,实现铁路货场叉车司机未戴安全帽的准确检测。
作为一种优选方案,所述步骤S1具体过程包括:
采集一帧实时监控图像;
采用预训练的深度学习目标模型识别图像中叉车、司机和行人,获得叉车、司机、行人识别结果;
其中叉车识别结果包括一个叉车的叉车识别框,以及叉车识别框左上顶点坐标和宽高,司机识别结果包括一个坐着的人的司机识别框,以及司机识别框左上顶点坐标和宽高,行人识别结果包括站立的人的行人识别框,以及行人识别框左上坐标和宽高。目标识别框为包围识别目标的矩形框。司机和行人通过站立和坐着来进行区分识别。深度学习目标模型为预先训练好的模型,识别模型采用现有技术中的模型。
作为一种优选方案,所述根据叉车和司机识别结果判断进行作业判断,包括:
判断是否识别出叉车,若无叉车,则跳过当前帧图像,进入下一帧图像分析,若有叉车,进入下一步判断;
判断叉车识别框是否满足第一条件,若不满足,则跳过当前帧图像,进入下一帧图像分析,若满足,进入下一步判断,其中第一条件为叉车识别框宽度大于q1且叉车识别框宽高比或高宽比小于p;p一般取小于1.5,q1一般取300,单位为像素。
判断是否识别出司机,若无司机,则跳过当前帧图像,进入下一帧图像分析,若有司机,则判断叉车可能作业。
本方案对是否识别出叉车和司机进行判断,在叉车和司机均存在情况下叉车可能处于作业状态。
作为一种优选方案,所述根据叉车和司机识别区域的重叠率判断获取候选叉车司机,包括:
遍历司机识别结果,计算司机识别框与叉车识别框的重叠率,判断重叠率是否小于第一阈值,若是,判断该目标非叉车司机,若否,判断该目标为候选叉车司机,若最终都为非叉车司机,则跳过当前帧图像,进入下一帧图像分析;
司机识别框与叉车识别框的重叠率计算包括,
计算叉车与司机重叠区域宽
w=min(fxmin+fw,dxmin+dw)-max(fxmin,dxmin),
计算叉车与司机重叠区域高
h=min(fymin+fh,dymin+dh)-max(fymin,dymin),
其中fxmin,fymin表示叉车识别框左上顶点坐标,fw表示叉车识别框宽度,fh表示叉车识别框高度,dxmin,dymin表示司机识别框左上顶点坐标,dw表示司机识别框宽度,dh表示司机识别框高度;
计算司机识别框与叉车识别框的重叠率
第一阈值可进行配置,一般在0.7-0.95之间。若不重叠,则重叠率为0。
作为一种优选方案,所述步骤S3的具体过程包括:
根据判断获得的候选叉车司机,从图像中裁剪出候选叉车司机的司机识别框图像,采用预训练的深度学习目标模型识别得到人头像和安全帽识别结果;本步骤的采用的预训练深度学习目标模型为用于识别人头像和安全帽的模型。
其中人头像识别结果包括一个人头像的人头像识别框,以及人头像识别框左上顶点坐标和宽高,安全帽识别结果包括一个安全帽的安全帽识别框,以及安全帽识别框左上顶点坐标和宽高;
判断人头像或安全帽识别框是否满足第二条件,若不满足,过滤掉不满足条件的人头像或安全帽识别结果,若满足,获得符合条件的人头像或安全帽识别结果,其中第二条件为人头像或安全帽识别框宽度或高度大于等于q2;q2一般取35,单位为像素。
作为一种优选方案,所述人头像或安全帽识别区域与行人识别区域的重叠率判断,包括:
遍历人头像或安全帽识别结果,计算人头像或安全帽识别区域与行人识别区域的重叠率,判断重叠率是否大于第二阈值,若是,判断人头像或安全帽为非叉车司机的,过滤该人头像或安全帽,若否,进入下一步骤。其中第二阈值可配置,一般大于0.2。
作为一种优选方案,所述人头像或安全帽识别区域与叉车司机识别区域上部的重叠率判断,包括:
根据人头像或安全帽识别区域与行人识别区域的重叠率判断结果,遍历人头像或安全帽识别结果,计算人头像或安全帽识别区域与叉车司机识别区域的上1/2部分的重叠率,判断重叠率是否小于第三阈值,若是,判断人头像或安全帽为非叉车司机的,过滤该人头像或安全帽,若否,进入下一步骤。其中第三阈值可配置,一般在0.7到0.95之间。叉车司机识别区域上部为叉车司机识别区域的上1/2部分,叉车司机识别结果信息包括(dxmin,dymin,dw,dh),其中(dxmin,dymin)表示司机识别框左上顶点坐标,dw表示司机识别框宽度,dh表示司机识别框高度,叉车司机识别区域的上1/2部分为(dxmin,dymin,dw,dh/2)。
作为一种优选方案,所述根据人头像或安全帽识别区域与叉车识别区域上部中间区域的重叠率判断,包括:
根据人头像或安全帽识别区域与叉车司机识别区域的上1/2部分的重叠率判断结果,遍历人头像或安全帽识别结果,判断人头像或安全帽识别区域与叉车识别区域的上1/2部分中间区域是否完全重叠,若否,判断人头像或安全帽为非叉车司机的,过滤该人头像或安全帽,若是,判断人头像或安全帽可能为叉车司机的;
人头像或安全帽识别区域与叉车识别区域的上1/2部分中间区域是否完全重叠判断包括,是否同时满足以下四个条件,若是则判断完全重叠,若否,则判断不完全重叠,
条件1:fxmin+fw/4小于等于hxmin
条件2:fxmin+(fw/4)*3大于等于hxmin+hw
条件3:fymin小于等于hymin
条件4:fymin+fh/2大于等于hxmin+hh
其中hxmin,hymin表示行人识别框左上顶点坐标,fw表示行人识别框宽度,hh表示行人识别框高度。
本方案通过三次重叠判断,过滤非叉车司机的人头像和安全帽识别结果,最终得到叉车司机的人头像和安全帽识别结果。有效的过滤掉行人路过叉车时导致的误报,实现铁路货场叉车司机未戴安全帽的准确检测。
作为一种优选方案,所述步骤S5具体过程包括:
对步骤S4获取的人头像或安全帽识别结果进行判断,
若仅存在安全帽识别结果,则判断叉车司机佩戴安全帽,不触发报警,进入下一帧图像分析;若仅存在人头像识别结果,则判断叉车司机未佩戴安全帽,触发报警;若同时存在人头像和安全帽识别结果,则过滤报警,进入下一帧图像分析;
在触发报警的情况下,保存当前报警发生的原图像、分析过程的图像、报警前后N1秒的视频,计算人头像识别区域与上一次报警的人头像识别区域的重叠率,判断重叠率是否大于第四阈值,若是,则判断为相同的叉车司机未佩戴安全帽,过滤报警,进入下一帧图像分析,若否,进入下一步判断;
判断与上一次报警时间间隔是否大于N2秒,若否,过滤报警,进入下一帧图像分析,若是,实时推送报警,进入下一帧图像分析。
N1和N2都可配置,N1一般取5秒,N2一般取10秒。
因此,本发明的优点是:能够实现自动检测叉车司机未戴安全帽进行危险作业的情况,并能有效的过滤掉行人路过叉车时导致的误报,实现铁路货场叉车司机未戴安全帽的准确检测。
附图说明
图1是本发明的一种流程示意图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:
本实施例一种基于安全帽佩戴识别的叉车安全作业检测方法,对摄像机拍摄的作业区域图像进行分析,其中摄像机安装位置约2-4m高,摄像机以相对平视的角度拍摄作业区域内叉车侧面以及司机。
如图1所示,包括以下步骤:
S1.采用预训练的深度学习目标模型识别图像中叉车、司机和行人;具体过程包括:
S11.采集一帧实时监控图像;
S12.采用预训练的深度学习目标模型识别图像中叉车、司机和行人,获得叉车、司机、行人识别结果[f1k,f2k,…,fik,…fnk]、[d1k,d2k,…,dik,…,dnk]和[p1k,p2k,…,pik,…pnk];
其中叉车识别结果fik包括一个叉车的叉车识别框,以及叉车识别框左上顶点坐标和宽高,司机识别结果dik包括一个坐着的人的司机识别框,以及司机识别框左上顶点坐标和宽高,行人识别结果pik包括站立的人的行人识别框,以及行人识别框左上坐标和宽高。
S2.根据叉车和司机识别结果判断进行作业判断,并根据叉车和司机识别区域的重叠率判断获取候选叉车司机;
S21.判断是否识别出叉车,若无叉车,则跳过当前帧图像,进入下一帧图像分析,若有叉车,进入下一步判断;
S22.判断叉车识别框是否满足第一条件,若不满足,则跳过当前帧图像,进入下一帧图像分析,若满足,进入下一步判断,其中第一条件为叉车识别框宽度大于q1且叉车识别框宽高比或高宽比小于p;p一般小于1.5,q1取300,单位为像素。
S23.判断是否识别出司机,若无司机,则跳过当前帧图像,进入下一帧图像分析,若有司机,则判断叉车可能作业。
S24.遍历司机识别结果,计算司机识别框与叉车识别框的重叠率,判断重叠率是否小于第一阈值,若是,判断该目标非叉车司机,若否,判断该目标为候选叉车司机,若最终都为非叉车司机,则跳过当前帧图像,进入下一帧图像分析;
司机识别框与叉车识别框的重叠率计算包括,
计算叉车与司机重叠区域宽
w=min(fxmin+fw,dxmin+dw)-max(fxmin,dxmin),
计算叉车与司机重叠区域高
h=min(fymin+fh,dymin+dh)-max(fymin,dymin),
其中fxmin,fymin表示叉车识别框左上顶点坐标,fw表示叉车识别框宽度,fh表示叉车识别框高度,dxmin,dymin表示司机识别框左上顶点坐标,dw表示司机识别框宽度,dh表示司机识别框高度;
计算司机识别框与叉车识别框的重叠率
第一阈值可进行配置,在0.7-0.95之间。若不重叠,则重叠率为0。
S3.裁剪候选叉车司机图像,采用预训练的深度学习目标模型识别图像中的人头像和安全帽;具体过程包括:
S31.根据判断获得的候选叉车司机,从图像中裁剪出候选叉车司机的司机识别框图像,采用预训练的深度学习目标模型识别得到人头像和安全帽识别结果[h1k,h2k,…,hik,…hnk]和[hat1k,hat2k,…,hatik,…,hatnk];本步骤的采用的预训练深度学习目标模型为用于识别人头像和安全帽的模型。
其中人头像识别结果hik包括一个人头像的人头像识别框,以及人头像识别框左上顶点坐标和宽高,安全帽识别结果hatik包括一个安全帽的安全帽识别框,以及安全帽识别框左上顶点坐标和宽高;
S32.判断人头像或安全帽识别框是否满足第二条件,若不满足,过滤掉不满足第二条件的人头像或安全帽识别结果,若满足,获得符合第二条件的人头像或安全帽识别结果,其中第二条件为人头像或安全帽识别框宽度或高度大于等于q2;q2取35,单位为像素。
S4.根据人头像或安全帽识别区域依次与行人识别区域、叉车司机识别区域上部、叉车识别区域上部中间区域的重叠率判断,获取叉车司机的人头像和安全帽识别结果;
S41.遍历人头像或安全帽识别结果,计算人头像或安全帽识别区域与行人识别区域的重叠率,判断重叠率是否大于第二阈值,若是,判断人头像或安全帽为非叉车司机的,过滤该人头像或安全帽,若否,进入下一步骤。其中第二阈值可配置,取0.2。
S42.根据人头像或安全帽识别区域与行人识别区域的重叠率判断结果,遍历人头像或安全帽识别结果,计算人头像或安全帽识别区域与叉车司机识别区域的上1/2部分的重叠率,判断重叠率是否小于第三阈值,若是,判断人头像或安全帽为非叉车司机的,过滤该人头像或安全帽,若否,进入下一步骤。其中第三阈值可配置,在0.7到0.95之间。
叉车司机识别区域上部为叉车司机识别区域的上1/2部分,叉车司机识别结果信息包括(dxmin,dymin,dw,dh),其中(dxmin,dymin)表示司机识别框左上顶点坐标,dw表示司机识别框宽度,dh表示司机识别框高度,叉车司机识别区域的上1/2部分为(dxmin,dymin,dw,dh/2)。
S43.根据人头像或安全帽识别区域与叉车司机识别区域的上1/2部分的重叠率判断结果,遍历人头像或安全帽识别结果,判断人头像或安全帽识别区域与叉车识别区域的上1/2部分中间区域是否完全重叠,若否,判断人头像或安全帽为非叉车司机的,过滤该人头像或安全帽,若是,判断人头像或安全帽可能为叉车司机的;
人头像或安全帽识别区域与叉车识别区域的上1/2部分中间区域是否完全重叠判断包括,是否同时满足以下四个条件,若是则判断完全重叠,若否,则判断不完全重叠,
条件1:fxmin+fw/4小于等于hxmin
条件2:fxmin+(fw/4)*3大于等于hxmin+hw
条件3:fymin小于等于hymin
条件4:fymin+fh/2大于等于hxmin+hh
其中hxmin,hymin表示行人识别框左上顶点坐标,fw表示行人识别框宽度,hh表示行人识别框高度。
S5.根据叉车司机的人头像和安全帽识别结果进行报警判断。
S51.对步骤S4获取的人头像或安全帽识别结果进行判断,
若仅存在安全帽识别结果,则判断叉车司机佩戴安全帽,不触发报警,进入下一帧图像分析;若仅存在人头像识别结果,则判断叉车司机未佩戴安全帽,触发报警;若同时存在人头像和安全帽识别结果,则过滤报警,进入下一帧图像分析;
S52.在触发报警的情况下,保存当前报警发生的原图像、分析过程的图像、报警前后N1秒的视频,计算人头像识别区域与上一次报警的人头像识别区域的重叠率,判断重叠率是否大于第四阈值,若是,则判断为相同的叉车司机未佩戴安全帽,过滤报警,进入下一帧图像分析,若否,进入下一步判断;N1取5秒。
S53.判断与上一次报警时间间隔是否大于N2秒,若否,过滤报警,进入下一帧图像分析,若是,实时推送报警,进入下一帧图像分析。N2取10秒。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (9)
1.一种基于安全帽佩戴识别的叉车安全作业检测方法,对摄像机拍摄的作业区域图像进行分析,其特征在于:包括以下步骤:
S1.采用预训练的深度学习目标模型识别图像中叉车、司机和行人;
S2.根据叉车和司机识别结果判断进行作业判断,并根据叉车和司机识别区域的重叠率判断获取候选叉车司机;
S3.裁剪候选叉车司机图像,采用预训练的深度学习目标模型识别图像中的人头像和安全帽;
S4.根据人头像或安全帽识别区域依次与行人识别区域、叉车司机识别区域上部、叉车识别区域上部中间区域的重叠率判断,获取叉车司机的人头像和安全帽识别结果;
S5.根据叉车司机的人头像和安全帽识别结果进行报警判断。
2.根据权利要求1所述的一种基于安全帽佩戴识别的叉车安全作业检测方法,其特征是所述步骤S1具体过程包括:
采集一帧实时监控图像;
采用预训练的深度学习目标模型识别图像中叉车、司机和行人,获得叉车、司机、行人识别结果;
其中叉车识别结果包括一个叉车的叉车识别框,以及叉车识别框左上顶点坐标和宽高,司机识别结果包括一个坐着的人的司机识别框,以及司机识别框左上顶点坐标和宽高,行人识别结果包括站立的人的行人识别框,以及行人识别框左上坐标和宽高。
3.根据权利要求2所述的一种基于安全帽佩戴识别的叉车安全作业检测方法,其特征是所述根据叉车和司机识别结果判断进行作业判断,包括:
判断是否识别出叉车,若无叉车,则跳过当前帧图像,进入下一帧图像分析,若有叉车,进入下一步判断;
判断叉车识别框是否满足第一条件,若不满足,则跳过当前帧图像,进入下一帧图像分析,若满足,进入下一步判断,其中第一条件为叉车识别框宽度大于q1且叉车识别框宽高比或高宽比小于p;
判断是否识别出司机,若无司机,则跳过当前帧图像,进入下一帧图像分析,若有司机,则判断叉车可能作业。
4.根据权利要求3所述的一种基于安全帽佩戴识别的叉车安全作业检测方法,其特征是所述根据叉车和司机识别区域的重叠率判断获取候选叉车司机,包括:
遍历司机识别结果,计算司机识别框与叉车识别框的重叠率,判断重叠率是否小于第一阈值,若是,判断该目标非叉车司机,若否,判断该目标为候选叉车司机,若最终都为非叉车司机,则跳过当前帧图像,进入下一帧图像分析;
司机识别框与叉车识别框的重叠率计算包括,
计算叉车与司机重叠区域宽
w=min(fxmin+fw,dxmin+dw)-max(fxmin,dxmin),
计算叉车与司机重叠区域高
h=min(fymin+fh,dymin+dh)-max(fymin,dymin),
其中fxmin,fymin表示叉车识别框左上顶点坐标,fw表示叉车识别框宽度,fh表示叉车识别框高度,dxmin,dymin表示司机识别框左上顶点坐标,dw表示司机识别框宽度,dh表示司机识别框高度;
计算司机识别框与叉车识别框的重叠率
5.根据权利要求4所述的一种基于安全帽佩戴识别的叉车安全作业检测方法,其特征是所述步骤S3的具体过程包括:
根据判断获得的候选叉车司机,从图像中裁剪出候选叉车司机的司机识别框图像,采用预训练的深度学习目标模型识别得到人头像和安全帽识别结果;
其中人头像识别结果包括一个人头像的人头像识别框,以及人头像识别框左上顶点坐标和宽高,安全帽识别结果包括一个安全帽的安全帽识别框,以及安全帽识别框左上顶点坐标和宽高;
判断人头像或安全帽识别框是否满足第二条件,若不满足,过滤掉不满足第二条件的人头像或安全帽识别结果,若满足,获得符合第二条件的人头像或安全帽识别结果,其中第二条件为人头像或安全帽识别框宽度或高度大于等于q2。
6.根据权利要求5所述的一种基于安全帽佩戴识别的叉车安全作业检测方法,其特征是所述人头像或安全帽识别区域与行人识别区域的重叠率判断,包括:
遍历人头像或安全帽识别结果,计算人头像或安全帽识别区域与行人识别区域的重叠率,判断重叠率是否大于第二阈值,若是,判断人头像或安全帽为非叉车司机的,过滤该人头像或安全帽,若否,进入下一步骤。
7.根据权利要求6所述的一种基于安全帽佩戴识别的叉车安全作业检测方法,其特征是所述人头像或安全帽识别区域与叉车司机识别区域上部的重叠率判断,包括:
根据人头像或安全帽识别区域与行人识别区域的重叠率判断结果,遍历人头像或安全帽识别结果,计算人头像或安全帽识别区域与叉车司机识别区域的上1/2部分的重叠率,判断重叠率是否小于第三阈值,若是,判断人头像或安全帽为非叉车司机的,过滤该人头像或安全帽,若否,进入下一步骤。
8.根据权利要求7所述的一种基于安全帽佩戴识别的叉车安全作业检测方法,其特征是所述根据人头像或安全帽识别区域与叉车识别区域上部中间区域的重叠率判断,包括:
根据人头像或安全帽识别区域与叉车司机识别区域的上1/2部分的重叠率判断结果,遍历人头像或安全帽识别结果,判断人头像或安全帽识别区域与叉车识别区域的上1/2部分中间区域是否完全重叠,若否,判断人头像或安全帽为非叉车司机的,过滤该人头像或安全帽,若是,判断人头像或安全帽可能为叉车司机的;
人头像或安全帽识别区域与叉车识别区域的上1/2部分中间区域是否完全重叠判断包括,是否同时满足以下四个条件,若是则判断完全重叠,若否,则判断不完全重叠,
条件1:fxmin+fw/4小于等于hxmin
条件2:fxmin+(fw/4)*3大于等于hxmin+hw
条件3:fymin小于等于hymin
条件4:fymin+fh/2大于等于hxmin+hh
其中hxmin,hymin表示行人识别框左上顶点坐标,fw表示行人识别框宽度,hh表示行人识别框高度。
9.根据权利要求8所述的一种基于安全帽佩戴识别的叉车安全作业检测方法,其特征是所述步骤S5具体过程包括:
对步骤S4获取的人头像或安全帽识别结果进行判断,
若仅存在安全帽识别结果,则判断叉车司机佩戴安全帽,不触发报警,进入下一帧图像分析;若仅存在人头像识别结果,则判断叉车司机未佩戴安全帽,触发报警;若同时存在人头像和安全帽识别结果,则过滤报警,进入下一帧图像分析;
在触发报警的情况下,保存当前报警发生的原图像、分析过程的图像、报警前后N1秒的视频,计算人头像识别区域与上一次报警的人头像识别区域的重叠率,判断重叠率是否大于第四阈值,若是,则判断为相同的叉车司机未佩戴安全帽,过滤报警,进入下一帧图像分析,若否,进入下一步判断;
判断与上一次报警时间间隔是否大于N2秒,若否,过滤报警,进入下一帧图像分析,若是,实时推送报警,进入下一帧图像分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111563579.9A CN114565887A (zh) | 2021-12-20 | 2021-12-20 | 一种基于安全帽佩戴识别的叉车安全作业检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111563579.9A CN114565887A (zh) | 2021-12-20 | 2021-12-20 | 一种基于安全帽佩戴识别的叉车安全作业检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114565887A true CN114565887A (zh) | 2022-05-31 |
Family
ID=81712810
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111563579.9A Pending CN114565887A (zh) | 2021-12-20 | 2021-12-20 | 一种基于安全帽佩戴识别的叉车安全作业检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114565887A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116092198A (zh) * | 2023-03-31 | 2023-05-09 | 常州海图信息科技股份有限公司 | 一种矿用安全帽识别检测方法、装置、设备及介质 |
-
2021
- 2021-12-20 CN CN202111563579.9A patent/CN114565887A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116092198A (zh) * | 2023-03-31 | 2023-05-09 | 常州海图信息科技股份有限公司 | 一种矿用安全帽识别检测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106709420B (zh) | 一种监测营运车辆驾驶人员驾驶行为的方法 | |
US11816983B2 (en) | Helmet wearing determination method, helmet wearing determination system, helmet wearing determination apparatus, and program | |
CN107126224B (zh) | 一种基于Kinect的轨道列车驾驶员状态的实时监测预警方法与*** | |
CN104732251B (zh) | 一种基于视频的机车司机驾驶状态检测方法 | |
CN106295551A (zh) | 一种基于视频分析的人员安全帽佩戴情况实时检测方法 | |
CN108319934A (zh) | 基于视频流数据的安全帽佩戴情况检测方法 | |
CN106156725A (zh) | 一种基于车辆前方的行人及骑车人的识别预警***的工作方法 | |
CN105894735B (zh) | 一种智能化车载疲劳监测***及方法 | |
Ahmed et al. | Robust driver fatigue recognition using image processing | |
KR101036947B1 (ko) | 컴퓨터 영상 분석기술을 이용한 범죄 및 사고예방 자동경비 시스템 | |
CN106022235B (zh) | 基于人体探测的遗漏孩童检测方法 | |
CN110751051A (zh) | 一种基于机器视觉的异常驾驶行为检测方法 | |
CN104598934A (zh) | 一种驾驶员吸烟行为监控方法 | |
US7650034B2 (en) | Method of locating a human eye in a video image | |
JP4807354B2 (ja) | 車両検出装置、車両検出システム及び車両検出方法 | |
Katyal et al. | Safe driving by detecting lane discipline and driver drowsiness | |
US11417108B2 (en) | Two-wheel vehicle riding person number determination method, two-wheel vehicle riding person number determination system, two-wheel vehicle riding person number determination apparatus, and program | |
CN110796049A (zh) | 基于图像处理的生产作业人员安全帽佩戴检测方法及*** | |
CN111814762A (zh) | 头盔佩戴检测方法和装置 | |
CN103315754A (zh) | 一种疲劳检测方法及装置 | |
KR101092472B1 (ko) | 감시카메라를 활용한 비디오 색인 시스템 및 그 색인 방법 | |
CN114565887A (zh) | 一种基于安全帽佩戴识别的叉车安全作业检测方法 | |
CN112613449A (zh) | 一种基于视频人脸图像的安全帽佩戴检测识别方法及*** | |
CN114565886A (zh) | 一种应用于铁路行业人员跨越股道危险行为检测方法 | |
Sankaran et al. | Driver drowsiness detection using percentage eye closure method |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220831 Address after: Building 536, No. 465, Middle Tianmu Road, Jing'an District, Shanghai, 200070 Applicant after: INSTITUTE OF SCIENCE AND TECHNOLOGY, CHINA RAILWAY SHANGHAI GROUP CO.,LTD. Applicant after: GOSUNCN CHUANGLIAN TECHNOLOGY Co.,Ltd. Address before: 310013 5 floor, 10 building, 30 Wan Tang Road, Xihu District, Hangzhou, Zhejiang. Applicant before: GOSUNCN CHUANGLIAN TECHNOLOGY Co.,Ltd. |