本发明涉及图像处理技术领域，尤其是一种基于图像识别的工作区域安全帽佩戴的检测方法。
背景技术：
目标检测，通常也被称为目标提取，是一种基于目标集合和统计特征的图像分割，它将目标的分割和识别合二为一，其准确性和实时性是整个系统的一项重要能力。目标检测的意义在于让计算机智能地从输入图像中识别目标的类型，并获得目标的区域位置信息。目标检测是图像目标跟踪、视频分析的前提。目标检测具备重要的作用：分类信息、目标区域信息(矩形区域参数)，这成为目标跟踪、视频图像分析的重要基础。
目前针对图像或视频数据的安全帽检测技术主要包括以下几类：第一类是基于运动目标检测技术的安全帽检测方法，该技术主要针对监控视频数据，对视频数据应用运动目标跟踪技术来检测运动的安全帽，该技术存在一定的问题，一方面运动的物体可能包含行人、车辆、以及路边摇动的树木等，无法做到安全帽的分类精确识别，更无法做到安全帽的准确定位。第二类是基于hog特征提取与svm分类的安全帽检测技术，hog特征是基于图像梯度幅值和边缘方向的描述图像局部特征的一种方法，svm是简历在统计学习上的一种分类方法。基于hog特征提取与svm分类技术的安全帽检测方法具有算法处理简单的优点，但也存在算法识别率低、模型泛化能力弱等缺点。第三类是基于hear-like特征与adaboost的安全帽检测检测技术，该技术最早应用于传统的人脸检测，是基于hear-like特征提取与adaboost分类技术的安全帽检测方法，该方法中的特征提取包括三类特征：边缘特征、现行特征、中心特征，并应用级联的弱分类器构建一个强分类器即adaboost分类方法，该方法的缺点在于特征提取存在不足，无法达到较高的识别准确率。
技术实现要素：
本发明所要解决的技术问题是提供一种能够降低图像特征提取的困难、提升安全帽检测的准确率、提升安全帽佩戴状态识别的准确率，并降低整个处理流程运行时间的基于图像识别的工作区域安全帽佩戴的检测方法。
本发明解决其技术问题所采用的技术方案为：该基于图像识别的工作区域安全帽佩戴的检测方法，包括以下步骤：
1)、采集工作区域的图像，并对采集到的图像进行预处理；所述图像预处理包括图像尺度的变化和图像增强处理，所述图像尺度的变化是指将图像调整成固定尺寸大小的图像，所述图像增强处理是指增加图像的对比度；
2)、图像目标检测；采用ssd或yolo目标检测框架检测图像中的人体头部、安全帽目标，并得到人体头部和安全帽的分类信息和相应目标的区域位置信息，所述图像目标检测的过程如下所述：
a、正负样本筛选；以目标标注的ground_truth区域作为依据，如果图像区域与ground_truth区域的重叠率大于规定的门限值，则认为此图像区域信息为正样本，如果图像区域与ground_truth的重叠率小于规定的门限值，则认为此图像区域信息为负样本；
b、特征提取；采用resnet或vgg-16模型作为特征提取网络提取正负样本中的特征描述信息；
c、目标分类和线性回归；采用adaboost分类器对步骤b获得的特征描述信息进行分类，得到人体头部和安全帽的分类信息，并利用线性回归的方式计算目标的位置区域信息，所述目标的位置信息采用矩形区域描述方式，即包含矩形区域的左上角坐标点x,y，以及矩形的宽度width和高度height；
3)、计算人体头部与安全帽的重叠率；重叠率cross_rate的计算公式为：
其中area(安全帽∩人体头部)为安全帽与人体头部区域交集的面积，area(安全帽∪人体头部)为安全帽与人体头部区域并集的面积；
4)、工作区域界定，工作区域的界定通过如下方式实现：预先设置工作区域mask模板，并将人体头部的位置区域与mask区域进行识别判定，识别判定规则如下所述：如果人体头部的位置区域位于mask区域内部，则判定为人在工作区域，此时判定结果为人员佩戴了安全帽；如果人体头部的位置区域不在mask区域内部或部分出于mask区域内部，则判定为人不在工作区域，此时判定结果为人员未佩戴安全帽。
进一步的是，在步骤1)中，所述工作区域的图像采集方式为视频流采集方式，所述视频流采集方式的具体过程如下所述：通过摄像头获取视频流后先进行视频流解码处理，然后从解码中的图像序列中按照一定的时间间隔抽取待识别图像即可得到采集到工作区域的图像。
进一步的是，所述视频流解码处理方式为h264/h265解码。
进一步的是，在步骤1)中，所述工作区域的图像采集方式为图片采集方式，所述图片采集方式的具体过程如下所述：通过将摄像头设置为定时触发拍照得到采集到工作区域的图像。
进一步的是，在步骤1)中，所述图像尺度的变化是指将图像调整成尺寸为512*512或300*300大小的图像。所述图像增强处理是指增加图像的对比度。
进一步的是，在步骤1)中，所述图像增强处理通过图像直方图变换的方式实现。
进一步的是，在步骤b中，所述特征提取网络的卷积层采用depthwise处理方法。
进一步的是，在步骤a中，如果图像区域与ground_truth区域的重叠率大于0.6，则认为此图像区域信息为正样本，如果图像区域与ground_truth的重叠率小于0.4，则认为此图像区域信息为负样本。
本发明的有益效果：该基于图像识别的工作区域安全帽佩戴的检测方法通过采集工作区域的图像，并对采集到的图像进行预处理；接着检测图像中的人体头部、安全帽目标，并得到人体头部和安全帽的分类信息和相应目标的区域位置信息，接着计算人体头部与安全帽的重叠率；用于判断人是否佩戴安全帽，本发明特征提取采用resnet或vgg-16模型作为特征提取网络的特征提取方法，能够降低图像特征提取的困难，并采用基于adaboost的特征分类方法，一方面能够保证识别准确率较高，另一方面可以使得模型的泛化能力更高，同时采用基于目标检测的结果信息(矩形区域)的重叠率作为是否佩戴安全帽判断的判定依据，从而在人体背对摄像头时具有更准确的检测性能，使得系统具有更强的鲁棒性，提升安全帽检测的准确率、提升安全帽佩戴状态识别的准确率，并降低整个处理流程运行时间。
具体实施方式
该基于图像识别的工作区域安全帽佩戴的检测方法，包括以下步骤：
1)、采集工作区域的图像，并对采集到的图像进行预处理；所述图像预处理包括图像尺度的变化和图像增强处理，所述图像尺度的变化是指将图像调整成固定尺寸大小的图像，所述图像增强处理是指增加图像的对比度；
2)、图像目标检测；采用ssd或yolo目标检测框架检测图像中的人体头部、安全帽目标，并得到人体头部和安全帽的分类信息和相应目标的区域位置信息，所述图像目标检测的过程如下所述：
a、正负样本筛选；以目标标注的ground_truth区域作为依据，如果图像区域与ground_truth区域的重叠率大于规定的门限值，则认为此图像区域信息为正样本，如果图像区域与ground_truth的重叠率小于规定的门限值，则认为此图像区域信息为负样本；
b、特征提取；采用resnet或vgg-16模型作为特征提取网络提取正负样本中的特征描述信息；
c、目标分类和线性回归；采用adaboost分类器对步骤b获得的特征描述信息进行分类，得到人体头部和安全帽的分类信息，并利用线性回归的方式计算目标的位置区域信息，所述目标的位置信息采用矩形区域描述方式，即包含矩形区域的左上角坐标点x,y，以及矩形的宽度width和高度height；
3)、计算人体头部与安全帽的重叠率；重叠率cross_rate的计算公式为：
其中area(安全帽∩人体头部)为安全帽与人体头部区域交集的面积，area(安全帽∪人体头部)为安全帽与人体头部区域并集的面积；
4)、工作区域界定，工作区域的界定通过如下方式实现：预先设置工作区域mask模板，并将人体头部的位置区域与mask区域进行识别判定，识别判定规则如下所述：如果人体头部的位置区域位于mask区域内部，则判定为人在工作区域，此时判定结果为人员佩戴了安全帽；如果人体头部的位置区域不在mask区域内部或部分出于mask区域内部，则判定为人不在工作区域，此时判定结果为人员未佩戴安全帽。
该基于图像识别的工作区域安全帽佩戴的检测方法通过采集工作区域的图像，并对采集到的图像进行预处理；接着检测图像中的人体头部、安全帽目标，并得到人体头部和安全帽的分类信息和相应目标的区域位置信息，接着计算人体头部与安全帽的重叠率；用于判断人是否佩戴安全帽，本发明特征提取采用resnet或vgg-16模型作为特征提取网络的特征提取方法，能够降低图像特征提取的困难，并采用基于adaboost的特征分类方法，一方面能够保证识别准确率较高，另一方面可以使得模型的泛化能力更高，同时采用基于目标检测的结果信息(矩形区域)的重叠率作为是否佩戴安全帽判断的判定依据，从而在人体背对摄像头时具有更准确的检测性能，使得系统具有更强的鲁棒性，、提升安全帽检测的准确率、提升安全帽佩戴状态识别的准确率，并降低整个处理流程运行时间。
在上述实施方式中，在步骤1)中，所述工作区域的图像采集方式可以采用视频流采集方式，所述视频流采集方式的具体过程如下所述：通过摄像头获取视频流后先进行视频流解码处理，然后从解码中的图像序列中按照一定的时间间隔抽取待识别图像即可得到采集到工作区域的图像。所述视频流解码处理方式优选为h264/h265解码。所述工作区域的图像采集方式也可以采用图片采集方式，所述图片采集方式的具体过程如下所述：通过将摄像头设置为定时触发拍照得到采集到工作区域的图像，一般可直接通过调用摄像头的定时拍照接口完成。
再者，在步骤1)中，所述图像尺度的变化大小可以根据实际情况而定，通常情况下，所述图像尺度的变化是指将图像调整成尺寸为512*512或300*300大小的图像。所述图像增强处理是指增加图像的对比度；所述图像增强处理通过图像直方图变换的方式实现。
进一步的是，在步骤b中，为提高特征提取步骤的处理速度，所述特征提取网络的卷积层采用depthwise处理方法。
为了进一步提高识别准确率，在步骤a中，如果图像区域与ground_truth区域的重叠率大于0.6，则认为此图像区域信息为正样本，如果图像区域与ground_truth的重叠率小于0.4，则认为此图像区域信息为负样本。