低亮度环境下的不安全行为检测方法及系统

1.本发明涉及计算机视觉技术领域，具体涉及一种低亮度环境下的不安全行为检测方法及系统。


背景技术：

2.工程作业现场经常发生高空坠落、物体撞击等事故，严重威胁人员安全，影响工程作业质量。个人防护装备是最容易实现的管控措施。主观防护意识的薄弱和危害的存在使得个人防护装备得不到合理、规范的使用。因此，在工程作业现场进行视频检测并发出预警已经成为必要。但是在夜间或者光线不充足的工程作业现场环境过暗，外界干扰因素过多的，在进行视频监测时，由于光线不足成像效果不佳，从而对图像的检测不够精确，安全监控容易造成误判，对低亮度环境下的视频图像进行必要的处理是保证进行精确检测的必要环节。


技术实现要素：

3.本发明的目的在于提供一种低亮度环境下的不安全行为检测方法及系统，以解决上述背景技术中存在的至少一项技术问题。
4.为了实现上述目的，本发明采取了如下技术方案：
5.一方面，本发明提供一种低亮度环境下的不安全行为检测方法，包括：
6.获取低亮度环境下的待检测工程作业视频；
7.基于局部均衡同态滤波对待检测工程作业视频进行去噪处理；
8.对去噪处理后的视频进行亮度自适应变换，提高视频的亮度；
9.使用预先训练好的检测模型，对提高了亮度后的视频进行处理，得到所述视频中是否存在不安全行为的检测结果；其中，所述预先训练好的检测模型由训练集训练得到，所述训练集包括多张包含有不安全行为的图像以及标注图像中不安全行为的标签；
10.当检测到视频中存在不安全行为时，发出警报。
11.优选的，基于局部均衡同态滤波对待检测工程作业视频进行去噪处理，包括：
12.将待检测工程作业视频按帧分割并转换为灰度图像，并根据设定的局部均衡同态滤波参数进行局部直方图均衡变换；
13.将变换后的图像分解为低频部分与高频部分；
14.对分解后的图像做对数变化，得到低频与高频部分的加性分量，得到对数图像，并进行傅里叶变换，得到其对应的频率表示；
15.根据设定的局部均衡同态滤波参数，对对数图像进行频域滤波；
16.对频域滤波后的对数图像进行傅里叶反变换，得到空域对数图像；
17.对空域对数图像进行指数变化，得到空域滤波后的图像。
18.优选的，局部均衡同态滤波为：
19.h
mo
(x,y)＝(γ
h-γ
l
)h
hp
(x,y)+γ
l
,γ
l
＜1,γh＞1
[0020][0021]
其中，h
mo
(x,y)表示局部均衡同态滤波的输出；h
hp
(x,y)表示滤波函数；(x,y)表示图像的坐标分量；γh表示高频权重；γ
l
表示低频权重；c表示一个常数，其控制滤波器的形态，即从低频到高频过渡段的斜率；d0表示低频与高频的比例参数；d表示点(x,y)到图像中心的欧氏距离。
[0022]
优选的，对去噪处理后的视频进行亮度自适应变换，提高视频的亮度，包括：
[0023]
选取不同尺度的高斯函数，分别提取去噪处理后的视频图像的光照分量估计值；
[0024]
将不同的光照分量估计值进行加权，得到最终的光照分量；
[0025]
基于二维伽马函数进行亮度自适应矫正，利用光照分量的分布特性自适应调节二维伽马函数，提高视频画面的整体光照度。
[0026]
优选的，二维伽马函数为：
[0027][0028]
其中，o(x,y)为校正后输出图像的亮度值，f(x,y)为输入的原始图像，γ为用于亮度增强的指数值，m为光照分量的亮度均值，i(x,y)为提取出的光照分量。
[0029]
优选的，训练所述检测模型包括：
[0030]
将训练集中的图像进行尺度调整为统一的尺度；对调整后的图像进行切片操作，降低图像的特征变化；将切片后的图像输入yolov5基础网络进行目标检测训练，得到训练好的检测模型。
[0031]
第二方面，本发明提供一种低亮度环境下的不安全行为检测系统，包括：
[0032]
获取模块，用于获取低亮度环境下的待检测工程作业视频；
[0033]
去噪模块，用于基于局部均衡同态滤波对待检测工程作业视频进行去噪处理；
[0034]
变换模块，用于对去噪处理后的视频进行亮度自适应变换，提高视频的亮度；
[0035]
检测模块，用于使用预先训练好的检测模型，对提高了亮度后的视频进行处理，得到所述视频中是否存在不安全行为的检测结果；其中，所述预先训练好的检测模型由训练集训练得到，所述训练集包括多张包含有不安全行为的图像以及标注图像中不安全行为的标签；
[0036]
报警模块，用于当检测到视频中存在不安全行为时，发出警报。
[0037]
第三方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现如上所述的低亮度环境下的不安全行为检测方法。
[0038]
第四方面，本发明提供一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现如上所述的低亮度环境下的不安全行为检测方法。
[0039]
第五方面，本发明提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如上所述的低亮度环境下的不安全行为检测方法的指令。
[0040]
本发明有益效果：使用自适应的局部均衡同态滤波对低亮度环境下的视频进行处理，并通过自适应的亮度调节，提高了视频整体的成像效果；通过yolov5算法进行目标检测，提高了目标检测的精确性，为低亮度环境下的工程作业不安全行为进行检测及预警，提高了工程作业的安全性。
[0041]
本发明附加方面的优点，将在下述的描述部分中更加明显的给出，或通过本发明的实践了解到。
附图说明
[0042]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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发明的一些实施例，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他的附图。
[0043]
图1为本发明实施例所述的低亮度环境下的工程作业不安全行为检测方法流程图。
[0044]
图2为本发明实施例所述的自适应局部均衡同态滤波处理流程图。
[0045]
图3为本发明实施例所述的自适应滤波的输入图片。
[0046]
图4为本发明实施例所述的自适应滤波的输出图片。
[0047]
图5为本发明实施例所述的亮度自适应变化前的图片。
[0048]
图6为本发明实施例所述的亮度自适应变化后的图片。
[0049]
图7为本发明实施例所述的头盔的检测结果。
[0050]
图8为本发明实施例所述的安全绳的检测结果。
[0051]
图9为本发明实施例所述的反光背心的检测结果。
[0052]
图10为本发明实施例所述的人员的检测结果。
具体实施方式
[0053]
下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
[0054]
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
[0055]
还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0056]
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
[0057]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特
点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0058]
为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
[0059]
本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
[0060]
实施例1
[0061]
首先，本实施例1提供一种低亮度环境下的不安全行为检测系统，包括：
[0062]
获取模块，用于获取低亮度环境下的待检测视频；
[0063]
去噪模块，用于基于局部均衡同态滤波对待检测视频进行去噪处理；
[0064]
变换模块，用于对去噪处理后的视频进行亮度自适应变换，提高视频的亮度；
[0065]
检测模块，用于使用预先训练好的检测模型，对提高了亮度后的视频进行处理，得到所述视频中是否存在不安全行为的检测结果；其中，所述预先训练好的检测模型由训练集训练得到，所述训练集包括多张包含有不安全行为的图像以及标注图像中不安全行为的标签；
[0066]
报警模块，用于当检测到视频中存在不安全行为时，发出警报。
[0067]
本实施例1中，利用上述的系统，实现了低亮度环境下的不安全行为检测方法，包括：
[0068]
使用获取模块获取低亮度环境下的待检测视频。使用去噪模块基于局部均衡同态滤波对待检测视频进行去噪处理。使用变换模块对去噪处理后的视频进行亮度自适应变换，提高视频的亮度。使用预先训练好的检测模型，对提高了亮度后的视频进行处理，得到所述视频中是否存在不安全行为的检测结果；其中，所述预先训练好的检测模型由训练集训练得到，所述训练集包括多张包含有不安全行为的图像以及标注图像中不安全行为的标签。当检测到视频中存在不安全行为时，使用报警模块发出警报。
[0069]
本实施例1中，基于局部均衡同态滤波对待检测视频进行去噪处理，包括：
[0070]
将待检测视频按帧分割并转换为灰度图像，并根据设定的局部均衡同态滤波参数进行局部直方图均衡变换；
[0071]
将变换后的图像分解为低频部分与高频部分；
[0072]
对分解后的图像做对数变化，得到低频与高频部分的加性分量，得到对数图像，并进行傅里叶变换，得到其对应的频率表示；
[0073]
根据设定的局部均衡同态滤波参数，对对数图像进行频域滤波；
[0074]
对频域滤波后的对数图像进行傅里叶反变换，得到空域对数图像；
[0075]
对空域对数图像进行指数变化，得到空域滤波后的图像。
[0076]
其中，局部均衡同态滤波为：
[0077]hmo
(x,y)＝(γ
h-γ
l
)h
hp
(x,y)+γ
l
,γ
l
＜1,γh＞1
[0078]
[0079]
其中，h
mo
(x,y)表示局部均衡同态滤波的输出；h
hp
(x,y)表示滤波函数；(x,y)表示图像的坐标分量；γh表示高频权重；γ
l
表示低频权重；c表示一个常数，其控制滤波器的形态，即从低频到高频过渡段的斜率；d0表示低频与高频的比例参数；d表示点(x,y)到图像中心的欧氏距离。
[0080]
对去噪处理后的视频进行亮度自适应变换，提高视频的亮度，包括：
[0081]
选取不同尺度的高斯函数，分别提取去噪处理后的视频图像的光照分量估计值；
[0082]
将不同的光照分量估计值进行加权，得到最终的光照分量；
[0083]
基于二维伽马函数进行亮度自适应矫正，利用光照分量的分布特性自适应调节二维伽马函数，提高视频画面的整体光照度。
[0084]
其中，二维伽马函数为：
[0085][0086]
其中，o(x,y)为校正后输出图像的亮度值，f(x,y)为输入的原始图像，γ为用于亮度增强的指数值，m为光照分量的亮度均值，i(x,y)为提取出的光照分量。
[0087]
本实施例中选用的高斯函数形式为：
[0088][0089]
其中，∫∫g(x,y)dxdy＝1，为高斯函数的归一化条件；x、y分别为将数字图像看作二维函数时函数值的横坐标和纵坐标值；c
′
为尺度因子，λ为归一化常数。
[0090]
具体的，本实施例中，选取不同尺度的高斯函数分别提取场景的光照分量并进行加权，得到最终的光照分量：
[0091][0092]
其中，i(x,y)为(x,y)点处进行不同尺度的高斯函数提取并加权后的光照分量值，gi(x,y)为第i个尺度的高斯函数，ωi为第i个尺度的高斯函数对应权重，n为全部的尺度数。
[0093]
训练所述检测模型包括：
[0094]
将训练集中的图像进行尺度调整为统一的尺度；对调整后的图像进行切片操作，降低图像的特征变化；将切片后的图像输入yolov5基础网络进行目标检测训练，得到训练好的检测模型。
[0095]
实施例2
[0096]
本实施例2中，以工程作业为例，提供了一种低亮度环境下的工程作业不安全行为检测系统及方法，可以有效精确的对低亮度环境下常见的如不规范佩戴安全帽、反光背心以及危险作业看护等工程作业中的不安全行为等行为进行检测，及时发出警报，以提高工程作业安全性。
[0097]
首先，本实施例2中提供提供一种低亮度环境下的工程作业不安全行为检测系统，该系统包括：获取模块，用于获取低亮度环境下的待检测工程作业视频；去噪模块，用于基于局部均衡同态滤波对待检测工程作业视频进行去噪处理；变换模块，用于对去噪处理后的视频进行亮度自适应变换，提高视频的亮度；检测模块，用于使用预先训练好的检测模
型，对提高了亮度后的视频进行处理，得到所述视频中是否存在不安全行为的检测结果；其中，所述预先训练好的检测模型由训练集训练得到，所述训练集包括多张包含有不安全行为的图像以及标注图像中不安全行为的标签；报警模块，用于当检测到视频中存在不安全行为时，发出警报。
[0098]
本实施例2中，利用上述的系统实现了低亮度环境下的工程作业不安全行为检测方法，包括：
[0099]
使用获取模块获取低亮度环境下的待检测工程作业视频。使用去噪模块基于局部均衡同态滤波对待检测工程作业视频进行去噪处理。使用变换模块对去噪处理后的视频进行亮度自适应变换，提高视频的亮度。使用预先训练好的检测模型，对提高了亮度后的视频进行处理，得到所述视频中是否存在不安全行为的检测结果；其中，所述预先训练好的检测模型由训练集训练得到，所述训练集包括多张包含有不安全行为的图像以及标注图像中不安全行为的标签。当检测到视频中存在不安全行为时，使用报警模块发出警报。
[0100]
本实施例2中，基于局部均衡同态滤波对待检测工程作业视频进行去噪处理，包括：
[0101]
step1：随机设定局部均衡同态滤波器中的各项参数，包括图像分割块数m*n、对比度增强限制cliplimit、对比度增加变化直方图数bin、低频权重γ
l
、高频权重γh、滤波器形态控制参数c以及高频与低频的比例参数d0。
[0102]
step2：将输入的视频按帧分割并转换为灰度图像，并根据设定的参数进行局部直方图均衡变换。
[0103]
step3：将变换后的图像分解为低频部分与高频部分。
[0104]
f(x,y)＝fi(x,y)fr(x,y)；
[0105]
其中，f(x,y)为输入图像进行直方图均衡化后的图像，fi(x,y)为图像的低频部分，fr(x,y)为图像的高频部分。
[0106]
step4：对分解后的图像做对数变化，得到低频与高频部分的加性分量。
[0107]
lnf(x,y)＝lnfi(x,y)+lnfr(x,y)
[0108]
step5：对对数图像做傅里叶变换，得到其对应的频率表示。
[0109]
dft[lnf(x,y)]＝dft[lnf(x,y)i]+dft[lnfr(x,y)]
[0110]
step6：根据step1中设定的同态滤波器参数，对对数图像进行频域滤波。
[0111]
在本实施例中，同态滤波器的设计如下所示：
[0112]hmo
(x,y)＝(γ
h-γ
l
)h
hp
(x,y)+γ
l
,γ
l
＜1,γh＞1
[0113][0114]
其中，h
mo
(x,y)表示局部均衡同态滤波的输出；h
hp
(x,y)表示滤波函数；(x,y)表示图像的坐标分量；γh表示高频权重；γ
l
表示低频权重；c表示一个常数，其控制滤波器的形态，即从低频到高频过渡段的斜率，值越大斜坡越陡峭；d0表示低频与高频的比例参数；d表示点(x,y)到图像中心的欧氏距离。
[0115]
step7：进行判断，若达不到输出要求，则随机更改参数并返回step2，若达到要求则进行输出并继续。
[0116]
step8：进行傅里叶反变换，返回空域对数图像。
[0117]
step9：进行指数变化，得到空域滤波结果。
[0118]
本实施例2中，对去噪处理后的视频进行亮度自适应变换，提高视频的亮度，包括：
[0119]
step1：首先构造多尺度高斯滤波函数，用于提取图像的照射分从量，本实施例选用的高斯函数形式为：
[0120][0121]
其中，∫∫g(x,y)dxdy＝1，为高斯函数的归一化条件；x、y分别为将数字图像看作二维函数时函数值的横坐标和纵坐标值；c
′
为尺度因子，λ为归一化常数。
[0122]
step2：将原始图像和高斯函数做卷积，得到光照分量的估计值。
[0123]
i(x,y)＝f(x,y)
×
g(x,y)；
[0124]
其中，f(x,y)为输入图像，i(x,y)为得到的光照分量的估计值。
[0125]
step3：选取不同尺度的高斯函数分别提取场景的光照分量并进行加权，得到最终的光照分量。
[0126][0127]
其中，i(x,y)为(x,y)点处进行不同尺度的高斯函数提取并加权后的光照分量值，gi(x,y)为第i个尺度的高斯函数，ωi为第i个尺度的高斯函数对应权重，n为全部的尺度数。
[0128]
step4：基于二维伽马函数进行亮度自适应矫正，利用光照分量的分布特性自适应调节二维伽马函数，实现提高画面整体光照水品。本实施例中构造的二维伽马函数为：
[0129][0130]
其中，o(x,y)为校正后输出图像的亮度值，f(x,y)为输入的原始图像，γ为用于亮度增强的指数值，m为光照分量的亮度均值，i(x,y)为提取出的光照分量。
[0131]
本实施例2中，训练所述检测模型包括：
[0132]
将训练集中的图像进行尺度调整为统一的尺度；对调整后的图像进行切片操作，降低图像的特征变化；将切片后的图像输入yolov5基础网络进行目标检测训练，得到训练好的检测模型。
[0133]
具体的，建立不同的训练集合，用于实现不同场景下，不同目标的安全检测。
[0134]
step1：分别建立是否佩戴头盔的图像集合、高空作业是否佩戴安全绳的图像集合、是否穿戴反光背心的图像集合以及人员集合。对图像中没有佩戴头盔、没有穿戴反光背心、没有佩戴安全绳的行为进行标注，作为训练集。
[0135]
step2：对输入的训练集的图像进行尺度变化，将输入的图片统一缩放到标准尺度，本实施例中采用的尺度为608*608，具体缩放方式为：
[0136][0137]
其中，(a,b)为输入图片的长和宽，(a,b)
′
为统一缩放后图片的长和宽，在统一缩放后，在(a,b)
′
的短边进行补充少量黑框，就可以得到统一608*608尺寸的输入图片。
[0138]
step3：对输入图片进行切片操作，降低图像的特征变化，从而大大降低计算量。
[0139]
step4：将处理后的图像输入yolov5进行目标检测并计数。
[0140]
本实施例2中，设定了报警模块的报警规则，如：利用训练好的yolov5进行目标检测检测到图像中的不安全行为的主体数超过预设的数量时进行报警。具体的，本实施例中的报警规则如下：
[0141]
规则1：当检测到的头盔数和人员数连续20帧数量不匹配时发出预警；
[0142]
规则2：当检测到的反光背心和人员数连续20帧数量不匹配时发出预警；
[0143]
规则3：高空作业区域内，当检测到的安全绳数和人员数连续20帧不匹配时发出预警；
[0144]
规则4：当危险区域入侵检测区域内的人员检测数超过0时发出预警；
[0145]
规则5：当危险作业看护区域内的人员检测数为1时发出预警。
[0146]
综上，经过本实施例提供的检测方法，能够有效的检测出低亮度环境中工程作业的不安全行为的各项指标，保证了工程作业的安全性。
[0147]
实施例3
[0148]
如图1所示，本实施例3中，以工程作业为例，提供了一种低亮度环境下的工程作业不安全行为检测方法。具体的，该方法包括如下步骤：
[0149]
获取低亮度环境下的待检测视频；
[0150]
基于局部均衡同态滤波对待检测视频进行去噪处理；
[0151]
对去噪处理后的视频进行亮度自适应变换，提高视频的亮度；
[0152]
使用预先训练好的检测模型，对提高了亮度后的视频进行处理，得到所述视频中是否存在不安全行为的检测结果；其中，所述预先训练好的检测模型由训练集训练得到，所述训练集包括多张包含有不安全行为的图像以及标注图像中不安全行为的标签；
[0153]
当检测到视频中存在不安全行为时，发出警报。
[0154]
如图2至图4所示，本实施例3中，低亮度环境下的自适应局部均衡同态滤波方式包括如下步骤：
[0155]
step1：随机设定局部均衡同态滤波器中的各项参数，包括图像分割块数m*n、对比度增强限制cliplimit、对比度增加变化直方图数bin、低频权重γ
l
、高频权重γh、滤波器形态控制参数c以及高频与低频的比例参数d0。
[0156]
step2：将输入的视频按帧分割并转换为灰度图像，并根据设定的参数进行局部直方图均衡变换。
[0157]
step3：将变换后的图像分解为低频部分与高频部分。
[0158]
f(x,y)＝fi(x,y)fr(x,y)；
[0159]
其中，f(x,y)为输入图像进行直方图均衡化后的图像，fi(x,y)为图像的低频部分，fr(x,y)为图像的高频部分。
[0160]
step4：对分解后的图像做对数变化，得到低频与高频部分的加性分量。
[0161]
lnf(x,y)＝lnfi(x,y)+lnfr(x,y)
[0162]
step5：对对数图像做傅里叶变换，得到其对应的频率表示。
[0163]
dft[lnf(x,y)]＝dft[lnf(x,y)i]+dft[lnfr(x,y)]
[0164]
step6：根据step1中设定的同态滤波器参数，对对数图像进行频域滤波。
[0165]
在本实施例中，同态滤波器的设计如下所示：
[0166]hmo
(x,y)＝(γ
h-γ
l
)h
hp
(x,y)+γ
l
,γ
l
＜1,γh＞1
[0167][0168]
其中，h
mo
(x,y)表示局部均衡同态滤波的输出；h
hp
(x,y)表示滤波函数；(x,y)表示图像的坐标分量；γh表示高频权重；γ
l
表示低频权重；c表示一个常数，其控制滤波器的形态，即从低频到高频过渡段的斜率，值越大斜坡越陡峭；d0表示低频与高频的比例参数；d表示点(x,y)到图像中心的欧氏距离。
[0169]
step7：进行判断，若达不到输出要求，则随机更改参数并返回step2，若达到要求则进行输出并继续。
[0170]
step8：进行傅里叶反变换，返回空域对数图像。
[0171]
step9：进行指数变化，得到空域滤波结果。
[0172]
经过图2与图3的对比可以明显的发现，经过本实施例提供的滤波器处理后图像的质量有了明显的提升，为后续的目标检测提供了支持。
[0173]
如图5、图6所示，在本实施例3中，进行亮度自适应的变换图像处理方法，具体如下步骤：
[0174]
step1：首先构造多尺度高斯滤波函数，用于提取图像的照射分从量，本实施例选用的高斯函数形式为：
[0175][0176]
其中，∫∫g(x,y)dxdy＝1，为高斯函数的归一化条件；x、y分别为将数字图像看作二维函数时函数值的横坐标和纵坐标值；c
′
为尺度因子，λ为归一化常数。
[0177]
step2：将原始图像和高斯函数做卷积，得到光照分量的估计值。
[0178]
i(x,y)＝f(x,y)
×
g(x,y)；
[0179]
其中，f(x,y)为输入图像，i(x,y)为得到的光照分量的估计值。
[0180]
step3：选取不同尺度的高斯函数分别提取场景的光照分量并进行加权，得到最终的光照分量。
[0181][0182]
其中，i(x,y)为(x,y)点处进行不同尺度的高斯函数提取并加权后的光照分量值，gi(x,y)为第i个尺度的高斯函数，ωi为第i个尺度的高斯函数对应权重，n为全部的尺度数。
[0183]
step4：基于二维伽马函数进行亮度自适应矫正，利用光照分量的分布特性自适应调节二维伽马函数，实现提高画面整体光照水品。本实施例中构造的二维伽马函数为：
[0184][0185]
其中，o(x,y)为校正后输出图像的亮度值，f(x,y)为输入的原始图像，γ为用于亮度增强的指数值，m为光照分量的亮度均值，i(x,y)为提取出的光照分量。
[0186]
由图5和图6的对比可以发现，经过本实施例提供的亮度自适应变化后，图像的成
像效果有了大幅度的提升，为目标检测的精度提供了保障。
[0187]
如图7至图10所示，在本实施例3中，建立了人员检测数据集、头盔检测数据集、安全绳检测数据集与反光背心检测数据集，并通过本实施例采用的检测算法后，得到了不同的检测结果，说明了检测精度有效性，具体包括如下步骤：
[0188]
step1：分别建立头盔集合、高空作业安全绳集合、反光背心集合以及人员集合。
[0189]
step2：对输入图像进行尺度变化，将输入的图片统一缩放到标准尺度，本发明中采用的尺度为608*608，具体缩放方式为：
[0190][0191]
其中，(a,b)为输入图片的长和宽，(a,b)
′
为统一缩放后图片的长和宽，在统一缩放后，在(a,b)
′
的短边进行补充少量黑框，就可以得到统一608*608尺寸的输入图片。
[0192]
step3：对输入图片进行切片操作，降低图像的特征变化，从而大大降低计算量。
[0193]
step4：将处理后的图像输入yolov5进行目标检测并计数。
[0194]
step5：构建不同情景下的预警规则。
[0195]
规则1：当检测到的头盔数和人员数连续20帧数量不匹配时发出预警；
[0196]
规则2：当检测到的反光背心和人员数连续20帧数量不匹配时发出预警；
[0197]
规则3：高空作业区域内，当检测到的安全绳数和人员数连续20帧不匹配时发出预警；
[0198]
规则4：当危险区域入侵检测区域内的人员检测数超过0时发出预警；
[0199]
规则5：当危险作业看护区域内的人员检测数为1时发出预警。
[0200]
实施例4
[0201]
本发明实施例4提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现低亮度环境下的不安全行为检测方法，该方法包括：
[0202]
获取低亮度环境下的待检测视频；
[0203]
基于局部均衡同态滤波对待检测视频进行去噪处理；
[0204]
对去噪处理后的视频进行亮度自适应变换，提高视频的亮度；
[0205]
使用预先训练好的检测模型，对提高了亮度后的视频进行处理，得到所述视频中是否存在不安全行为的检测结果；其中，所述预先训练好的检测模型由训练集训练得到，所述训练集包括多张包含有不安全行为的图像以及标注图像中不安全行为的标签；
[0206]
当检测到视频中存在不安全行为时，发出警报。
[0207]
实施例5
[0208]
本发明实施例5提供一种计算机程序(产品)，包括计算机程序，所述计算机程序当在一个或多个处理器上运行时，用于实现低亮度环境下的不安全行为检测方法，该方法包括：
[0209]
获取低亮度环境下的待检测视频；
[0210]
基于局部均衡同态滤波对待检测视频进行去噪处理；
[0211]
对去噪处理后的视频进行亮度自适应变换，提高视频的亮度；
[0212]
使用预先训练好的检测模型，对提高了亮度后的视频进行处理，得到所述视频中
是否存在不安全行为的检测结果；其中，所述预先训练好的检测模型由训练集训练得到，所述训练集包括多张包含有不安全行为的图像以及标注图像中不安全行为的标签；
[0213]
当检测到视频中存在不安全行为时，发出警报。
[0214]
实施例6
[0215]
本发明实施例6提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现低亮度环境下的不安全行为检测方法的指令，该方法包括：
[0216]
获取低亮度环境下的待检测视频；
[0217]
基于局部均衡同态滤波对待检测视频进行去噪处理；
[0218]
对去噪处理后的视频进行亮度自适应变换，提高视频的亮度；
[0219]
使用预先训练好的检测模型，对提高了亮度后的视频进行处理，得到所述视频中是否存在不安全行为的检测结果；其中，所述预先训练好的检测模型由训练集训练得到，所述训练集包括多张包含有不安全行为的图像以及标注图像中不安全行为的标签；
[0220]
当检测到视频中存在不安全行为时，发出警报。
[0221]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0222]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0223]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0224]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。