论文部分内容阅读
在工业生产和建设中,安全一直是永恒不变的主题,而工作服和安全帽在安全事故的防范中起着举足轻重的作用,因此,按规定地穿着工作服和佩戴安全帽是安全生产的必要措施。本文利用图像识别的方法,设计了一套专门针对于工作人员的穿戴规范性检测的算法,该算法目前已应用于新疆克拉玛依油田的监控系统之中。首先,本文对目前经典的基于HOG特征的行人检测算法进行了实现。针对HOG特征对光照鲁棒性较差的缺点,本文实现了基于HOG-LBP融合特征的行人检测算法;针对HOG特征维度过高的缺点,本文采用PCA降维算法实现了基于PHOG-LBP的行人检测算法。之后,本文对三种算法的特征提取时间、检测时间、识别率等指标进行了对比,得到了一种检测时间达到43ms、识别率达到95.8%的行人检测算法,解决了经典行人检测算法中实时性和识别率低的问题。其次,本文首次提出了基于HSV模型的工作人员着装规范性检测算法。该算法以行人检测算法得到的人体区域为ROI区域,先将原始的RGB模型图像转化为HSV模型图像,再根据颜色阈值将HSV图像转化为二值图像。然后对二值图像进行一系列的形态学操作,通过二值图像中黑白像素点的分布和排列来判断人体是否着工作服和工作裤,以及工作服是否敞开。根据该算法已申请发明专利一项。最后,本文提出了两种算法用于安全帽佩戴情况的检测。第一种是基于随机Hough变换人头定位的安全帽检测算法,采用随机Hough变换圆检测对人体的头部区域进行定位,然后采用HSV颜色模型判断头部位置是否佩戴安全帽。第二种是基于卷积神经网络和迁移学习的安全帽检测算法,采用迁移学习的方法学习了Inception-v3这一卷积神经网络模型的特征提取方法,然后训练对应的Softmax函数用于图像的分类,以此判断图像中是否存在安全帽。实验结果对比表明,后者具有更高的识别率和更强的泛化能力,可以很好地解决低像素带来的低识别率的问题。实际工程应用中表明,该套算法的整体识别率可以达到90%以上,表明该套算法能够有效地对视频监控图像中工作人员穿戴规范性进行检测,并对穿戴不规范的情况进行报警。