基于OpenCV的人體安全帽檢測的實現

趙震

（西南科技大學計算機科學與技術學院，四川綿陽，621000）

基于OpenCV的人體安全帽檢測的實現

趙震

（西南科技大學計算機科學與技術學院，四川綿陽，621000）

隨著計算機視覺檢測技術的發展，施工者的安全防護措施保障可輔助以視覺檢測。人體安全帽檢測系統主要基于opencv的圖形圖像處理技術，對特定的目標物體進行樣本收集訓練后，可一定程度上對施工現場所產生的視頻或者圖片文件進行掃描，在人體識別的基礎上，辨別出施工人員安全帽配帶情況一定程度上降低安全隱患。

OpenCV；目標檢測；AdaBoost算法；Haar訓練

0 引言

隨著計算機技術的發展，智能化、自動化處理的項目作業越來越多。實際工程項目中，還存在相當一部分高危工程作業的進行需要人工完成。因此，工人的安全防護措施保障，也隨之成為現代化工程建設需要解決的問題之一。人體安全帽檢測系統主要基于opencv的圖形圖像處理技術，對施工現場所產生的視頻或者圖片文件進行預處理后，在人體識別的基礎上，辨別出施工人員安全帽配帶情況，在一定程度上將不安全因素降到最低，促進項目作業的正常完成。

1 目標檢測概述

OpenCV是一個基于開源發行的跨平臺計算機視覺庫，可以運行在Linux,Windows,MacOS操作系統上，對跨平臺支持良好[1]。它主要采用C語言進行編寫。它提供了便捷且功能強大的一系列開發接口，最大程度上集成了視覺檢測和圖形圖像處理兩方面的很多算法。它設計目標是在提高執行速度的基礎上，聚焦實時應用，與此同時構建一個易用的計算機視覺框架，通過這個框架，程序開發人員可以方便地設計出復雜的計算機視覺方面的應用程序。

Haar級聯訓練[1]是一個基于Haar特征的級聯分類器的一種訓練方法。它是通過之前預備好的正負樣本，提取檢測目標的Haar特征值，生成若干個弱分類器，然后把這若干個弱分類器串聯成強分類器，最終使用這個強分類器進行目標物體的檢測。Haar級聯訓練的結果是一個xml類型的文件，用戶可以通過加載這個文件來對窗口中的內容進行掃描。

2 Haar級聯訓練基本原理

2.1 Haar-Like特征

Haar級聯訓練基于Haar-Like特征，因類似于Haar小波而得名。矩形特征的值指的圖像上兩個或者兩個以上形狀大小相同的矩形內部所有像素灰度值之和的差值。擴展之后的 Haar 特征可分為3 類:邊緣特征、線性特征和中心特征(如圖1所示)。將矩形黑色區域像素灰度值總和與白色區域像素灰度值總和進行差值運算，結果即為所求特征值，它反映圖像局部的灰度變化[1]。

圖1 Haar-Like特征

2.2 AdaBoost算法

AdaBoost算法是提高弱分類算法準確度最優秀的算法之一，有著堅實的理論基礎，在實踐中應用廣泛。AdaBoost算法本質上是一種弱分類器分類器組合算法，它的主要思想是對同一個樣本訓練集合，分多個階段進行訓練，得到不同的分類器(即弱分類器)，然后把這些弱分類器連接起來，組成一個功能更強大的分類器（即強分類器）。 與此同時，AdaBoost 算法的優點不僅在于它是一種高效的機器學習算法,還在于這三點: (1) AdaBoost 算法使得 Boosting 從最初的猜想變成一種真正具有實用價值的算法; (2)算法采用的一些新穎的技巧, 如: 打破原有的樣本分布, 也為其他統計學習算法的設計帶來了一些重要啟示; (3)與此相關的理論研究成果在很大程度上促進了集成學習的發展[3]。

3 檢測系統方案設計與實現

3.1 檢測系統方案設計

綜合考慮檢測的對象，通過對多種的算法的比較，Haar級聯訓練可控性較強，對于檢測目標可同過正負樣本的數量等進行精度的控制，因此，使用Haar級聯訓練對目標物體進行檢測。

整個系統主要分為三個模塊，樣本的收集與訓練，人體檢測，目標物體（安全帽）的檢測。樣本的收集我們的采集1500張正樣本，和1000張負樣本，對其及逆行規格統一化處理后，使用OpenCV2.4.9自帶的opencv_traincascade.exe進行級聯器的訓練。對于最終目標物體的檢測，為了降低無關區域的檢測，我們第二步使用OpenCV2.4.9自帶的HOGDescriptor::getDefaultP eopleDetector()獲取自帶SVM分類器進行人體檢測，在此基礎上獲取檢測到的人體坐標區域，再對檢測到的人體區域進行多窗口最大值化處理，進行重復檢測結果的歸一化處理。最終，在相應的人體區域內進行安全帽的檢測。

3.2 檢測系統方案實現

3.2.1 樣本的收集與訓練

在樣本的手機上，我們手機正樣本數目2000（含有安全帽的樣本），負樣本1000（不含負樣本）。首先使用opencv_ createsamples.exe創建positiveVec.vec,參數如下：

-info positiveImages.txt -vec positiveVec.vec -w 24 -h 24 -num 2000

之后再使用opencv_traincascade.exe進行訓練，參數設置如下：

-vec positiveVec.vec -bg negetiveimages.txt -numPos 2000 -numNeg 1000 -numStages 15 -w 24 -h 24 -data data -maxFalseAlarmRate 0.5 -minHitRate 0.9999 -mode ALL

訓練過程中的截圖如圖2所示，訓練后在data文件內生成cascade.xml，即為包含當前檢測目標haar特征值的文件。

圖2 Haar訓練截圖

3.2.2 人體檢測與目標物體

檢測系統的設計主要分為三個部分，人體檢測，圖片處理，安全帽的檢測，主要的結構如圖3所示。

圖3 系統設計類圖

3.2.3 檢測結果展示與分析

系統測試結果如圖4所示。

圖4 測試結果展示

分析可得:檢測過程存在一定的誤差，同時，隨著環境復雜度的增強，檢測的誤差率有一定的提高。

4 結語

通過采集訓練樣本，人體檢測，目標物體檢測，我們在一定誤差的基礎上對人體安全做出了正確的檢測識別。在實際的應用過程中，我們可以通過反轉思想，在檢測到的人體集合中，篩選掉攜帶安全帽的人員，從而展示出未攜帶安全帽的人員，在一定程度上排除項目作業過程中的不安全因素。同時，此系統設計還有許多的不足之處，如在復雜環境中對安全帽進行檢測時，誤差率有大幅度的提升，針對系統的改進，擬采用顏色和haar級聯訓練相結合的方式進行識別，并有針對的提高政府樣本的數量，調整正負樣本的比例，可能會在一定程度上提高目標物體檢測的正確率。

[1]邵翔,魏國亮,張彬,王建華.基于Raspberry Pi和Haar分類器的AUV目標搜尋[J].電子科技,2017,30(2):130-134.

[2]曹瑩,苗啟廣,劉家辰,高 琳.AdaBoost 算法研究進展與展望[J].自動化學報2013,39(6):745-749.

Implementation of human helmet detection based on OpenCV

Zhao Zhen
(School of computer science and technology, Southwest University of Science and Technology, Mianyang Sichuan,621000)

With the development of computer vision detection technology, safety protection measures of the construction can be aided by visual inspection. The human body safety helmet detection system is mainly based on image processing technology of OpenCV, the sample collection training on specific objects, to a certain extent on the construction site of the resulting video or image files were scanned in based on the identification of the human body, to identify the safety helmet with the construction workers to some extent reduce security risks.

OpenCV; target detection; AdaBoost algorithm; Haar training