密集場景下頭盔佩戴智能檢測研究

陳闖闖， 胡紹方

(周口師范學院 網絡工程學院， 河南 周口 466000)

0 引 言

頭盔佩戴檢測問題，實際上是一個目標檢測問題。對于目標檢測的研究有很多，如Girshick 等利用卷積神經網絡進行目標檢測；Dalal N、 Triggs B等人提出基于梯度方向直方圖(HOG)特征的安全帽佩戴狀態檢測算法；畢林等將 CNN 應用于頭盔檢測中，取得了較好的效果；劉曉慧、葉西寧通過基于膚色的人臉定位，利用訓練好的支持向量機(SVM)模型實現安全帽佩戴狀態的識別[1]。本文將基于人工神經網絡算法進行密集場景下頭盔佩戴智能檢測研究。

1 密集場景下頭盔佩戴智能檢測技術

1.1 頭盔佩戴圖像預處理

(1)圖像灰度化。圖像灰度化是指將原始圖像的像素調節到0～255之間，將彩色圖像轉換為灰色圖像。目前，圖像灰度化方法主要有3種：最大值法、平均值法和加權平均法[2]。

(2)圖像濾波。原始圖像在采集過程中會感染噪聲點，而噪聲點的存在會降低圖像質量，因此需要對圖像進行濾波去噪。在這里采用中值濾波法。中值濾波法基本原理：隨機選取圖像中一個像素點作為中心點，統計其鄰域3×3內所有像素點的灰度值，按照從大到小的順序排列，最后取其中的中間值代替隨機選取的原有的像素點。

(3)圖像增強。圖像在經過濾波后，細節會被模糊，需要進行圖像增強處理。

圖像增強處理公式如下：

其中，D代表輸出圖像的動態范圍；p'(i,j)代表輸入的頭盔佩戴圖像；p(i,j)代表輸出的頭盔佩戴圖像；pmax代表輸入頭盔佩戴圖像中的最大像素值；pmin代表輸入頭盔佩戴圖像中的最小像素值。

(4)圖像背景差分。本文研究的目標是對工作人員頭盔佩戴智能檢測，因此工作人員和所帶的頭盔是圖像中的目標物體，其余都屬于背景部分，而背景會干擾判斷，因此需要將目標圖像與背景圖像分離，從而檢測出目標區域。首先，獲取不包含目標物體的一幅或幾幅圖像平均作為背景圖像模型；其次，將采集到的待檢測圖像與背景圖像模型每一幀進行對比，若待檢測圖像與背景圖像存在差異，則待檢測圖像中存在目標物體，這時提取出待檢測圖像中的差異部分，即是目標圖像。

1.2 圖像特征提取

圖像預處理后，需要提取圖像中的特征，以便后續特征匹配，實現頭盔佩戴狀態識別。特征提取是指找出能夠代表頭盔佩戴狀態的特征點。特征點選擇方向梯度直方圖(HOG)提取，基本原理如下：待檢測的目標的紋理和形狀可以由它在圖像中的邊緣方向密度或梯度信息來描述，而邊緣方向密度或梯度信息就被稱為梯度直方圖特征。

1.3 頭盔佩戴狀態智能檢測

頭盔佩戴狀態智能檢測，用到隨機森林算法。隨機森林算法是決策樹算法中的一種，其基本思想是利用boostrasp從原始圖像樣本集中有放回地重復隨機抽取k個樣本，以這k個樣本生成k個分類樹模型，并組成隨機森林，按分類樹投票多少形成的分數決定新數據的分類結果。通過決策樹分類，可以很好的分類出頭盔的佩戴狀態，即是否佩戴合格。

頭盔佩戴狀態智能檢測，隨機森林算法流程如下：

步驟1給定隨機森林分類器的頭盔佩戴圖像訓練樣本，以及待檢測頭盔佩戴圖像樣本，并設定特征維數、參數以及中止條件；

步驟2從頭盔佩戴圖像訓練樣本集中有放回地重復隨機抽取與其大小相等的訓練集；

步驟3利用訓練集訓練，得到訓練好的隨機森林分類器，隨機森林分類器如圖1所示。

圖1 隨機森林分類器

步驟4將待檢測頭盔佩戴圖樣樣本輸入到訓練好的隨機森林分類器當中，得出識別結果。

2 實例分析

2.1 數據集準備

選擇電力設備施工現場這一密集復雜的場景進行頭盔佩戴智能檢測研究，圖像樣本集來自監控視頻、自制視頻和網絡圖片等，共有8 000張圖片，其中正確帶頭盔圖像2 000張，不正確佩戴帶頭盔圖像4 000張，未戴頭盔圖像2 000張，干擾圖像1 000張。

2.2 檢測環境

頭盔佩戴智能檢測實驗環境如下：CPU 型號為Intel(R) Core(TM) i5-6400、主頻2.70GHz、內存16GB、固態硬盤256GB、機械硬盤1TB、操作系統Ubuntu 16.04 LTS，CUDA 8.0版本、OpenCV 版本3.4.0。

2.3 結果分析

評價分類正確率、佩戴頭盔的識別率、未佩戴頭盔的識別率、誤識率4個指標，結果見表1。

表1 密集場景下頭盔佩戴智能檢測結果

從表1中可以看出，利用本文方法對密集場景下頭盔佩戴狀態進行智能檢測，檢測出的結果與給出的實際結果完全一致，分類正確率達到了100%，而誤識率為0%，達到了本文研究的目的。

3 結束語

綜上所述，在很多場景下，頭盔都起到了重要的防護作用，能夠有效提高工作人員的安全性。在很多實際工作中，人們往往忽視了頭盔的重要性，常常不按照標準佩戴，因頭盔佩戴不規范導致的事故時有發生。為此，研究密集場景下的頭盔佩戴智能檢測方法。經測試，本方法檢測結果達到預期，能夠滿足許多復雜場景的應用需求。