一种电力作业视频中的安全帽佩戴识别方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115346159A(43)申请公布日2022.11.15(21)申请号202211060528.9G06N3/04(2006.01)(22)申请日2022.08.31G06N3/08(2006.01)G06T7/277(2017.01)(71)申请人国网江苏省电力有限公司南通供电G06T7/70(2017.01)分公司地址226006江苏省南通市青年中路52号(72)发明人朱建宝邓伟超俞鑫春陈宇马青山张才智叶超陈鹏曹雯佳葛春燕(74)专利代理机构北京智绘未来专利代理事务所(普通合伙)11689专利代理师郑直(51)Int.Cl.G06V20/40(2022.01)G06V40/10(2022.01)G06V10/82(2022.01)权利要求书2页说明书7页附图2页(54)发明名称一种电力作业视频中的安全帽佩戴识别方法(57)摘要一种电力作业视频中的安全帽佩戴识别方法，包括如下步骤：获取电子作业的动态视频；基于前景探测的目标检测方法，从动态视频中提取多个包含作业人员信息的图片；运用卡尔曼滤波算法直接对多个包含作业人员信息的图片进行跟踪处理，锁定检测目标的位置；利用FasterR‑CNN网络，根据每一个包含作业人员信息的图片以及检测目标的位置，预测出图片中的作业人员是否佩戴安全帽。本发明采用的FasterR‑CNN深度学习模型可以大大减少运算的时间和空间复杂度，提升个体识别的准确度。CN115346159ACN115346159A权利要求书1/2页1.一种电力作业视频中的安全帽佩戴识别方法，其特征在于，包括如下步骤：步骤1，获取电子作业的动态视频；步骤2，基于前景探测的目标检测方法，从动态视频中提取多个包含作业人员信息的图片；步骤3，运用卡尔曼滤波算法直接对多个包含作业人员信息的图片进行跟踪处理，锁定检测目标的位置；步骤4，利用FasterR‑CNN网络，根据每一个包含作业人员信息的图片以及检测目标的位置，预测出图片中的作业人员是否佩戴安全帽。2.根据权利要求1所述的一种电力作业视频中的安全帽佩戴识别方法，其特征在于：步骤2具体包括：步骤2.1，将动态视频分成若干帧图片，包括：第一帧图片、前M帧图片与后续图片；步骤2.2，根据第一帧图片，创建至少一个混合高斯模型，并初始化混合高斯模型的参数；步骤2.3，根据前M帧图片与混合高斯模型进行匹配，从而得到训练好的混合高斯模型；步骤2.4，利用训练好的混合高斯模型，对后续图片进行处理，以提取多个包含作业人员信息的图片。3.根据权利要求1所述的一种电力作业视频中的安全帽佩戴识别方法，其特征在于：步骤3具体包括：步骤3.1，将多个包含作业人员信息的图片作为卡尔曼滤波算法的输入；步骤3.2，训练卡尔曼滤波算法参数，具体为：根据第k‑1帧图片的目标位置来预测k时刻目标的位置；步骤3.3，计算卡尔曼增益；步骤3.4，根据k时刻目标的位置与卡尔曼增益Hk，得到实际的k时刻目标的位置。4.根据权利要求3所述的一种电力作业视频中的安全帽佩戴识别方法，其特征在于：步骤3.2具体包括：xk＝αk‑1×xk‑1+βk‑1×uk‑1+γk‑1其中，k为动态视频中当前时刻下的帧图片，xk,xk‑1分别表示对k时刻，k‑1时刻状态的状态量，αk‑1表示k‑1时刻的状态转移矩阵，βk‑1表示k‑1时刻的控制矩阵，γk‑1为k‑1时刻的过程噪声，服从正态分布，uk‑1表示k‑1时刻的控制量。5.根据权利要求3所述的一种电力作业视频中的安全帽佩戴识别方法，其特征在于：步骤3.3中卡尔曼增益Hk：‑1Hk＝Pk‑1×γk‑1×(γk‑1×Pk‑1×γk+Rk)其中，Pk‑1表示k‑1时刻的误差协方差矩阵，Rk表示k时刻的观察量协方差，γk‑1,γk为k‑1时刻，k时刻的过程噪声。6.根据权利要求3所述的一种电力作业视频中的安全帽佩戴识别方法，其特征在于：步骤3.4中k时刻目标的位置yk：yk＝xk+Hk×(mk‑xk)其中，mk为k时刻状态的测量结果，Hk为卡尔曼增益。xk表示对k时刻状态的状态量。7.根据权利要求1所述的一种电力作业视频中的安全帽佩戴识别方法，其特征在于：2CN115346159A权利要求书2/2页步骤4具体包括：步骤4.1，对每一个包含作业人员信息的图片，根据FasterR‑CNN网络中的卷积层，得到特征图；FasterR‑CNN模型包括RPN网络、ROI池层和全连接层；步骤4.2，将特征图输入到RPN网络中，得到提议对象及其分数；步骤4.3，将步骤4.2中的提议对象输入至ROI池层，将所有提议对象降低到相同的大小；步骤4.4，将步骤4.3处理过的提议对象传递到全连接层；步骤4.5，在全连接层，采用softmax和线性回归对提议对象进行分