一种融合HOG人体目标检测和SVM分类器的安全帽识别方法技术

本发明专利技术涉及视频监控领域，具体涉及一种融合HOG人体目标检测和SVM分类器的安全帽识别方法，包括获取HOG正负样本特征和SVM分类函数、高斯核函数的参数值；提取监视框；运动目标检测；HOG特征匹配和判断是否佩戴安全帽几大步骤。本发明专利技术能够对施工工地中工作人员是否按要求佩戴安全帽进行精确的监控，算法原理简单，具有实时性和较高的准确率，不仅可以有效区分人体目标和非人体目标，克服背景中出现的干扰因素，而且能够适应室外多变的光照条件和安全帽颜色的变化，具有较强的鲁棒性。

【技术实现步骤摘要】
-种融合HOG人体目标检测和SVM分类器的安全帽识别方 法
本专利技术涉及视频监控领域，具体涉及一种融合H0G人体目标检测和SVM分类器的 安全帽识别方法。
技术介绍
HOG (Histogram of Oriented Gradient):即方向梯度直方图，是一种在计算机视 觉和图像处理中用来进行物体检测的特征描述子。 SVM (Support Vector Machine):即支持向量机，是一种可训练的机器学习方法。 HSV (Hue，Saturation，Value):是根据颜色的直观特性创建的一种颜色空间，该模 型中颜色的参数分别是：色调（H)，饱和度（S)，亮度（V)。 在施工工地中，工作人员佩戴安全帽是一项非常重要的要求，其直接关系到工作 人员的人身安全，所以有必要对施工工地上所有的工作人员是否按要求佩戴安全帽进行严 格的监控。 在现有技术中，针对安全帽的检测技术非常少： 有一种专门针对安全帽检测的方法，重点研究运动人员的背景减除检测方法并提 出了加权时间均值背景模型，其次在特征选取部分尝试了多种不同的特征，最终给出一组 较为有效的特征。之后针对大小、颜色、磨损程度均不完全一样的各种安全帽，提出一种基 于十六方向Gabor的H0G特征（方向梯度直方图）提取方法，经过SVM训练得到多项式 分类器，能够在目标与背景灰度相似的情况下识别出安全帽，最后基于颜色直方图的Mean Shift安全帽跟踪算法，实现视频中未佩戴安全帽头部的跟踪。这种方法的缺点是：背景模 型学习速率较低，在检测头部时，肤色和发色的颜色阈值固定，无法自适应，安全帽识别算 法时间计算复杂度高，搜索效率较低下。 还有一种用高斯函数模拟安全帽四方向边缘特征的安全帽检测算法，通过对安全 帽进行建模，获取安全帽图像，提取四方向边缘特征，用高斯函数模拟特征分布，采用线性 分段函数区分视频中窗口为安全帽区域和非安全帽区域实现安全帽的检测。这种方法主要 是用来进行煤矿井下目标人员的检测，煤矿井下环境特殊，全天候人工照明，加上粉尘和潮 湿等因素的影响，导致井下视频具有以下特点：照度低，光照分布不均匀，所有的图像以黑、 灰、白颜色为主，处理图像时没有色彩信息可利用，不适用于一般的户外场合。 另一种安全帽定位方法，其选取Haar-like特征，使用adaboost算法训练级联分 类器。将待检测图像预处理后，送入分类器，由分类器输出安全帽在图像中的位置坐标。这 种方法在训练分类器时比较复杂，且分类器的准确率受训练样本的影响。 综上所述，这些方法均不能够同时保证准确率和低复杂度，另外，上述方法只是检 测图像中是否存在安全帽，无法检测出只是随身携带而并未按规定佩戴安全帽的情况。
技术实现思路
本专利技术的目的在于提供一种融合HOG人体目标检测和SVM分类器的安全帽识别方 法，解决现有技术对施工工地中工作人员是否按要求佩戴安全帽的监控精度不够，准确率 低，而且监控过程和计算复杂的问题。 为解决上述的技术问题，本专利技术采用以下技术方案： 一种融合H0G人体目标检测和SVM分类器的安全帽识别方法，包括以下步骤： 步骤一，获取H0G正负样本特征、SVM分类函数和高斯核函数的参数(Ht ; 步骤二，提取监视框： 在作业人员进入施工现场的必经通道处设置摄像头，设置与工作人员体形相适应 的监视框； 步骤三，运动目标检测： 在监视框范围内选取前几帧无目标图像的像素值作为背景单高斯分布的初始均 值向量1?和协方差矩阵本文档来自技高网...

【技术保护点】
一种融合HOG人体目标检测和SVM分类器的安全帽识别方法，其特征在于：包括以下步骤：步骤一，获取HOG正负样本特征和SVM分类函数、高斯核函数的参数值；步骤二，提取监视框：在作业人员进入施工现场的必经通道处设置摄像头，设置与工作人员体形相适应的监视框；步骤三，运动目标检测：在监视框范围内选取前几帧无目标图像的像素值作为背景单高斯分布的初始均值向量u0和协方差矩阵其中I是单位矩阵,是t时刻方差,初始值一般赋予一个较大的值，如抓取待检测图像，将获取的待检测图像的像素值和背景单高斯分布进行匹配检验，当像素值与背景单高斯分布均值的距离小于其标准差的δ倍时，则该像素点判决为背景点，并取值为0，否则为前景点，取值为1，得到运动目标的二值图像；对被判断为背景的像素点，更新该像素点的均值向量ut和协方差矩阵运用形态学滤波的方法对得到的二值图像进行后续处理，除去干扰点，形成较为完整的目标图像；步骤四，HOG特征匹配：提取待测目标图像的HOG特征，将待测目标图像的HOG特征和已获取HOG正负样本特征进行匹配,若待测目标图像判断为负样本，认为待测目标图像中没有人体目标，重新获取新的图像，返回步骤二，若待测目标图像判断为正样本,则认为图像中有人体目标，进一步判断是否佩戴安全帽；步骤五，判断是否佩戴安全帽：截取上一步中目标人体的头部图像，提取该图像的颜色特征向量x，代入最优分类函数f(x)计算得到一个函数值，若该值大于0，则判断为佩戴了安全帽，若该值小于0，则判断为未佩戴安全帽，给出报警提示。...

【技术特征摘要】
1. 一种融合HOG人体目标检测和SVM分类器的安全帽识别方法，其特征在于：包括以 下步骤： 步骤一，获取HOG正负样本特征和SVM分类函数、高斯核函数的参数〇值； 步骤二，提取监视框： 在作业人员进入施工现场的必经通道处设置摄像头，设置与工作人员体形相适应的监 视框； 步骤三，运动目标检测： 在监视框范围内选取前几帧无目标图像的像素值作为背景单高斯分布的初始均值向 量叫和协方差矩阵&=<·/，其中〗是单位矩阵，σf是t时刻方差，初始值一般赋予一 个较大的值，如σ 2 =36; 抓取待检测图像，将获取的待检测图像的像素值和背景单高斯分布进行匹配检验，当 像素值与背景单高斯分布均值的距离小于其标准差的S倍时，则该像素点判决为背景点， 并取值为〇,否则为前景点，取值为1，得到运动目标的二值图像； 对被判断为背景的像素点，更新该像素点的均值向量ut和协方差矩阵Σ( =</;运用 形态学滤波的方法对得到的二值图像进行后续处理，除去干扰点，形成较为完整的目标图 像； 步骤四，HOG特征匹配： 提取待测目标图像的HOG特征，将待测目标图像的HOG特征和已获取HOG正负样本特 征进行匹配，若待测目标图像判断为负样本，认为待测目标图像中没有人体目标，重新获 取新的图像，返回步骤二，若待测目标图像判断为正样本，则认为图像中有人体目标，进一 步判断是否佩戴安全帽； 步骤五，判断是否佩戴安全帽： 截取上一步中目标人体的头部图像，提取该图像的颜色特征向量X，代入最优分类函数 f(x)计算得到一个函数值，若该值大于〇,则判断为佩戴了安全帽，若该值小于〇,则判断为 未佩戴安全帽，给出报警提示。2. 根据权利要求1所述的一种融合HOG人体目标检测和SVM分类器的安全帽识别方 法，其特征在于：所述步骤一中，HOG正负样本特征的获取方法是： ① ，先获取有完整的人体目标的正样本图像和非人体目标的负样本图像各m张； ② ，计算m张正样本图像和m张负样本图像中每个像素点（x，y)的梯度幅值G(x，y)和 梯度方向a (x，y)，形成图像矩阵； ③ ，图像矩阵分为小的细胞单元，每个细胞单元为6*6像素，每3*3个细胞单元构成一 个块，将〇°?180°的角度平均分成9个通道； ④ ，对细胞单位中的每个像素点的梯度幅值和方向统计出梯度方向直方图； ⑤ ，梯度方向直方图的横坐标选取9个方向通道，梯度方向直方图的纵坐标为属于9个 方向通道中一个通道的像素的梯度大小的累加和，最终得到一组由各个通道像素梯度累加 和构成的向量； ⑥ ，以向量对应的像素所在的小块为单位，对向量进行归一化处理；将经过归一化处理 后所有的向量连接起来，形成HOG正负样本特征； SVM分类函数是通过SVM...

【专利技术属性】
技术研发人员：于康雄，范宇，汤晓青，郑和平，邹见效，于力，
申请(专利权)人：国家电网公司，国网四川省电力公司技能培训中心，
类型：发明
国别省市：北京;11