低分辨率图像安全帽识别方法和装置与流程

[0001]
本发明涉及图像处理技术领域，尤其涉及一种低分辨率图像安全帽识别方法和装置。


背景技术：

[0002]
目前，识别图像中的安全帽佩戴情况的技术的识别率约80％左右,应用效果整体良好，但是现有技术需要采用成本较高的高清摄像头和专用的硬件,整体成本较高。普通用户单位的视频系统分辨率高低不一，社会单位的安防摄像头数量很大，专门应用于录像和实施预览，专职应用于安防领域，不能满足安全帽识别技术中对图像分辨率的需要。


技术实现要素：

[0003]
针对现有技术中的问题，本发明提供一种低分辨率图像安全帽识别方法和装置、电子设备以及计算机可读存储介质，能够至少部分地解决现有技术中存在的问题。
[0004]
为了实现上述目的，本发明采用如下技术方案：
[0005]
第一方面，提供一种低分辨率图像安全帽识别方法，包括：
[0006]
对连续两帧图像样本进行边缘特征提取处理；
[0007]
对比处理后的两帧图像样本识别图像变化区域；
[0008]
识别后一帧图像样本的变化区域中的人体形状区域；
[0009]
对人体形状区域进行特征分析以识别安全帽。
[0010]
进一步地，对连续两帧图像样本进行边缘特征提取处理，包括：
[0011]
利用canny边缘检测算法对连续两帧图像样本进行边缘特征提取处理。
[0012]
进一步地，利用canny边缘检测算法对连续两帧图像样本进行边缘特征提取处理，包括：
[0013]
分别对连续两帧图像样本进行卷积、高斯平滑以及滤波处理；
[0014]
计算处理后的图像样本中每一个像素的梯度方向和梯度幅值；
[0015]
根据像素的梯度方向对梯度幅值进行局部非极大值抑制处理；
[0016]
对像素幅值抑制处理后的图像边缘像素进行双阈值处理、双阈值中间阈值滤除及连接，并利用soble算子将图像边缘像素细化。
[0017]
进一步地，该对人体形状区域进行特征分析以识别安全帽，包括：
[0018]
在该人体形状区域中识别出人体头部位置区域；
[0019]
对该人体头部位置区域进行颜色特征分析以确定多个疑似安全帽色彩特征图像范围；
[0020]
对各疑似安全帽色彩特征图像范围图像进行色彩像素边界分析和边界走向分析得到安全帽识别结果。
[0021]
进一步地，该对各疑似安全帽色彩特征图像范围图像进行色彩像素边界分析和边界走向分析得到安全帽识别结果，包括：
[0022]
对各疑似安全帽色彩特征图像范围图像进行色彩像素边界分析得到初步识别结果；
[0023]
对初步识别结果为疑似安全帽色彩特征图像范围图像上有安全帽图像时，进行边界走向分析得到最终识别结果。
[0024]
进一步地，该对各疑似安全帽色彩特征图像范围图像进行色彩像素边界分析得到初步识别结果，包括：
[0025]
在疑似安全帽色彩特征图像范围图像上检测符合条件的边界像素；
[0026]
判断符合条件的两个边界像素的x和y坐标值是否满足预设要求；
[0027]
若是，进行错误计数并判断错误计数是否大于边界像素总数的预设比例；
[0028]
若错误计数大于边界像素总数的预设比例，判定疑似安全帽色彩特征图像范围图像不符合安全帽平滑规律的边界，否则，初步认定该疑似安全帽色彩特征图像范围图像上有安全帽图像。
[0029]
进一步地，该对初步识别结果为疑似安全帽色彩特征图像范围图像上有安全帽图像时，进行边界走向分析得到最终识别结果，包括：
[0030]
判断符合条件的边界像素的走向是否满足预设走向要求；
[0031]
若是，对符合条件的边界像素进行平滑分析，并判断平滑后的边界的最高点和最低点是否满足预设角度要求；
[0032]
若是，则最终认定该疑似安全帽色彩特征图像范围图像上有安全帽图像。
[0033]
进一步地，疑似安全帽色彩特征图像范围如下：
[0034]
白色安全帽的颜色值特征：
[0035]-20≤
△
1≤20
[0036]-20≤
△
2≤20
[0037]-20≤
△
3≤20
[0038]
avg_value>180
[0039]
上面4个条件同时满足；
[0040]
黄色安全帽的颜色值特征：
[0041]
50≤avg_value≤110条件下：
[0042]
△
1>15和
△
2>90和
△
3>50同时满足；
[0043]
110≤avg_value≤140条件下：
[0044]
△
1>10和
△
2>40和
△
3>25同时满足；
[0045]
140≤avg_value≤160条件下：
[0046]
△
1>6和
△
2>50和
△
3>30同时满足；
[0047]
160≤avg_value≤190条件下：
[0048]
△
1>3和
△
2>60和
△
3>40同时满足；
[0049]
avg_value≥190条件下：
[0050]
△
1>0和
△
2>30和
△
3>30同时满足；红色安全帽的颜色值特征：
[0051]
50≤avg_value≤110条件下：
[0052]
△
1>60和
△
2>50和
△
3<70同时满足；
[0053]
110≤avg_value≤140条件下：
[0054]
△
1>70和
△
2>50和
△
3<60同时满足；
[0055]
140≤avg_value≤160条件下：
[0056]
△
1>60和
△
2>50和
△
3<80同时满足；
[0057]
160≤avg_value≤190条件下：
[0058]
△
1>50和
△
2>50和
△
3<60同时满足；
[0059]
avg_value≥190条件下：
[0060]
△
1>25和
△
2>25和
△
3<0同时满足；
[0061]
蓝色安全帽的颜色值特征：
[0062]
25≤avg_value≤110条件下：
[0063]
△
1<0和
△
2<-50和
△
3<-30同时满足；110≤avg_value≤140条件下：
[0064]
△
1<-10和
△
2<-100和
△
3<-50同时满足；
[0065]
140≤avg_value≤160条件下：
[0066]
△
1<-10和
△
2<-100和
△
3<-50同时满足；
[0067]
160≤avg_value≤190条件下：
[0068]
△
1<-10和
△
2<-70和
△
3<-30同时满足；
[0069]
avg_value≥190条件下：
[0070]
△
1<0和
△
2<0和
△
3<0同时满足；
[0071]
其中，
△
1＝r
–
g；
△
2＝r
–
b；
△
3＝g
–
b；
[0072]
avg_value＝(r+g+b)/3。
[0073]
第二方面，提供一种低分辨率图像安全帽识别装置，包括：
[0074]
边缘处理模块，对连续两帧图像样本进行边缘特征提取处理；
[0075]
变化对比模块，对比处理后的两帧图像样本识别图像变化区域；
[0076]
人体形状区域识别模块，识别后一帧图像样本的变化区域中的人体形状区域；
[0077]
安全帽识别模块，对人体形状区域进行特征分析以识别安全帽。
[0078]
进一步地，边缘处理模块包括：
[0079]
边缘处理子模块，利用canny边缘检测算法对连续两帧图像样本进行边缘特征提取处理。
[0080]
进一步地，该边缘处理子模块包括：
[0081]
预处理单元，分别对连续两帧图像样本进行卷积、高斯平滑以及滤波处理；
[0082]
梯度计算单元，计算处理后的图像样本中每一个像素的梯度方向和梯度幅值；
[0083]
非极大值抑制单元，根据像素的梯度方向对梯度幅值进行局部非极大值抑制处理；
[0084]
边缘像素阈值处理单元，对像素幅值抑制处理后的图像边缘像素进行双阈值处理、双阈值中间阈值滤除及连接；
[0085]
边缘像素细化单元，利用soble算子将图像边缘像素细化。
[0086]
进一步地，该安全帽识别模块包括：
[0087]
人体头部识别子模块，在该人体形状区域中识别出人体头部位置区域；
[0088]
颜色特征分析子模块，对该人体头部位置区域进行颜色特征分析以确定多个疑似安全帽色彩特征图像范围；
[0089]
边界特征分析子模块，对各疑似安全帽色彩特征图像范围图像进行色彩像素边界分析和边界走向分析得到安全帽识别结果。
[0090]
进一步地，该边界特征分析子模块包括：
[0091]
初步识别单元，对各疑似安全帽色彩特征图像范围图像进行色彩像素边界分析得到初步识别结果；
[0092]
最终识别单元，对初步识别结果为疑似安全帽色彩特征图像范围图像上有安全帽图像时，进行边界走向分析得到最终识别结果。
[0093]
进一步地，该初步识别单元包括：
[0094]
边界像素识别子单元，在疑似安全帽色彩特征图像范围图像上检测符合条件的边界像素；
[0095]
第一判断子单元，判断符合条件的两个边界像素的x和y坐标值是否满足预设要求；
[0096]
错误计数子单元，若两点符合条件的边界像素的x和y坐标值满足预设要求，进行错误计数；
[0097]
第二判断子单元，判断错误计数是否大于边界像素总数的预设比例；
[0098]
第一确定子单元，若错误计数大于边界像素总数的预设比例，判定疑似安全帽色彩特征图像范围图像不符合安全帽平滑规律的边界；
[0099]
第二确定子单元，若错误计数不大于边界像素总数的预设比例，初步认定该疑似安全帽色彩特征图像范围图像上有安全帽图像。
[0100]
进一步地，该最终识别单元包括：
[0101]
第三判断子单元，判断符合条件的边界像素的走向是否满足预设走向要求；
[0102]
平滑判断子单元，若符合条件的边界像素的走向满足预设走向要求，对符合条件的边界像素进行平滑分析，并判断平滑后的边界的最高点和最低点是否满足预设角度要求；
[0103]
最终识别子单元，若平滑后的边界的最高点和最低点满足预设角度要求，则最终认定该疑似安全帽色彩特征图像范围图像上有安全帽图像。
[0104]
第三方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行该程序时实现上述的低分辨率图像安全帽识别方法的步骤。
[0105]
第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的低分辨率图像安全帽识别方法的步骤。
[0106]
本发明提供的低分辨率图像安全帽识别方法和装置，该方法包括：对连续两帧图像样本进行边缘特征提取处理；对比处理后的两帧图像样本识别图像变化区域；识别后一帧图像样本的变化区域中的人体形状区域；对人体形状区域进行特征分析以识别安全帽，其中，利用边缘特征提取技术，结合色彩、形状分析，对比连续两帧图像变化区域，对图像质量要求低，可以在分辨率很低的情况下进行安全帽识别，降低对系统分析硬件的要求，具有普遍性适应性。
[0107]
为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
[0108]
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
[0109]
图1为本发明实施例中的服务器s1与客户端设备b1之间的架构示意图；
[0110]
图2是本发明实施例中的低分辨率图像安全帽识别方法的流程示意图一；
[0111]
图3示出了本发明实施例中步骤s100的具体步骤；
[0112]
图4a和图4b示出了本发明实施例中利用canny边缘检测算法对图像进行处理的效果图；
[0113]
图5示出了本发明实施例中步骤s400的具体步骤；
[0114]
图6示出了本发明实施例中步骤s430的具体步骤；
[0115]
图7示出了本发明实施例中步骤s431的具体步骤；
[0116]
图8a和图8b示出了本发明实施例中符合条件的边界；
[0117]
图9示出了本发明实施例中不符合条件的边界；
[0118]
图10示出了本发明实施例中步骤s432的具体步骤；
[0119]
图11a和图11b示出了本发明实施例中最高点和最低点的角度分析；
[0120]
图12示出了本发明实施例中一种低分辨率图像安全帽识别方法的具体流程；
[0121]
图13是本发明实施例中的低分辨率图像安全帽识别装置的结构框图；
[0122]
图14为本发明实施例电子设备的结构图。
具体实施方式
[0123]
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
[0124]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0125]
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0126]
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0127]
普通用户单位的视频系统分辨率高低不一，社会单位的安防摄像头数量很大，专
门应用于录像和实施预览，专职应用于安防领域，不能满足安全帽识别技术中对图像分辨率的需要。
[0128]
有鉴于此，本申请提供了一种低分辨率图像安全帽识别装置，该装置可以为一种服务器s1，参见图1，该服务器s1可以与至少一个客户端设备b1通信连接，所述客户端设备b1可以将待识别的视频数据发送至所述服务器s1，所述服务器s1可以在线接收所述待识别的视频数据。所述服务器s1可以在线或者离线对获取的待识别的视频数据进行预处理，在待识别的视频数据中抽样获取连续两帧图像样本，对连续两帧图像样本进行边缘特征提取处理；对比处理后的两帧图像样本识别图像变化区域；识别后一帧图像样本的变化区域中的人体形状区域；对人体形状区域进行特征分析以识别安全帽。而后，所述服务器s1可以将识别结果在线发送至所述客户端设备b1。所述客户端设备b1可以在线接收所述识别结果。
[0129]
可以理解的是，所述客户端设备b1可以包括智能手机、平板电子设备、便携式计算机、台式电脑、个人数字助理(pda)、监视设备等。
[0130]
在实际应用中，进行低分辨率图像安全帽识别的部分可以在如上述内容所述的服务器s1侧执行，即，如图1所示的架构，也可以所有的操作都在所述客户端设备b1中完成，且该所述客户端设备b1可以直接与数据库服务器s2进行通信连接。具体可以根据所述客户端设备b1的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备b1中完成，所述客户端设备b1还可以包括处理器，用于进行低分辨率图像安全帽识别的具体处理。
[0131]
所述服务器与所述客户端设备之间可以使用任何合适的网络协议进行通信，包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括tcp/ip协议、udp/ip协议、http协议、https协议等。当然，所述网络协议例如还可以包括在上述协议之上使用的rpc协议(remote procedure call protocol，远程过程调用协议)、rest协议(representational state transfer，表述性状态转移协议)等。
[0132]
图2是本发明实施例中的低分辨率图像安全帽识别方法的流程示意图一；如图2所示，该低分辨率图像安全帽识别方法可以包括以下内容：
[0133]
步骤s100：对连续两帧图像样本进行边缘特征提取处理；
[0134]
具体地，连续两帧图像样本可以是从普通视频流中抽样获取到。
[0135]
在一个可选的实施例中，可以利用canny边缘检测算法对连续两帧图像样本进行边缘特征提取处理。
[0136]
其中，单帧图像样本的像素分辨率为320
×
240低分辨率图像，图像采用24位的rgb图像进行分析，可通过国标互联网视频标准协议或视频厂家提供二次开发包获取视频流图像数据。
[0137]
步骤s200：对比处理后的两帧图像样本识别图像变化区域；
[0138]
其中，根据对两帧canny算法计算出的图像，分析出两帧图像中的像素变化区域，对后一帧图像变化区域进行分析，图像分析样本为24位rgb位图；
[0139]
步骤s300：识别后一帧图像样本的变化区域中的人体形状区域；
[0140]
具体地，在两帧变化区域分析的基础上，首先进行人体形状进行分析，正常像素图像中的人体形状为垂直长方形或正方形，根据对后一帧图像的canny算法，可以分析人体形状边界和区域。
[0141]
步骤s400：对人体形状区域进行特征分析以识别安全帽。
[0142]
具体地，在人体形状区域中利用边界检测算法，分析出人体头部的位置，在此基础上进行安全帽颜色特征分析，确定多个疑似安全帽色彩特征图像范围；安全帽的颜色特征主要集中在红色、蓝色、黄色、白色。
[0143]
其中，进行颜色分析时，是针对原始图像中的像素的颜色进行的，具体可以为将分析出的人体头部位置映射至原始图线中，就可以找到原始图像中的人体头部位置，再对该位置的像素的颜色进行分析。
[0144]
之后，再利用安全帽具有颜色范围、边界平滑有规律的特征，判断人体区域内的人体头部是否佩戴安全帽。
[0145]
通过采用上述技术方案，从普通视频流中抽样获取连续单帧图像分析样本,通过连续两帧图像的canny边缘检测运算，并通过对比两帧图像的变化区域，分析变化区域种的人体形状和头部位置，从头部的色彩、形状、角度分析出是否佩戴安全帽，在低分辨率的情况下可应用该算法，通过对安全帽色彩范围、安全帽形状、安全帽特征进行分析，能高效率自动识别图像中的人是否佩戴安全帽。能将普通安防视频图像应用于安全帽佩戴识别，利用普通摄像头即可获取视频源数据，对硬件条件和分辨率要求低，适于工业场所、施工现场重要的安全保障措施，对于规范和管理施工现场、高危场所的作业行为非常重要。
[0146]
在一个可选的实施例中，参见图3，该步骤s100可以包括以下内容：
[0147]
步骤s110：分别对连续两帧图像样本进行卷积、高斯平滑以及滤波处理；
[0148]
具体地，需要预先建立卷积核数组，以便利用卷积核数组分别对两帧图像样本进行卷积处理。另外，对图像进行卷积处理后，再对卷积后的图像进行高斯平滑，以降低错误率，再对平滑后的图像进行滤波，以便得到边缘范围。
[0149]
其中，卷积运算是以像素点的平均灰度值为数据来源的，若用颜色值进行卷积运算，一方面数据处理规模过于庞大，另一方面颜色值取值多(有红、蓝、绿三个颜色的取值)没有代表性。
[0150]
具体地，把单帧图像样本采用平均值算法，即图像像素灰度值计算：
[0151]
avg_value＝(r+g+b)/3；
[0152]
灰度值是卷积运算的基础，目的是规避单一像素单一颜色取值不具有代表性。
[0153]
步骤s120：计算处理后的图像样本中每一个像素的梯度方向和梯度幅值；
[0154]
具体地，首先建立梯度方向角数组，以便利用梯度方向角数组计算计算x、y方向梯度和方向角，通过计算梯度幅度和方向来评估每一点像素的边缘方向和强度，其中，需要遍历所有像素。
[0155]
步骤s130：根据像素的梯度方向对梯度幅值进行局部非极大值抑制处理；
[0156]
步骤s140：对像素幅值抑制处理后的图像边缘像素进行双阈值处理、双阈值中间阈值滤除及连接；
[0157]
其中，双阈值处理是指大于设定阈值的像素置为255值(白色)，对于小于阈值的像素置为0(黑色)，同时为了显示物体形状，需要在像素为0值之间进行阈值再计算、判断和处理，将中间的像素设置为0或255。
[0158]
步骤s150：利用soble算子将图像边缘像素细化。
[0159]
通过采用上述技术方案，能够有效利用canny边缘检测技术处理图像，其处理效果
如图4a和图4b所示。
[0160]
在一个可选的实施例中，参见图5，该步骤s400可以包括以下内容：
[0161]
步骤s410：在所述人体形状区域中识别出人体头部位置区域；
[0162]
步骤s420：对所述人体头部位置区域进行颜色特征分析以确定多个疑似安全帽色彩特征图像范围；
[0163]
其中，疑似安全帽色彩特征图像范围如下：
[0164]
白色安全帽的颜色值特征：
[0165]-20≤
△
1≤20
[0166]-20≤
△
2≤20
[0167]-20≤
△
3≤20
[0168]
avg_value>180
[0169]
上面4个条件同时满足；
[0170]
黄色安全帽的颜色值特征：
[0171]
50≤avg_value≤110条件下：
[0172]
△
1>15和
△
2>90和
△
3>50同时满足；
[0173]
110≤avg_value≤140条件下：
[0174]
△
1>10和
△
2>40和
△
3>25同时满足；
[0175]
140≤avg_value≤160条件下：
[0176]
△
1>6和
△
2>50和
△
3>30同时满足；
[0177]
160≤avg_value≤190条件下：
[0178]
△
1>3和
△
2>60和
△
3>40同时满足；
[0179]
avg_value≥190条件下：
[0180]
△
1>0和
△
2>30和
△
3>30同时满足；
[0181]
红色安全帽的颜色值特征：
[0182]
50≤avg_value≤110条件下：
[0183]
△
1>60和
△
2>50和
△
3<70同时满足；
[0184]
110≤avg_value≤140条件下：
[0185]
△
1>70和
△
2>50和
△
3<60同时满足；
[0186]
140≤avg_value≤160条件下：
[0187]
△
1>60和
△
2>50和
△
3<80同时满足；
[0188]
160≤avg_value≤190条件下：
[0189]
△
1>50和
△
2>50和
△
3<60同时满足；
[0190]
avg_value≥190条件下：
[0191]
△
1>25和
△
2>25和
△
3<0同时满足；
[0192]
蓝色安全帽的颜色值特征：
[0193]
25≤avg_value≤110条件下：
[0194]
△
1<0和
△
2<-50和
△
3<-30同时满足；
[0195]
110≤avg_value≤140条件下：
[0196]
△
1<-10和
△
2<-100和
△
3<-50同时满足；
[0197]
140≤avg_value≤160条件下：
[0198]
△
1<-10和
△
2<-100和
△
3<-50同时满足；
[0199]
160≤avg_value≤190条件下：
[0200]
△
1<-10和
△
2<-70和
△
3<-30同时满足；
[0201]
avg_value≥190条件下：
[0202]
△
1<0和
△
2<0和
△
3<0同时满足；
[0203]
其中，
△
1＝r
–
g；
△
2＝r
–
b；
△
3＝g
–
b；
[0204]
avg_value＝(r+g+b)/3。
[0205]
当判断人体头部具有上述颜色分量时，认定为疑似安全帽色彩特征范围。
[0206]
步骤s430：对各疑似安全帽色彩特征图像范围图像进行色彩像素边界分析和边界走向分析得到安全帽识别结果。
[0207]
具体地，利用安全帽具有颜色范围、边界平滑有规律的特征，就可以判断人体区域内的人体头部是否佩戴安全帽，色彩特征图像范围是粗选，无法准确判断是否为安全帽，结合色彩和边界两个特征才能判断是否为安全帽。
[0208]
在一个可选的实施例中，参见图6，该步骤s430可以包括以下内容：
[0209]
步骤s431：对各疑似安全帽色彩特征图像范围图像进行色彩像素边界分析得到初步识别结果；
[0210]
具体地，参见图7，该步骤s431可以包括以下内容：
[0211]
步骤s4311：在疑似安全帽色彩特征图像范围图像上检测符合条件的边界像素；
[0212]
其中，该条件是指满足疑似安全帽色彩特征图像范围的约束的像素。
[0213]
步骤s4312：判断符合条件的两个边界像素的x和y坐标值是否满足预设要求；
[0214]
若是，参见图8a和图8b，执行步骤s4313；若否，参见图9，执行步骤s4317。
[0215]
步骤s4313：进行错误计数；
[0216]
步骤s4314：判断错误计数是否大于边界像素总数的预设比例；
[0217]
若是，执行步骤s4315；若否，执行步骤s4316。
[0218]
步骤s4315：判定疑似安全帽色彩特征图像范围图像不符合安全帽平滑规律的边界；
[0219]
步骤s4316：初步认定该疑似安全帽色彩特征图像范围图像上有安全帽图像。
[0220]
步骤s4317：认定该疑似安全帽色彩特征图像范围图像上没有安全帽图像。其中，在疑似安全帽色彩特征图像范围中检测符合条件的像素边界，建立边界判断方式，以查找边界范围，即根据边界值色彩连续性进行判断分析，查找边界范围。两点符合色彩条件的像素的x和y坐标值范围在
±
2之间波动，如果符合色彩条件x和y的像素坐标值大于限定的范围，进行统计错误计数，错误计数大于边界范围总数的10％时，则认为该色彩区域范围不符合安全帽平滑规律的边界，可以判断盖颜色值范围不是安全帽；反之确定为安全帽。
[0221]
即：在色彩特征图像范围判断后，按照一定的方向走势，根据这样的要求去确定像素点是否在安全帽的边界范围上。
[0222]
步骤s432：对初步识别结果为疑似安全帽色彩特征图像范围图像上有安全帽图像时，进行边界走向分析得到最终识别结果。
[0223]
具体地，参见图10，该步骤s432可以包括以下内容：
[0224]
步骤s4321：判断符合条件的边界像素的走向是否满足预设走向要求；
[0225]
若是，执行步骤s4322；若否，执行步骤s4325。
[0226]
步骤s4322：对符合条件的边界像素进行平滑分析；
[0227]
步骤s4323：判断平滑后的边界的最高点和最低点是否满足预设角度要求；
[0228]
若是，执行步骤s4324；若否，执行步骤s4325。
[0229]
步骤s4324：最终认定该疑似安全帽色彩特征图像范围图像上有安全帽图像。
[0230]
步骤s4325：疑似安全帽色彩特征图像范围图像上没有安全帽图像。
[0231]
其中，色彩特征图像范围判断只是对安全帽判断的粗选，不能完全确定其范围内就是安全帽，此步骤是在色彩特征图像范围内，进行边界平滑度和走向分析，分析后得到边界特征，结合色彩和边界两个特征才能判断是否为安全帽。
[0232]
具体地，在通过图像中疑似安全帽区域的色彩像素边界后，进一步进行边界平滑度和边界走向分析，主要方法通过符合条件色彩像素点的走向进行判断，比如色彩像素的走向是从左到右，在符合条件3的情况下走向是同一方向，如下两种条件：
[0233]
a、对于安全帽顶部判断从左到右，从下往上，到顶部后再从左到右，从上往下；
[0234]
b、对于安全帽顶部判断从右到左，从下往上，到顶部后再从右到左，从上往下；
[0235]
在对安全帽边界进行平滑分析后，再进行最高点和最低点的角度分析，参见图11a和图11b，α角度的值范围如下：30度≤α≤65度，符合色彩范围的像素边界的左、右到顶部的角度值必须满足上面条件，才可判断是安全帽；不满足以上条件的则认为不是安全帽。
[0236]
为了使本领域技术人员更好地理解本申请，参见图12，对低分辨率图像安全帽识别方法的具体流程进行具体说明：
[0237]
步骤s1：国标互联网视频标准或视频厂家二次开发库获取连续两帧图像
[0238]
步骤s2：连续两帧图像送入图像智能分析服务器，图像智能分析服务器进行canny边缘检测算法运算
[0239]
步骤s3：智能识别服务器对比找出变化区域，在变化区域中寻找人体形状；在找到人体形状后对其头部进行色彩分析、形状分析、角度分析，确定是否佩戴安全帽。
[0240]
步骤s4：是否佩戴安全帽？
[0241]
若已佩戴，进行下一次分析，即返回步骤s1；若为佩戴，则执行步骤s5。
[0242]
步骤s5：启动语音播报提醒、保存图像证据、发送值班电脑和手机app；
[0243]
步骤s6：安全监管人员进行相应处理。
[0244]
综上所述，本发明实施例提供的低分辨率图像安全帽识别方法，利用了canny边缘检测技术、安全帽色彩区域分析技术、连续帧图像变化对比分析技术以及安全帽形状分析技术，从普通视频流中抽样获取连续单帧图像分析样本，对单帧图像样本利用24位rgb位图进行canny边缘检测运算，确定多个变化区域的图像范围；对多个变化区域进行人体运动变化分析，确定为人体特征后，分析人体头部特征分析，确定人体头部位置。对人体头部进行色彩分析，判断头部是否具备白色安全帽、黄色安全帽、红色安全帽、蓝色安全帽的颜色范围，如果具备佩戴安全帽的颜色范围，对颜色范围的边界进行平滑度和高低角度分析等，符合边界条件和角度范围的确定为佩戴安全帽；反之确定为不佩戴安全帽，对图像的质量和分辨率要求低，图像像素最低分辨率可达320
×
240，高效率、低成本自动识别人是否佩戴安全帽，在发现未佩戴安全帽情况后，第一时间启动语音播报提醒相关人员注意佩戴安全帽，
并将图像数据保存备查，同时将图像发送给值班电脑和相关人员的手机app，安全监管人员或值班人员的电脑或移动终端接收到图像信息后，通过内部安全监管方法进行相应的处理。
[0245]
基于同一发明构思，本申请实施例还提供了一种低分辨率图像安全帽识别装置，可以用于实现上述实施例所描述的方法，如下面的实施例所述。由于低分辨率图像安全帽识别装置解决问题的原理与上述方法相似，因此低分辨率图像安全帽识别装置的实施可以参见上述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0246]
图8是本发明实施例中的低分辨率图像安全帽识别装置的结构框图。如图8所示，该低分辨率图像安全帽识别装置具体包括：边缘处理模块10、变化对比模块20、人体形状区域识别模块30以及安全帽识别模块40。
[0247]
边缘处理模块10对连续两帧图像样本进行边缘特征提取处理；
[0248]
变化对比模块20对比处理后的两帧图像样本识别图像变化区域；
[0249]
人体形状区域识别模块30识别后一帧图像样本的变化区域中的人体形状区域；
[0250]
安全帽识别模块40对人体形状区域进行特征分析以识别安全帽。
[0251]
在一个可选的实施例中，边缘处理模块包括：边缘处理子模块，利用canny边缘检测算法对连续两帧图像样本进行边缘特征提取处理。
[0252]
通过采用上述技术方案，从普通视频流中抽样获取连续单帧图像分析样本,通过连续两帧图像的canny边缘检测运算，并通过对比两帧图像的变化区域，分析变化区域种的人体形状和头部位置，从头部的色彩、形状、角度分析出是否佩戴安全帽，在低分辨率的情况下可应用该算法，通过对安全帽色彩范围、安全帽形状、安全帽特征进行分析，能高效率自动识别图像中的人是否佩戴安全帽。能将普通安防视频图像应用于安全帽佩戴识别，利用普通摄像头即可获取视频源数据，对硬件条件和分辨率要求低，适于工业场所、施工现场重要的安全保障措施，对于规范和管理施工现场、高危场所的作业行为非常重要。
[0253]
在一个可选的实施例中，边缘处理子模块包括：预处理单元、梯度计算单元、非极大值抑制单元、边缘像素阈值处理单元以及边缘像素细化单元。
[0254]
预处理单元，分别对连续两帧图像样本进行卷积、高斯平滑以及滤波处理；
[0255]
梯度计算单元，计算处理后的图像样本中每一个像素的梯度方向和梯度幅值；
[0256]
非极大值抑制单元，根据像素的梯度方向对梯度幅值进行局部非极大值抑制处理；
[0257]
边缘像素阈值处理单元，对像素幅值抑制处理后的图像边缘像素进行双阈值处理、双阈值中间阈值滤除及连接；
[0258]
边缘像素细化单元，利用soble算子将图像边缘像素细化。
[0259]
在一个可选的实施例中，所述安全帽识别模块包括：人体头部识别子模块、颜色特征分析子模块以及边界特征分析子模块。
[0260]
人体头部识别子模块，在所述人体形状区域中识别出人体头部位置区域；
[0261]
颜色特征分析子模块，对所述人体头部位置区域进行颜色特征分析以确定多个疑似安全帽色彩特征图像范围；
[0262]
边界特征分析子模块，对各疑似安全帽色彩特征图像范围图像进行色彩像素边界分析和边界走向分析得到安全帽识别结果。
[0263]
在一个可选的实施例中，所述边界特征分析子模块包括：初步识别单元以及最终识别单元。
[0264]
初步识别单元，对各疑似安全帽色彩特征图像范围图像进行色彩像素边界分析得到初步识别结果；
[0265]
最终识别单元，对初步识别结果为疑似安全帽色彩特征图像范围图像上有安全帽图像时，进行边界走向分析得到最终识别结果。
[0266]
在一个可选的实施例中，所述初步识别单元包括：边界像素识别子单元、第一判断子单元、错误计数子单元、第二判断子单元、第一确定子单元以及第二确定子单元。
[0267]
边界像素识别子单元，在疑似安全帽色彩特征图像范围图像上检测符合条件的边界像素；
[0268]
第一判断子单元，判断两点符合条件的边界像素的x和y坐标值是否满足预设要求；
[0269]
错误计数子单元，若符合条件的两个边界像素的x和y坐标值满足预设要求，进行错误计数；
[0270]
第二判断子单元，判断错误计数是否大于边界像素总数的预设比例；
[0271]
第一确定子单元，若错误计数大于边界像素总数的预设比例，判定疑似安全帽色彩特征图像范围图像不符合安全帽平滑规律的边界；
[0272]
第二确定子单元，若错误计数不大于边界像素总数的预设比例，初步认定该疑似安全帽色彩特征图像范围图像上有安全帽图像。
[0273]
在一个可选的实施例中，所述最终识别单元包括：第三判断子单元、平滑判断子单元以及最终识别子单元。
[0274]
第三判断子单元，判断符合条件的边界像素的走向是否满足预设走向要求；
[0275]
平滑判断子单元，若符合条件的边界像素的走向满足预设走向要求，对符合条件的边界像素进行平滑分析，并判断平滑后的边界的最高点和最低点是否满足预设角度要求；
[0276]
最终识别子单元，若平滑后的边界的最高点和最低点满足预设角度要求，则最终认定该疑似安全帽色彩特征图像范围图像上有安全帽图像。
[0277]
上述实施例阐明的装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为电子设备，具体的，电子设备例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
[0278]
在一个典型的实例中电子设备具体包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的低分辨率图像安全帽识别方法的步骤。
[0279]
下面参考图14，其示出了适于用来实现本申请实施例的电子设备600的结构示意图。
[0280]
如图14所示，电子设备600包括中央处理单元(cpu)601，其可以根据存储在只读存储器(rom)602中的程序或者从存储部分608加载到随机访问存储器(ram))603中的程序而执行各种适当的工作和处理。在ram603中，还存储有系统600操作所需的各种程序和数据。cpu601、rom602、以及ram603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
[0281]
以下部件连接至i/o接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如lan卡，调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至i/o接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装如存储部分608。
[0282]
特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的低分辨率图像安全帽识别方法的步骤。
[0283]
在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。
[0284]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0285]
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
[0286]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0287]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0288]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一
个方框或多个方框中指定的功能的步骤。
[0289]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0290]
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0291]
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0292]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0293]
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。