一種融合hog人體目標檢測和svm分類器的安全帽識別方法
【專利摘要】本發(fā)明涉及視頻監(jiān)控領(lǐng)域，具體涉及一種融合HOG人體目標檢測和SVM分類器的安全帽識別方法，包括獲取HOG正負樣本特征和SVM分類函數(shù)、高斯核函數(shù)的參數(shù)值；提取監(jiān)視框；運動目標檢測；HOG特征匹配和判斷是否佩戴安全帽幾大步驟。本發(fā)明能夠?qū)κ┕すさ刂泄ぷ魅藛T是否按要求佩戴安全帽進行精確的監(jiān)控，算法原理簡單，具有實時性和較高的準確率，不僅可以有效區(qū)分人體目標和非人體目標，克服背景中出現(xiàn)的干擾因素，而且能夠適應(yīng)室外多變的光照條件和安全帽顏色的變化，具有較強的魯棒性。
【專利說明】-種融合HOG人體目標檢測和SVM分類器的安全帽識別方 法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及視頻監(jiān)控領(lǐng)域，具體涉及一種融合H0G人體目標檢測和SVM分類器的 安全帽識別方法。

【背景技術(shù)】
[0002] HOG (Histogram of Oriented Gradient):即方向梯度直方圖，是一種在計算機視 覺和圖像處理中用來進行物體檢測的特征描述子。
[0003] SVM (Support Vector Machine):即支持向量機，是一種可訓練的機器學習方法。
[0004] HSV (Hue，Saturation，Value):是根據(jù)顏色的直觀特性創(chuàng)建的一種顏色空間，該模 型中顏色的參數(shù)分別是：色調(diào)（H)，飽和度（S)，亮度（V)。
[0005] 在施工工地中，工作人員佩戴安全帽是一項非常重要的要求，其直接關(guān)系到工作 人員的人身安全，所以有必要對施工工地上所有的工作人員是否按要求佩戴安全帽進行嚴 格的監(jiān)控。
[0006] 在現(xiàn)有技術(shù)中，針對安全帽的檢測技術(shù)非常少：
[0007] 有一種專門針對安全帽檢測的方法，重點研究運動人員的背景減除檢測方法并提 出了加權(quán)時間均值背景模型，其次在特征選取部分嘗試了多種不同的特征，最終給出一組 較為有效的特征。之后針對大小、顏色、磨損程度均不完全一樣的各種安全帽，提出一種基 于十六方向Gabor的H0G特征（方向梯度直方圖）提取方法，經(jīng)過SVM訓練得到多項式 分類器，能夠在目標與背景灰度相似的情況下識別出安全帽，最后基于顏色直方圖的Mean Shift安全帽跟蹤算法，實現(xiàn)視頻中未佩戴安全帽頭部的跟蹤。這種方法的缺點是：背景模 型學習速率較低，在檢測頭部時，膚色和發(fā)色的顏色閾值固定，無法自適應(yīng)，安全帽識別算 法時間計算復(fù)雜度高，搜索效率較低下。
[0008] 還有一種用高斯函數(shù)模擬安全帽四方向邊緣特征的安全帽檢測算法，通過對安全 帽進行建模，獲取安全帽圖像，提取四方向邊緣特征，用高斯函數(shù)模擬特征分布，采用線性 分段函數(shù)區(qū)分視頻中窗口為安全帽區(qū)域和非安全帽區(qū)域?qū)崿F(xiàn)安全帽的檢測。這種方法主要 是用來進行煤礦井下目標人員的檢測，煤礦井下環(huán)境特殊，全天候人工照明，加上粉塵和潮 濕等因素的影響，導致井下視頻具有以下特點：照度低，光照分布不均勻，所有的圖像以黑、 灰、白顏色為主，處理圖像時沒有色彩信息可利用，不適用于一般的戶外場合。
[0009] 另一種安全帽定位方法，其選取Haar-like特征，使用adaboost算法訓練級聯(lián)分 類器。將待檢測圖像預(yù)處理后，送入分類器，由分類器輸出安全帽在圖像中的位置坐標。這 種方法在訓練分類器時比較復(fù)雜，且分類器的準確率受訓練樣本的影響。
[0010] 綜上所述，這些方法均不能夠同時保證準確率和低復(fù)雜度，另外，上述方法只是檢 測圖像中是否存在安全帽，無法檢測出只是隨身攜帶而并未按規(guī)定佩戴安全帽的情況。


【發(fā)明內(nèi)容】

[0011] 本發(fā)明的目的在于提供一種融合HOG人體目標檢測和SVM分類器的安全帽識別方 法，解決現(xiàn)有技術(shù)對施工工地中工作人員是否按要求佩戴安全帽的監(jiān)控精度不夠，準確率 低，而且監(jiān)控過程和計算復(fù)雜的問題。
[0012] 為解決上述的技術(shù)問題，本發(fā)明采用以下技術(shù)方案：
[0013] 一種融合H0G人體目標檢測和SVM分類器的安全帽識別方法，包括以下步驟：
[0014] 步驟一，獲取H0G正負樣本特征、SVM分類函數(shù)和高斯核函數(shù)的參數(shù)(Ht ;
[0015] 步驟二，提取監(jiān)視框：
[0016] 在作業(yè)人員進入施工現(xiàn)場的必經(jīng)通道處設(shè)置攝像頭，設(shè)置與工作人員體形相適應(yīng) 的監(jiān)視框；
[0017] 步驟三，運動目標檢測：
[0018] 在監(jiān)視框范圍內(nèi)選取前幾幀無目標圖像的像素值作為背景單高斯分布的初始均 值向量1?和協(xié)方差矩陣

【權(quán)利要求】
1. 一種融合HOG人體目標檢測和SVM分類器的安全帽識別方法，其特征在于：包括以 下步驟： 步驟一，獲取HOG正負樣本特征和SVM分類函數(shù)、高斯核函數(shù)的參數(shù)〇值； 步驟二，提取監(jiān)視框： 在作業(yè)人員進入施工現(xiàn)場的必經(jīng)通道處設(shè)置攝像頭，設(shè)置與工作人員體形相適應(yīng)的監(jiān) 視框； 步驟三，運動目標檢測： 在監(jiān)視框范圍內(nèi)選取前幾幀無目標圖像的像素值作為背景單高斯分布的初始均值向 量叫和協(xié)方差矩陣&=<·/，其中〗是單位矩陣，σf是t時刻方差，初始值一般賦予一 個較大的值，如σ" 2 =36; 抓取待檢測圖像，將獲取的待檢測圖像的像素值和背景單高斯分布進行匹配檢驗，當 像素值與背景單高斯分布均值的距離小于其標準差的S倍時，則該像素點判決為背景點， 并取值為〇,否則為前景點，取值為1，得到運動目標的二值圖像； 對被判斷為背景的像素點，更新該像素點的均值向量ut和協(xié)方差矩陣Σ( =</;運用 形態(tài)學濾波的方法對得到的二值圖像進行后續(xù)處理，除去干擾點，形成較為完整的目標圖 像； 步驟四，HOG特征匹配： 提取待測目標圖像的HOG特征，將待測目標圖像的HOG特征和已獲取HOG正負樣本特 征進行匹配，若待測目標圖像判斷為負樣本，認為待測目標圖像中沒有人體目標，重新獲 取新的圖像，返回步驟二，若待測目標圖像判斷為正樣本，則認為圖像中有人體目標，進一 步判斷是否佩戴安全帽； 步驟五，判斷是否佩戴安全帽： 截取上一步中目標人體的頭部圖像，提取該圖像的顏色特征向量X，代入最優(yōu)分類函數(shù) f(x)計算得到一個函數(shù)值，若該值大于〇,則判斷為佩戴了安全帽，若該值小于〇,則判斷為 未佩戴安全帽，給出報警提示。
2. 根據(jù)權(quán)利要求1所述的一種融合HOG人體目標檢測和SVM分類器的安全帽識別方 法，其特征在于：所述步驟一中，HOG正負樣本特征的獲取方法是： ① ，先獲取有完整的人體目標的正樣本圖像和非人體目標的負樣本圖像各m張； ② ，計算m張正樣本圖像和m張負樣本圖像中每個像素點（x，y)的梯度幅值G(x，y)和 梯度方向a (x，y)，形成圖像矩陣； ③ ，圖像矩陣分為小的細胞單元，每個細胞單元為6*6像素，每3*3個細胞單元構(gòu)成一 個塊，將〇°?180°的角度平均分成9個通道； ④ ，對細胞單位中的每個像素點的梯度幅值和方向統(tǒng)計出梯度方向直方圖； ⑤ ，梯度方向直方圖的橫坐標選取9個方向通道，梯度方向直方圖的縱坐標為屬于9個 方向通道中一個通道的像素的梯度大小的累加和，最終得到一組由各個通道像素梯度累加 和構(gòu)成的向量； ⑥ ，以向量對應(yīng)的像素所在的小塊為單位，對向量進行歸一化處理；將經(jīng)過歸一化處理 后所有的向量連接起來，形成HOG正負樣本特征； SVM分類函數(shù)是通過SVM分類器訓練得到，獲取的方法是： ① ，分別選取η幀佩戴安全帽和η幀未佩戴安全帽的工作人員頭部矩形圖像；得到上 述2η幀圖片中像素點的色調(diào)Η分量的統(tǒng)計直方圖；將實際得到的色調(diào)Η值范圍均勻劃分成 100個小塊，統(tǒng)計圖像中像素點的色調(diào)Η值落入各個小塊內(nèi)的像素個數(shù)，得到對應(yīng)的2η個 1*100的特征向量，形成一個100*2η的矩陣，提取向量維數(shù)龐大的顏色特征； ② ，將上述矩陣按列歸一化，即矩陣中每一個單獨的數(shù)除以該列最大的數(shù)，得到每個數(shù) 取值范圍都在〇到1之間的矩陣；取矩陣的某一行向量，它由η個正樣本的色調(diào)Η值和η 個負樣本的色調(diào)Η值構(gòu)成，假設(shè)這正樣本的平均數(shù)萬和負樣本的平均數(shù):瓦之間無顯著差 異；通過正樣特征向量Xl和負樣本x2，以及正樣本的平均數(shù)萬和負樣本的平均數(shù)Ζ構(gòu)造 出統(tǒng)計量T，該統(tǒng)計量T是用來判斷正樣本的平均數(shù)瓦和負樣本的平均數(shù)f有無顯著差異 的；根據(jù)自由度ni+%-2和顯著水平α，再經(jīng)過查詢T界值表，得到理論值；比較計算得到 的統(tǒng)計量Τ值和理論值，如果計算得到的統(tǒng)計量Τ值小于理論值，則正樣本和負樣本差異不 顯著，剔除該行向量；如果計算得到的統(tǒng)計量Τ值大于理論值，則兩樣本差異顯著，保留該 行向量，記錄行號；更換另一行向量，重復(fù)差異檢驗步驟，如此循環(huán)直到構(gòu)成每個行向量的 正樣本和負樣本都進行過一次差異是否顯著的檢驗，最后所有保留下來的行向量構(gòu)成一個 d*2n的特征矩陣（d < 100)，該矩陣的每一列Xi是d維空間中的向量； ③ ，根據(jù)已知類別的樣本集s = {(Xi, yi) | i = 1，. . .，2n}求取最優(yōu)SVM分類函數(shù)來解 決未知樣本的分類問題，其中Xi e #是經(jīng)過降維后的d維空間中的向量，yi = {+1,-1}為 Xi對應(yīng)的類別標號，由于該樣本集s線性不可分，故使用高斯核函數(shù)將其映射到高維使其線 性可分，即將SVM分類函數(shù)中的 Xix用K(Xi，X)代替，其中高斯核函數(shù)的參數(shù)σ通過下述高 斯核函數(shù)的參數(shù)σ值的獲取方法獲得，根據(jù)Karush-Kuhn-Tucker條件，引入拉格朗日函數(shù) 求解得到關(guān)于色調(diào)Η值的最優(yōu)SVM分類函數(shù)f(x); 高斯核函數(shù)的參數(shù)σ值的獲取方法是： ① ，首先給定一組〇需要遍歷的值，取σ為其中某一值〇?，將上述已知分類的2n個樣本 特征向量均勻分成k份，編號為Ι-k，任取1份作為測試數(shù)據(jù)，其它k-Ι份作為訓練數(shù)據(jù)，代 入已經(jīng)求取得到的SVM分類函數(shù)，得到該測試數(shù)據(jù)的類別，判斷其是否分類正確； ② ，共進行k次交叉驗證，其中部分樣本分類正確，部分樣本分類錯誤，將分類正確的 次數(shù)除以k，可得到該^下的分類錯誤率，改變％的值，重復(fù)交叉驗證過程，當遍歷完所有給 定的％值，將分類錯誤率最小的〇^作為最終的高斯核函數(shù)的參數(shù)σ。
【文檔編號】G06K9/66GK104063722SQ201410336493
【公開日】2014年9月24日 申請日期:2014年7月15日 優(yōu)先權(quán)日:2014年7月15日
【發(fā)明者】于康雄, 范宇, 湯曉青, 鄭和平, 鄒見效, 于力 申請人:國家電網(wǎng)公司, 國網(wǎng)四川省電力公司技能培訓中心