本發(fā)明實施例涉及安全設(shè)施檢測領(lǐng)域，特別是涉及一種安全帽佩戴的檢測方法及裝置。

背景技術(shù)：

隨著社會經(jīng)濟的發(fā)展，建筑行業(yè)發(fā)展越來越快，相應(yīng)的，建筑行業(yè)帶來的安全隱患也越發(fā)的引人注意。施工場地中有諸多現(xiàn)場作業(yè)，不可避免的會帶來一些安全問題，例如高空墜物，作業(yè)人員以及施工場地的工作人員急需一些安全保護措施，例如佩戴安全帽，以有效的防止安全事故的發(fā)生。

由于工作人員的安全意識不高，或者是由于某些外界因素導(dǎo)致工作人員忘記佩戴安全帽，導(dǎo)致安全事故屢屢發(fā)生，可見，對安全帽的準(zhǔn)確檢測，以提醒未佩戴安全帽的工作人員進行佩戴，有利于在一定程度上避免安全事故的發(fā)生。

現(xiàn)有技術(shù)中，對工作人員安全帽佩戴的檢測方法采用機器學(xué)習(xí)的方式，通過對攝像頭采集一定區(qū)域內(nèi)的整體圖像或者當(dāng)前用戶的整體圖像，進行提取特征，然后結(jié)合模式識別技術(shù)進行判斷。

由于檢測的區(qū)域較大，是否佩戴安全帽的特征，相對來說，不是很明顯，容易造成檢測不準(zhǔn)確，無法準(zhǔn)確的對用戶是否佩戴安全帽做出判斷，從而無法完全避免因安全帽引發(fā)的安全事故。

技術(shù)實現(xiàn)要素：

本發(fā)明實施例的目的是提供一種安全帽佩戴的檢測方法及裝置，以提高用戶佩戴安全帽檢測的準(zhǔn)確度，提高施工現(xiàn)場工作人員的安全性，減少安全事故的發(fā)生。

為解決上述技術(shù)問題，本發(fā)明實施例提供以下技術(shù)方案：

本發(fā)明實施例一方面提供了一種安全帽佩戴的檢測方法，包括：

利用rgb-d相機采集的多幅背景環(huán)境的深度圖像、佩戴安全帽的深度圖像以及未佩戴安全帽的深度圖像的深度值得到多幅人體輪廓的前景圖像，根據(jù)人體測量模型對各所述前景圖像的頭部關(guān)節(jié)點進行定位；

以所述頭部關(guān)節(jié)點為中心，在各所述前景圖像中截取人體頭部圖像，對各所述人體頭部圖像是否包括安全帽圖像進行歸類；分別提取佩戴安全帽的人體頭部圖像與不佩戴安全帽的人體頭部圖像的hog特征，根據(jù)兩類所述hog特征生成支持向量機模型；

對所述rgb-d相機采集當(dāng)前用戶的深度圖像中的頭部關(guān)節(jié)點進行定位，并提取用戶頭部圖像的hog特征，輸入所述支持向量機模型中，以對所述用戶是否佩戴安全帽進行判斷。

可選的，還包括：

當(dāng)判定所述用戶未佩戴安全帽時，向所述用戶進行提醒。

可選的，所述對所述rgb-d相機采集當(dāng)前用戶的深度圖像中的頭部關(guān)節(jié)點進行定位，并提取用戶頭部圖像的hog特征包括：

當(dāng)檢測到所述用戶進入所述rgb-d相機的采集區(qū)域時，發(fā)送采集圖像的指令；

獲取所述rgb-d相機采集的所述用戶的深度圖像以及背景環(huán)境的深度圖像，以得到用戶前景圖像，并根據(jù)人體測量模型對所述用戶前景圖像的頭部關(guān)節(jié)點進行定位，

以所述用戶前景圖像的頭部關(guān)節(jié)點為中心，在所述用戶前景圖像中截取用戶頭部圖像，提取所述用戶頭部圖像的hog特征。

可選的，還包括：

將獲取到當(dāng)前用戶的深度圖像向工作人員進行展示；

接收所述工作人員輸入判斷佩戴安全帽的指令，根據(jù)所述指令與判斷結(jié)果進行比較；

當(dāng)判定所述指令與所述判斷結(jié)果一致時，輸出所述判斷結(jié)果；

當(dāng)判定所述指令與所述判斷結(jié)果不一致時，輸出所述指令。

可選的，所述當(dāng)判定所述指令與所述判斷結(jié)果不一致時之后，還包括：

向所述工作人員進行反饋系統(tǒng)檢測錯誤的信號。

可選的，所述采集區(qū)域為施工場地的入口。

本發(fā)明實施例另一方面提供了一種安全帽佩戴的檢測裝置，包括：

模型生成模塊，用于利用rgb-d相機采集的多幅背景環(huán)境的深度圖像、佩戴安全帽的深度圖像以及未佩戴安全帽的深度圖像的深度值得到多幅人體輪廓的前景圖像，根據(jù)人體測量模型對各所述前景圖像的頭部關(guān)節(jié)點進行定位；以所述頭部關(guān)節(jié)點為中心，在各所述前景圖像中截取人體頭部圖像，對各所述人體頭部圖像是否包括安全帽圖像進行歸類；分別提取佩戴安全帽的人體頭部圖像與不佩戴安全帽的人體頭部圖像的hog特征，根據(jù)兩類所述hog特征生成支持向量機模型；

安全帽檢測模塊，用于對所述rgb-d相機采集當(dāng)前用戶的深度圖像中的頭部關(guān)節(jié)點進行定位，并提取用戶頭部圖像的hog特征，輸入所述支持向量機模型中，以對所述用戶是否佩戴安全帽進行判斷。

可選的，還包括：

提醒模塊，用于當(dāng)判定所述用戶未佩戴安全帽時，向所述用戶進行提醒。

可選的，還包括二次檢測模塊，所述二次檢測模塊包括：

展示單元，用于將獲取到當(dāng)前用戶的深度圖像向工作人員進行展示；

比較單元，用于接收所述工作人員輸入判斷佩戴安全帽的指令，根據(jù)所述指令與判斷結(jié)果進行比較；

輸出單元，用于當(dāng)判定所述指令與所述判斷結(jié)果一致時，輸出所述判斷結(jié)果；當(dāng)判定所述指令與所述判斷結(jié)果不一致時，輸出所述指令。

可選的，所述二次檢測模塊還包括：

反饋單元，用于向所述工作人員進行反饋系統(tǒng)檢測錯誤的信號。

本發(fā)明實施例提供了一種安全帽佩戴的檢測方法，通過獲取多幅背景環(huán)境的深度圖像、佩戴安全帽的深度圖像以及未佩戴安全帽的深度圖像，結(jié)合人體測量模型以實現(xiàn)對人體輪廓的前景圖像的頭部關(guān)節(jié)點進行定位，從而獲取多幅人體頭部圖像，對多幅人體頭部圖像中是否包括安全帽進行歸類，分別提取佩戴安全帽的人體頭部圖像與不佩戴安全帽的人體頭部圖像的hog特征，生成支持向量機模型。對當(dāng)前需要進行檢測的用戶的深度圖像的頭部關(guān)節(jié)點進行定位，并提取用戶頭部圖像的hog特征，然后支持向量機模型根據(jù)所提取的hog特征對用戶是否佩戴安全帽進行判斷。

本申請?zhí)峁┑募夹g(shù)方案的優(yōu)點在于，通過使用深度圖像以及人體測量模型對人體頭部位置進行精確定位，通過提取人體頭部圖像的hog特征結(jié)合支持向量機模型實現(xiàn)對是否佩戴安全帽進行檢測，提高了安全帽檢測的準(zhǔn)確度，提高了施工現(xiàn)場工作人員的安全性，有利于減少安全事故的發(fā)生。

此外，本發(fā)明實施例還針對安全帽佩戴的檢測方法提供了相應(yīng)的實現(xiàn)裝置，進一步使得所述方法更具有實用性，所述裝置具有相應(yīng)的優(yōu)點。

附圖說明

為了更清楚的說明本發(fā)明實施例或現(xiàn)有技術(shù)的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單的介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實施例提供的一種安全帽佩戴的檢測方法的流程示意圖；

圖2為本發(fā)明實施例提供的另一種安全帽佩戴的檢測方法的流程示意圖；

圖3為本發(fā)明實施例提供的安全帽佩戴的檢測裝置的一種具體實施方式結(jié)構(gòu)圖；

圖4為本發(fā)明實施例提供的安全帽佩戴的檢測裝置的另一種具體實施方式結(jié)構(gòu)圖。

具體實施方式

為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案，下面結(jié)合附圖和具體實施方式對本發(fā)明作進一步的詳細(xì)說明。顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

本申請的說明書和權(quán)利要求書及上述附圖中的術(shù)語“第一”、“第二”、“第三”“第四”等是用于區(qū)別不同的對象，而不是用于描述特定的順序。此外術(shù)語“包括”和“具有”以及他們?nèi)魏巫冃?，意圖在于覆蓋不排他的包含。例如包含了一系列步驟或單元的過程、方法、系統(tǒng)、產(chǎn)品或設(shè)備沒有限定于已列出的步驟或單元，而是可包括沒有列出的步驟或單元。

本申請的發(fā)明人經(jīng)過研究發(fā)現(xiàn)，安全帽檢測的準(zhǔn)確度對于施工現(xiàn)場工作人員的安全性至關(guān)重要，且工作人員安全意識不高，進而導(dǎo)致由于安全帽佩戴引發(fā)的事故越來越多。現(xiàn)有技術(shù)中，一般采用機器學(xué)習(xí)的方式或者人力監(jiān)管的方式對工作人員佩戴安全帽檢測。機器學(xué)習(xí)的方式進行工人安全帽佩戴情況的檢測，由于檢測區(qū)域較大，且佩戴安全帽這個特征相對不夠明顯，容易造成檢測不準(zhǔn)確的結(jié)果；而人力監(jiān)管存在監(jiān)督人員容易疏忽和人力資源浪費的情況。

鑒于此，本申請通過使用深度圖像以及人體測量模型對人體頭部位置進行精確定位，通過提取人體頭部圖像的hog特征結(jié)合支持向量機模型實現(xiàn)對是否佩戴安全帽進行檢測，提高了安全帽檢測的準(zhǔn)確度，提高了施工現(xiàn)場工作人員的安全性，有利于減少安全事故的發(fā)生。

在介紹了本發(fā)明實施例的技術(shù)方案后，下面詳細(xì)的說明本申請的各種非限制性實施方式。

首先參見圖1，圖1為本發(fā)明實施例提供的一種安全帽佩戴的檢測方法的流程示意圖，本發(fā)明實施例可包括以下內(nèi)容：

s101：利用rgb-d相機采集的多幅背景環(huán)境的深度圖像、佩戴安全帽的深度圖像以及未佩戴安全帽的深度圖像的深度值得到多幅人體輪廓的前景圖像，根據(jù)人體測量模型對各所述前景圖像的頭部關(guān)節(jié)點進行定位。

rgb-d相機可獲取待成像目標(biāo)的顏色深度圖像，包括顏色信息和距離信息。深度圖像可根據(jù)不同的深度值將前景區(qū)域和背景區(qū)域進行區(qū)分。

由于采集用戶圖像時，不可避免會將用戶所在的背景進行采集，一般相機無法識別目標(biāo)與背景；而對用戶圖像某一個小特征進行檢測時，往往由于特征太小，會湮沒于整個圖像中，不利于對特征的提取與識別，故可用rgb-d相機將目標(biāo)與背景進行分離。

具體的可通過下述公式進行分離：

背景環(huán)境的深度圖像bf和用戶在該背景內(nèi)的深度圖像df，使用背景分離得到人的輪廓：

其中，df(x,y)和bf(x,y)表示對應(yīng)深度圖像中第x行、第y列的深度值。

背景環(huán)境的深度圖像為rgb-d相機對用戶預(yù)采集圖像時的背景環(huán)境的成像；佩戴安全帽的深度圖像以及未佩戴安全帽的深度圖像為用戶佩戴安全帽以及未佩戴安全帽時采集的圖像。為了生成后續(xù)圖像歸類更具有普遍性以及一般性，可采集多幅圖像，且可采集不同用戶的佩戴安全帽以及未佩戴安全帽時的圖像。

在將用戶的人體輪廓的前景圖像與背景進行分離后，由于佩戴安全帽這個特征在于頭部，為了進一步放大特征，避免其淹沒在圖像中，可進一步的將人體輪廓的前景圖像中的頭部圖像進行分離?？赏ㄟ^人體測量模型對人體輪廓的前景圖像進行分割，從而確定該前景圖像中頭部關(guān)節(jié)的位置，實現(xiàn)對頭部圖像的定位。

s102：以所述頭部關(guān)節(jié)點為中心，在各所述前景圖像中截取人體頭部圖像，對各所述人體頭部圖像是否包括安全帽圖像進行歸類；分別提取佩戴安全帽的人體頭部圖像與不佩戴安全帽的人體頭部圖像的hog特征，根據(jù)兩類所述hog特征生成支持向量機模型。

具體的截取頭部圖像可為：

把人體輪廓中第一行向下100mm位置記作startrow，沿著y方向向下當(dāng)檢測到人體輪廓某一行的寬度明顯大于startrow行的寬度時，記該行為rowmaxdim行。根據(jù)人體測量模型可得到人體頭部關(guān)節(jié)y坐標(biāo)為：

yh＝startrow+(rowmaxdim-startrow)/3；

其中，x坐標(biāo)為人體輪廓最左側(cè)列與最右側(cè)列的平均值。

以頭部關(guān)節(jié)為中心，以rowmaxdim為下邊界，以人體輪廓第一行向上500mm為上邊界，以人體輪廓最左側(cè)列和最右側(cè)列為左右邊界裁剪出人頭部圖像。

hog(histogramoforientedgradient，方向梯度直方圖)特征為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。hog特征可通過計算和統(tǒng)計圖像局部區(qū)域的梯度方向直方圖來構(gòu)成特征。

根據(jù)上述方法得到的人體頭部圖像像素為64*128的，每16*16的像素組成一個單元，每2*2個單元組成一個塊，因為每個單元劃分為9個方向區(qū)間來統(tǒng)計梯度直方圖，又以8個像素作為步長，在水平方向?qū)⒂?個掃描窗口，垂直方向?qū)⒂?5個掃描窗口，所以每張圖片有9*4*7*15＝3780個特征。

人體頭部圖像只有戴了安全帽和未戴安全帽兩種情況，為二分類問題，設(shè)x為人體頭部圖像的特征向量，y是類標(biāo)且y∈{0,1}，0表示為佩戴安全帽，1表示未佩戴安全帽。則判決函數(shù)可定義可為：

f(x)＝sign(wx+b)；

其中，b為偏差，最終為以此生成支持向量機模型。

s103：對所述rgb-d相機采集當(dāng)前用戶的深度圖像中的頭部關(guān)節(jié)點進行定位，并提取用戶頭部圖像的hog特征，輸入所述支持向量機模型中，以對所述用戶是否佩戴安全帽進行判斷。

在對用戶進行檢測是否佩戴安全帽時，可通過下述方法：

s1031：當(dāng)檢測到所述用戶進入所述rgb-d相機的采集區(qū)域時，發(fā)送采集圖像的指令。

rgb-d相機的采集區(qū)域可為施工場地的入口，或者是建筑物的門口，當(dāng)然，也可為其他地方，這均不影響本申請的實現(xiàn)。

s1032：獲取所述rgb-d相機采集的所述用戶的深度圖像以及背景環(huán)境的深度圖像，以得到用戶前景圖像，并根據(jù)人體測量模型對所述用戶前景圖像的頭部關(guān)節(jié)點進行定位。

采集當(dāng)前待檢測用戶的深度圖像以及該用戶所處背景環(huán)境的深度圖像，根據(jù)二者的深度值將用戶的人體輪廓的前景圖像從用戶的深度圖像中剝離出來；然后根據(jù)人體測量模型對所剝離出的前景圖像中對頭部關(guān)節(jié)進行定位。

s1033：以所述用戶前景圖像的頭部關(guān)節(jié)點為中心，在所述用戶前景圖像中截取用戶頭部圖像，提取所述用戶頭部圖像的hog特征。

頭部圖像的獲取以及提取hog特征，具體的可參閱s102所述，此處就不在贅述。

s1034：根據(jù)提取的hog特征輸入支持向量機模型中，對用戶是否佩戴安全帽進行檢測。

提取獲得的頭部圖像的3780個hog特征串成特征向量x，作為待檢測用戶圖像的特征向量。

然后將該特征向量x代入支持向量機模型中的判決函數(shù)f(x)中，若f(x)＝1，則該待檢測用戶未佩戴安全帽；若f(x)＝0，則該該待檢測用戶佩戴了安全帽。

在本發(fā)明實施例中，通過使用深度圖像以及人體測量模型對人體頭部位置進行精確定位，通過提取人體頭部圖像的hog特征結(jié)合支持向量機模型實現(xiàn)對是否佩戴安全帽進行檢測，提高了安全帽檢測的準(zhǔn)確度，提高了施工現(xiàn)場工作人員的安全性，有利于減少安全事故的發(fā)生。

由于外界干擾因素太多，不可避免會導(dǎo)致系統(tǒng)檢測出來的結(jié)果為誤；或者是機器發(fā)生故障等特殊因素導(dǎo)致檢測結(jié)果不準(zhǔn)確。由于是當(dāng)用戶未佩戴安全帽時誤檢為佩戴安全帽，對用戶的安全性有很大的威脅。鑒于此，本申請基于上述實施例還提供了另外的一個實施例，請參閱圖2，具體可為：

s104：將獲取到當(dāng)前用戶的深度圖像向工作人員進行展示；

s105：接收所述工作人員輸入判斷佩戴安全帽的指令，根據(jù)所述指令與判斷結(jié)果進行比較；

s106：當(dāng)判定所述指令與所述判斷結(jié)果一致時，輸出判斷結(jié)果；當(dāng)判定所述指令與所述判斷結(jié)果不一致時，輸出所述指令。

工作人員通過相機采集的圖像，人工對待檢測用戶是否佩戴安全帽進行判斷，然后將判斷結(jié)果返回系統(tǒng)，系統(tǒng)通過對自動檢測結(jié)果和人工檢測結(jié)果進行比較，當(dāng)二者結(jié)果一致時，如未佩戴安全帽，則將系統(tǒng)自動判斷的結(jié)果進行輸出；而當(dāng)二者不一致時，例如自動判斷結(jié)果為佩戴安全帽，人工判斷為未佩戴安全帽，則直接輸出人工判斷的結(jié)果，如未佩戴安全帽。

通過機器與人工同時進行對用戶佩戴安全帽進行檢測，可提高整體檢測的準(zhǔn)確度，進一步提高了施工現(xiàn)場工作人員的安全性，有利于減少安全事故的發(fā)生。

在一種具體實施方式下，當(dāng)二者結(jié)果不一致時，人工判斷結(jié)果可能是錯的，而系統(tǒng)自動判斷結(jié)果為正確的，而上述實施例中直接輸出人工判斷結(jié)果，對用戶佩戴安全帽的檢測結(jié)果有誤，故可向所述工作人員進行反饋系統(tǒng)檢測錯誤的信號。人工進行二次判斷，有利于提高檢測結(jié)果的準(zhǔn)確性。

針對上述實施例，在判斷出用戶未佩戴安全帽時，為了提醒當(dāng)前用戶，可向所述用戶進行提醒。

提醒可為蜂鳴器報警提醒，也可為語音提醒，或者直接在屏幕上進行提示，這均不影響本申請的實現(xiàn)。

本發(fā)明實施例還針對安全帽佩戴的檢測方法提供了相應(yīng)的實現(xiàn)裝置，進一步使得所述方法更具有實用性。下面對本發(fā)明實施例提供的安全帽佩戴的檢測裝置進行介紹，下文描述的安全帽佩戴的檢測裝置與上文描述的安全帽佩戴的檢測方法可相互對應(yīng)參照。

參見圖3，圖3為本發(fā)明實施例提供的安全帽佩戴的檢測裝置在一種具體實施方式下的結(jié)構(gòu)圖，該裝置可包括：

模型生成模塊301，用于利用rgb-d相機采集的多幅背景環(huán)境的深度圖像、佩戴安全帽的深度圖像以及未佩戴安全帽的深度圖像的深度值得到多幅人體輪廓的前景圖像，根據(jù)人體測量模型對各所述前景圖像的頭部關(guān)節(jié)點進行定位；以所述頭部關(guān)節(jié)點為中心，在各所述前景圖像中截取人體頭部圖像，對各所述人體頭部圖像是否包括安全帽圖像進行歸類；分別提取佩戴安全帽的人體頭部圖像與不佩戴安全帽的人體頭部圖像的hog特征，根據(jù)兩類所述hog特征生成支持向量機模型。

安全帽檢測模塊302，用于對所述rgb-d相機采集當(dāng)前用戶的深度圖像中的頭部關(guān)節(jié)點進行定位，并提取用戶頭部圖像的hog特征，輸入所述支持向量機模型中，以對所述用戶是否佩戴安全帽進行判斷。

可選的，在本實施例的一些實施方式中，請參閱圖4，所述裝置例如還可以包括二次檢測模塊303，所述二次檢測模塊303可包括：

展示單元3031，用于將獲取到當(dāng)前用戶的深度圖像向工作人員進行展示；

比較單元3032，用于接收所述工作人員輸入判斷佩戴安全帽的指令，根據(jù)所述指令與判斷結(jié)果進行比較；

輸出單元3033，用于當(dāng)判定所述指令與所述判斷結(jié)果一致時，輸出判斷結(jié)果；當(dāng)判定所述指令與所述判斷結(jié)果不一致時，輸出所述指令。

在一種具體實施方式中，所述二次檢測模塊303還可包括反饋單元3034，用于向所述工作人員進行反饋系統(tǒng)檢測錯誤的信號。

可選的，在本實施例的另一些實施方式中，請參閱圖4，所述裝置例如還可以包括：

提醒模塊304，用于當(dāng)判定所述用戶未佩戴安全帽時，向所述用戶進行提醒。

本發(fā)明實施例所述一種安全帽佩戴的檢測裝置的各功能模塊的功能可根據(jù)上述方法實施例中的方法具體實現(xiàn)，其具體實現(xiàn)過程可以參照上述方法實施例的相關(guān)描述，此處不再贅述。

由上可知，本發(fā)明實施例通過使用深度圖像以及人體測量模型對人體頭部位置進行精確定位，通過提取人體頭部圖像的hog特征結(jié)合支持向量機模型實現(xiàn)對是否佩戴安全帽進行檢測，提高了安全帽檢測的準(zhǔn)確度，提高了施工現(xiàn)場工作人員的安全性，有利于減少安全事故的發(fā)生。

本說明書中各個實施例采用遞進的方式描述，每個實施例重點說明的都是與其它實施例的不同之處，各個實施例之間相同或相似部分互相參見即可。對于實施例公開的裝置而言，由于其與實施例公開的方法相對應(yīng)，所以描述的比較簡單，相關(guān)之處參見方法部分說明即可。

專業(yè)人員還可以進一步意識到，結(jié)合本文中所公開的實施例描述的各示例的單元及算法步驟，能夠以電子硬件、計算機軟件或者二者的結(jié)合來實現(xiàn)，為了清楚地說明硬件和軟件的可互換性，在上述說明中已經(jīng)按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計約束條件。專業(yè)技術(shù)人員可以對每個特定的應(yīng)用來使用不同方法來實現(xiàn)所描述的功能，但是這種實現(xiàn)不應(yīng)認(rèn)為超出本發(fā)明的范圍。

結(jié)合本文中所公開的實施例描述的方法或算法的步驟可以直接用硬件、處理器執(zhí)行的軟件模塊，或者二者的結(jié)合來實施。軟件模塊可以置于隨機存儲器(ram)、內(nèi)存、只讀存儲器(rom)、電可編程rom、電可擦除可編程rom、寄存器、硬盤、可移動磁盤、cd-rom、或技術(shù)領(lǐng)域內(nèi)所公知的任意其它形式的存儲介質(zhì)中。

以上對本發(fā)明所提供的一種安全帽佩戴的檢測方法以及裝置進行了詳細(xì)介紹。本文中應(yīng)用了具體個例對本發(fā)明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想。應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以對本發(fā)明進行若干改進和修飾，這些改進和修飾也落入本發(fā)明權(quán)利要求的保護范圍內(nèi)。