计算机视觉视角下的安全帽佩戴状态检测分析

1 绪 论

在本章中，首先，对本文的研究背景及意义进行简要阐述；其次，对国内外安全帽佩戴状态检测研究的最新研究现状进行阐述，分析现存的主要问题；最后，介绍本文的主要研究内容，并对本文的组织结构进行简要概括。

1.1 研究背景及意义

1.1.1 研究背景

近年来，随着城镇化建设、新农村建设的加速发展，国家大力发展基础设施建设，各类施工作业遍布大小城市。生产安全也成为了国家及各级政府最为关注和重视的问题，然而许多施工场地仍存在着严重的安全隐患，根据住房和城乡建设部统计，2019年全国共发生房屋市政工程生产安全事故773起、死亡904人，给社会和家庭带来了巨大的损失，建筑施工行业的安全形势十分严峻[1]。因此，最大限度地降低安全隐患，提高施工人员自身的安全意识迫在眉睫。虽然通过安全教育培训，可以增强作业工人的安全意识，一定程度上减少安全事故发生的概率，但是，要从根本上解决问题，避

免因为未佩戴安全帽而造成的安全事故，还是需要科学、合理、高效的监控和管理[2]。随着科技的发展，大多数的施工作业场地都安装了监控设备，负责监控管理的人员会定时进行视频监控处理，实现安全帽佩戴状态的实时监测，但是目前的安全帽检测系统依旧存在着以下问题：

（1）检测精确度低：目前的安全帽检测算法分为传统的目标检测算法和深度学习检测算法。但是由于施工场景复杂、检测目标之间存在部分遮挡、现场天气变化、光照等影响，导致安全帽佩戴状况的检测精确度较低。

（2）检测成本较高：对整个施工现场部署摄像头，规模较大且经济成本较高。而且，施工场地工作繁忙且复杂，若专门安排人员进行监控，极大地消耗了人力、物力、财力。而且检测工人不在工作岗位时，容易出现漏检的情况，一旦出现疏漏，将会造成不可估量的后果。

1.2 国内外研究现状

安全帽佩戴状态检测实际为二分类对象检测问题，为了提高安全帽佩戴状况检测的精确度和实时性，国内外学者开展了很多具有创新性的研究工作。在模式识别领域中，安全帽佩戴状态检测方法主要分为传统的目标检测算法和基于深度学习的检测算法，为施工现场安全帽佩戴状态检测研究提供了较有价值的借鉴。

1.2.1 基于传统模式识别的安全帽佩戴状态检测

基于传统目标检测算法的安全帽佩戴状态检测，首先，采用滑动窗口对图像上每个像素点进行遍历；其次，对检测目标的某种特性进行统计描述；最后，通过分类的方法或者对提取到的特征进行建模，判定检测目标是否佩戴安全帽。Rubaiyat 等人提出了一种基于特征提取的安全帽佩戴检测算法[5]。首先，结合方向梯度直方图 HOG 和图像的频域信息，对施工人员进行检测；其次，结合颜色和圆环霍夫变换（Circle Hough Transform，CHT）特征，对安全帽进行检测。该方法在安全帽佩戴检测任务中，能够实现安全帽的检测，但是检测精确度较低且只能检测特定颜色的安全帽，泛化能力较差。李潇等人提出了一种基于支持向量机（Support VectorMachine，SVM）分类器与特征提取的安全帽检测模型[6]。首先，采用帧间差分法对视频图像进行分割；其次，提取图像的 HOG 特征，并通过 SVM 分类器判断图像中是否存在行人；最后，对图像中的行人提取 Haar-like 特征，并采用 AdaBoost 分类器判断行人是否佩戴安全帽。该方法提取图像的双重特征，很大程度上提高了检测精确度，但是特征提取的过程较复杂、泛化能力差，不能满足实时检测。冯国臣等人提出了一种基于混合高斯模型的安全帽自动检测模型[7]。首先，采用混合高斯模型在图像预处理阶段进行前景检测；其次，对连通域进行处理分析，判断该连通域是否属于人体，实现检测目标的自动跟踪；最后，在定位到的人头区域进行安全帽佩戴状态的自动检测识别。该方法检测精确度高，受环境变化影响较小，但是在图像处理阶段耗时较长，在实际应用中很难满足实时检测。刘晓慧等人提出了一种基于 SVM 分类器的安全帽检测算法[8]。首先，对图像进行预处理，建立安全帽数据集；其次，采用肤色检测的方法对人脸区域进行定位，获得安全帽所在位置的粗略定位，并手动剪裁安全帽所在区域图像；接着，提取安全帽的 Hu 矩特征向量；最后，结合 Hu 矩特征向量和 SVM 分类模型给出最终分类结果。该方法相对于神经网络缩短了时间、识别率也有一定的提升、具有较好的泛化能力。但是，该方法应用场景单一，仅用于工地进出口等固定场景，而且受视角影响较大。周艳青等人提出了一种基于局部二值模式（Local Binary Pattern, LBP）特征的安全帽检测算法[9]。首先，对视频图像进行预处理，得到大小为22  22的人头区域图像；其次，提取该部分的局部二进制统计特征；

2 相关理论基础

在本章中，首先，对随机蕨算法理论及随机蕨分类器的构建过程进行简要阐述；其次，对卷积神经网络结构以及基本层结构进行简要阐述；最后，对 SSD 网络结构进行简要阐述。

2.1 随机蕨算法

随机蕨算法是在机器学习中分类和回归任务上表现良好的集成学习方法[29-30]。随机蕨算法以决策树作为元基础模型，并且“蕨”中每一层只有一种判断准则。首先，通过训练数据集构建特征域空间；其次，在特征域空间上通过随机二元测试方法构建随机蕨；最后，利用半朴素贝叶斯决策对输入样本进行分类预测。随着“蕨”数量的增加，训练耗时呈线性增长，也因此确定了随机蕨在计算成本上的可行性。

2.2 卷积神经网络

卷积神经网络（Convolutional Neural Network, CNN）由 LeCun 提出，是一种带有卷积结构的前馈深度神经网络，由具有可学习的权重和偏置常量的神经元组成[34]。通过卷积和池化操作对图像进行处理，自主学习图像特征。由多个卷积层构成，每个卷积层包含多个卷积核，卷积核从左至右、从上至下依次对图像进行扫描，得到特征图（Feature Map）。典型的卷积神经网络由卷积层(Convolution)、池化层(Pooling)、全连接层(Fully Connected)组成，卷积神经网络的简要结构如图 2-3 所示：

3 基于改进增强随机蕨的安全帽佩戴检测研究....................................................20

3.1 增强随机蕨算法................................................................................................................20

3.2 改进增强随机蕨算法........................................................................................................23

3.3 实验结果及分析................................................................................................................26

3.4 本章小结............................................................................................................................ 31

4 基于 ResNet50-SSD 的安全帽佩戴状态检测研究.............................................33

4.1 基础网络............................................................................................................................ 33

4.2 ResNet50-SSD 模型.......................................................................................................... 35

4.3 实验结果及分析................................................................................................................37

4.4 本章小结............................................................................................................................ 41

4 基于 ResNet50-SSD 的安全帽佩戴状态检测研究

本章中，提出了一种 ResNet50-SSD 模型的安全帽佩戴状态检测模型。该模型以SSD 网络作为基础，首先，将基础网络 VGG-16 替换为 ResNet-50，并对 ResNet-50中 conv4_x 的第一个残差网络结构进行修改，使得第一个输出的特征矩阵大小不变；其次，在 conv4_x 之后添加一系列的附加层，并引入 BN（Batch Normalization）层；最后，分别在不同的特征层上对不同尺寸的目标进行预测，通过非极大值抑制算法，滤除掉小概率的目标得到最终的检测结果。

4.1 基础网络

4.1.1 ResNet-50

ResNet 网络是由 Kaiming He 等人，为了解决传统神经网络中随着卷积层和下采样层的叠加，出现的梯度消失、梯度爆炸、退化等问题而提出来的网络[52]。在 ResNet网络中提出残差结构搭建超深的网络结构，具体如图 4-1 所示：

5 总结与展望

本工作编程语言环境为 Matlab 和 Python，针对安全帽佩戴状态检测精确度较低和实时性较差的问题，分别提出了 IBRFs 算法和 ResNet50-SSD 模型，并采用国际公开的安全帽数据集和互联网爬虫数据集验证算法和模型的有效性。现将本研究的工作进行总结与展望。

5.1 总结

本文主要对基于计算机视觉的安全帽佩戴情况检测算法展开研究，提出了IBRFs 算法和 ResNet50-SSD 模型对施工工人佩戴安全帽的情况进行预测，实现了快速准确的检测，为工地安全监督及执法提供了技术保障，对施工现场的安全管理具有重要的意义。本文主要工作总结及创新如下：

（1）数据集构建。本文基于计算机视觉对安全帽佩戴状态进行检测研究，但是当前并没有公开可用的大型安全帽检测数据集，这无疑很大程度上增加了研究的难度。针对这个问题，本文通过网络爬虫技术，并采用了 LabelImg 对数据进行标记处理，构建安全帽检测数据集。本文构建的安全帽检测数据集为后续的实验提供了数据支撑。

（2）基于增强随机蕨的安全帽佩戴状态检测研究。提出了一种改进增强随机蕨的算法（IBRFs），该方法将增强随机蕨算法（BRFs）和一种改进的增强策略相结合，构建一个检测精度较高的分类器。首先，借鉴增强随机蕨算法（BRFs）的思想，基于图像 HOG 域，对图像进行特征提取，形成图像特征域；然后，在图像特征域上构建通过二值比较方法构建随机蕨，并选择随机蕨中判别性最强的位置点和参数构建弱分类器；最后，采用增强策略，选择最具判别性的弱分类器，构建最优的安全帽佩戴检测分类器。实验证明，在进行安全帽佩戴任务检测时，本文提出的改进增强随机蕨的算法（

IBRFs）具有较高的检测精度。