本法發(fā)明涉及智能視頻監(jiān)控領(lǐng)域。

背景技術(shù)：

隨著變電站場所工作人員安全事故的頻繁發(fā)生，作業(yè)人員安全帽檢測，跟蹤報(bào)警對(duì)于電力行業(yè)的安全生產(chǎn)意義重大，必須需求一種有效的監(jiān)測方法，對(duì)于變電站場所作業(yè)人員未佩戴安全帽就上崗作業(yè)的現(xiàn)象及時(shí)發(fā)現(xiàn)并報(bào)警。電力行業(yè)作為經(jīng)濟(jì)發(fā)展的生命線，變電站作為電力生產(chǎn)的重要環(huán)節(jié)，國家對(duì)于變電站安全工作日益重視，監(jiān)控力度不斷加大。全國大部分變電站場所均已經(jīng)采用相應(yīng)的監(jiān)控措施，有效的遏制了重大安全事故的發(fā)生。目前，變電站場所作業(yè)人員安全帽佩戴監(jiān)控情況，主要依靠視頻監(jiān)測技術(shù)。管理人員通過監(jiān)控系統(tǒng)可以在調(diào)度中心看到變電站視頻監(jiān)控現(xiàn)場的實(shí)時(shí)場景圖像，這樣既能直觀監(jiān)視和記錄現(xiàn)場的安全生產(chǎn)情況，也能為事后事故發(fā)生分析提供有效的資料；同時(shí)變電站監(jiān)視系統(tǒng)的實(shí)施使得變電站可以實(shí)現(xiàn)真正意義上的無人值守，為實(shí)現(xiàn)減員增效、電網(wǎng)可視化監(jiān)控和調(diào)度提供了有力保障，使電網(wǎng)運(yùn)行更為安全、可靠。但是，目前無人值守變電站監(jiān)視系統(tǒng)雖然具有監(jiān)控報(bào)警功能，卻主要集中于傳感器的報(bào)警分析，視頻檢測多為輔助手段在使用過程中，監(jiān)控人員需要不停地觀測場景畫面，通過解釋獲得的視頻信息做出相應(yīng)的決策。監(jiān)控人員長時(shí)間處于這種工作狀態(tài)，容易產(chǎn)生注意力下降，以致丟失應(yīng)有的報(bào)警信息；當(dāng)同時(shí)觀測多個(gè)監(jiān)控器時(shí)，幾乎無法做到全面完整的監(jiān)控。如果監(jiān)控人員因故暫時(shí)離開，而這時(shí)有現(xiàn)場作業(yè)人員未佩戴安全帽，就無法及時(shí)發(fā)現(xiàn)，監(jiān)控就失去了意義。

目前針對(duì)安全帽的檢測技術(shù)還比較少，有人提出采集變電站專用的安全帽樣本和未佩戴安全帽的樣本將其轉(zhuǎn)化為HSV顏色空間，求取樣本HSV顏色空間中V通道顏色直方圖，通過比較正負(fù)樣本統(tǒng)計(jì)直方圖的差別，實(shí)現(xiàn)對(duì)安全帽的識(shí)別。這種方法的缺點(diǎn)：在檢測安全帽的顏色閥值固定，無法自適應(yīng)；當(dāng)環(huán)境較差時(shí)，光照較暗時(shí)，利用顏色識(shí)別誤報(bào)較多，效果較差。也有人提出手動(dòng)采集正負(fù)樣本，然后利用提取Haar特征與SVM或Adaboost分類器進(jìn)行融合的方法，對(duì)幀圖像進(jìn)行安全帽的識(shí)別，但是這種方法樣本的選取對(duì)最終檢測效果有較大的影響。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的提供了一種基于HSV顏色空間特征、Haar特征、Adaboost級(jí)聯(lián)分類器融合的安全帽檢測的方法，對(duì)變電站現(xiàn)場的異常運(yùn)動(dòng)目標(biāo)和未佩戴安全帽的工作人員及時(shí)報(bào)警，通過該方法，解決目前安全帽識(shí)別效率較低的問題。

為實(shí)現(xiàn)本發(fā)明目的而采用的技術(shù)方案是這樣的，一種基于視頻分析的變電站工人安全帽佩戴檢測方法，其特征在于，包括以下步驟:

1)準(zhǔn)備正負(fù)樣本：

正樣本采集：采集安全帽正樣本圖片并歸一化，尺寸統(tǒng)一為W×H；負(fù)樣本采集：采集實(shí)際場景的圖像；

2)特征提取:

2-1)對(duì)所采集的安全帽視頻圖像進(jìn)行預(yù)處理，預(yù)處理包括:光照預(yù)處理、噪聲濾波處理；

理以及幾何歸一化和尺度歸一化處理；

2-2)采用邊緣特征中的兩矩形特征來表述安全帽，定義邊緣特征的特征值為白色矩形像素和減去黑色矩形像素和；

2-3)構(gòu)造W×H大小的檢測窗口,對(duì)于大小為2×1的邊緣矩陣特征，在窗口內(nèi)水平可滑動(dòng)W-1步，垂直滑動(dòng)H步，即共有(W-1)×H個(gè)矩陣特征；對(duì)于大小為1×2的邊緣矩陣特征，特征個(gè)數(shù)為H×(W-1)；對(duì)于兩種邊緣矩陣特征，沿水平、豎直方向分別放大，2×1的邊緣特征延水平方向放大為：i×1，i＝4、6、8、...，W；豎直方向可放大為：2×j，j＝1、2、3、...、H。即每個(gè)特征有X×Y種放大方式,對(duì)新的特征矩陣，計(jì)算檢測窗口內(nèi)矩陣特征個(gè)數(shù)為：

其中，W×H為檢測窗口，w×h為邊緣矩陣特征大小，和分別表示矩形特征在水平和垂直方向能放大的最大比例系數(shù)；

2-4)利用積分圖思想計(jì)算由兩種邊緣矩陣特征組合的各種矩陣特征的特征值，生成Haar特征向量矩陣[a₁,a₂,…,a_n]∈R^m×n,n為Haar特征維數(shù)；

2-5)將正負(fù)樣本圖片從RGB顏色空間轉(zhuǎn)化為HSV顏色空間，生成正負(fù)樣本集的3維特征向量矩陣[b₁,b₂,b₃]∈R^m×3；

2-6)融合Haar特征和HSV顏色特征生成最終特征向量矩陣[a₁,a₂,…,a_n,b₁,b₂,b₃]∈R^m×n'，n'為特征維數(shù)

3)Adaboost算法是通過建立多層次級(jí)聯(lián)的篩選分類器，將候選檢測窗口依次通過檢測器，最終將安全帽正樣本與非安全帽負(fù)樣本分開。每一層都為一個(gè)強(qiáng)分類器，而每一個(gè)強(qiáng)分類器都是由若干個(gè)弱分類器構(gòu)成，因此安全帽Adaboost檢測分類器的訓(xùn)練步驟：

3-1)以步驟1)采集的正負(fù)樣本集為輸入，計(jì)算并獲得正負(fù)樣本集中特征向量矩陣；所述特征向量矩陣中的每個(gè)特征向量對(duì)應(yīng)一個(gè)基本弱分類器，使用Adaboost算法挑選出最優(yōu)弱分類器，具體過程如下：

A給定訓(xùn)練正負(fù)樣本集N，T為訓(xùn)練的迭代次數(shù)；

B初始化樣本權(quán)重為1/N，即為訓(xùn)練樣本的初始概率分布；

C第一輪迭代，步驟如下：

a)根據(jù)訓(xùn)練樣本的概率分布，針對(duì)每一個(gè)特征向量f訓(xùn)練一個(gè)弱分類器；

b)計(jì)算基本弱分類器的分類錯(cuò)誤率；

c)計(jì)算分類錯(cuò)誤率最小的弱分類器，即為最優(yōu)弱分類器

D提高被誤判的樣本的權(quán)重，即更新樣本權(quán)重，繼續(xù)迭代；T輪迭代后，得到T個(gè)最優(yōu)弱分類器；每輪迭代生成一個(gè)最優(yōu)弱分類器G_t(x)；

①計(jì)算第t輪迭代樣本集中誤分類的樣本的分類誤差r累積和e_t，t＝1、2……T；

②計(jì)算第t輪最優(yōu)弱分類器G_t(x)在最終強(qiáng)分類器中所占權(quán)重比α_t：

③第t輪迭代后更新訓(xùn)練數(shù)據(jù)集權(quán)重得到樣本新的概率分布D_t+1，用于下一輪迭代，其中

D_t+1＝(w_t+1,1，w_t+1,2...w_t+1,N)

其中w_t+1,i是更新的樣本權(quán)重，Z_t是規(guī)范因子：

E組合T個(gè)最優(yōu)弱分類器組成強(qiáng)分類器，組合方式如下：

其中G(x)為強(qiáng)分類器,α_t表示G_t(x)在最終分類器中的重要程度，G_t(x)是得到的T個(gè)基本最優(yōu)弱分類器中的第t個(gè)；

3-2)最終級(jí)聯(lián)分類器算法步驟如下：

Step1:設(shè)定級(jí)聯(lián)分類器的層數(shù)為S,設(shè)定每層強(qiáng)分類器最小檢測率d，最大誤識(shí)率f,級(jí)聯(lián)分類器的目標(biāo)誤識(shí)率F，級(jí)聯(lián)分類器檢測率為D_i，級(jí)聯(lián)分類器的誤檢率為F_i，其中i為級(jí)聯(lián)分類器的層數(shù)；；

Step2:P＝安全帽訓(xùn)練正樣本，N＝安全帽訓(xùn)練負(fù)樣本；

Step3:初始化訓(xùn)練層數(shù)i＝1，D₁＝1.0，F(xiàn)₁＝1.0

Step4:循環(huán)迭代；

采用Adaboost算法訓(xùn)練包含n_i個(gè)最終矩形特征的第i層強(qiáng)分類器；調(diào)整第i層強(qiáng)分類器閾值使當(dāng)前層誤識(shí)率F_i小于f×F_i-1，檢測率D_i大于d×D_i-1,i＝1、2……S；如果第i層強(qiáng)分類器的誤識(shí)率F_i大于F,并將該層分類器對(duì)樣本圖像進(jìn)行檢測錯(cuò)誤的負(fù)樣本歸入N；

Step5:如果第i層強(qiáng)分類器的誤識(shí)率F_i大于F或者級(jí)聯(lián)分類器的層數(shù)i達(dá)到S層，迭代結(jié)束

4)作業(yè)人員定位：

4-1)在變電站作業(yè)區(qū)域布置若干網(wǎng)絡(luò)攝像頭，利用攝像頭獲取作業(yè)區(qū)域視頻幀圖像

4-2)利用運(yùn)動(dòng)目標(biāo)檢測算法，檢測視頻圖像作業(yè)人員運(yùn)動(dòng)目標(biāo)，并用矩形框標(biāo)定運(yùn)動(dòng)目標(biāo)區(qū)域；

4-3)根據(jù)作業(yè)人員長寬比和像素面積，獲取步驟4-2)中矩形框區(qū)域圖像上部分區(qū)域，然后將該上部分區(qū)域圖像由RGB模型轉(zhuǎn)為HSV模型；

4-4)設(shè)定安全帽顏色在HSV空間模型中取值范圍閾值，將HSV模型下安全帽顏色標(biāo)準(zhǔn)取值范圍轉(zhuǎn)換為Opencv函數(shù)庫中HSV模型安全帽顏色取值范圍，以適應(yīng)具體應(yīng)用過程；

4-5)根據(jù)安全帽顏色在HSV模型下取值范圍，對(duì)4-3)中獲取的HSV模型圖像進(jìn)行二值化，然后經(jīng)過形態(tài)學(xué)腐蝕和膨脹，消除無關(guān)的區(qū)域。最后在二值圖中尋找連通域，如果找到了連通域，就說明在待檢測區(qū)域中存在目標(biāo)顏色區(qū)域；若不存在，說明運(yùn)動(dòng)目標(biāo)沒有佩戴安全帽，則報(bào)警提示；

5)獲取4-5)中檢測到目標(biāo)顏色的矩形框區(qū)域圖像，提取該區(qū)域圖像Haar特征與HSV顏色空間特征，送入到步驟3)獲得的最終級(jí)聯(lián)分類器；采用動(dòng)態(tài)滑動(dòng)窗口方式對(duì)矩形框目標(biāo)區(qū)域進(jìn)行特征匹配檢測，判別作業(yè)人員是否佩戴安全帽(如果特征匹配，則判斷作業(yè)人員佩戴了安全帽，否則，報(bào)警提示)。

本發(fā)明的技術(shù)效果是毋庸置疑的，針對(duì)傳統(tǒng)的監(jiān)視系統(tǒng)在安全帽檢測上的不足，選用一種視覺背景提取算法(VIBE)獲取移動(dòng)前景目標(biāo)，然后基于正常人員邊緣輪廓長寬比閾值(1/3)和作業(yè)人員像素面積閾值([1000，10000])，初步定位安全帽區(qū)域，然后將安全帽區(qū)域轉(zhuǎn)化為HSV顏色空間，根據(jù)實(shí)際中紅藍(lán)白安全帽HSV顏色空間閾值范圍，進(jìn)一步定位安全帽目標(biāo)矩形區(qū)域并分割該矩形區(qū)域，對(duì)分割出的安全帽區(qū)域圖像提取Haar特征與HSV顏色特征進(jìn)行融合，送入到利用Adaboost算法訓(xùn)練好的安全帽分類器進(jìn)行特征匹配，實(shí)現(xiàn)對(duì)安全帽的檢測。這種方法不僅能及時(shí)發(fā)現(xiàn)特定區(qū)域的異常運(yùn)動(dòng)目標(biāo)，還可以實(shí)時(shí)檢測未佩戴安全帽的工作人員并進(jìn)行及時(shí)報(bào)警。實(shí)驗(yàn)證明，這種方法較傳統(tǒng)的方法在識(shí)別率和誤報(bào)率上都有了較大的提升，并且魯棒性較好。

附圖說明

圖1為本發(fā)明實(shí)施例提供計(jì)算邊緣矩陣特征值積分圖

圖2為本發(fā)明實(shí)施例提供安全帽邊緣特征模板圖

圖3為本發(fā)明實(shí)施例提供安全帽識(shí)別整體流程圖

圖4為本發(fā)明實(shí)施例提供安全帽識(shí)別分類器訓(xùn)練流程圖

圖5為本發(fā)明實(shí)施例提供基于VIBE算法的人員目標(biāo)檢測效果圖

圖6為本發(fā)明實(shí)施例提供基于VIBE算法的人員目標(biāo)檢測流程圖

圖7為本發(fā)明實(shí)施例提供的安全帽檢測流程圖

圖8為本發(fā)明實(shí)施例提供安全帽識(shí)別效果圖。

具體實(shí)施方式

下面結(jié)合實(shí)施例對(duì)本發(fā)明作進(jìn)一步說明，但不應(yīng)該理解為本發(fā)明上述主題范圍僅限于下述實(shí)施例。在不脫離本發(fā)明上述技術(shù)思想的情況下，根據(jù)本領(lǐng)域普通技術(shù)知識(shí)和慣用手段，做出各種替換和變更，均應(yīng)包括在本發(fā)明的保護(hù)范圍內(nèi)。

一種基于視頻分析的變電站工人安全帽佩戴檢測方法，包括以下步驟:

1)準(zhǔn)備正負(fù)樣本:

正樣本采集：安全帽正樣本并歸一化且少含有背景，負(fù)樣本采集變電站環(huán)境下不包含安全帽的背景圖片；尺寸統(tǒng)一為W×H＝24×24；負(fù)樣本采集：采集變電站實(shí)際場景的圖像，負(fù)樣本不需要縮放，但大于正樣本的尺寸；正負(fù)樣本的比例1:2～1:3為佳，并生成正樣本描述文件pos.vec。

2)特征提取:

2-1)對(duì)所采集的安全帽視頻圖像進(jìn)行預(yù)處理，預(yù)處理包括:光照預(yù)處理、噪聲濾波處

理以及幾何歸一化和尺度歸一化處理；；

2-2)采用Haar特征的邊緣特征表述安全帽，定義邊緣特征的特征值為白色矩形像素和減去黑色矩形像素和；實(shí)施例中，采用邊緣特征中的兩矩形特征(如圖2)來表述安全帽的，矩形特征的特征值為白色矩形像素和減去黑色矩形像素和；

2-3)計(jì)算Haar特征個(gè)數(shù)：

構(gòu)造W×H＝24×24大小的檢測窗口,對(duì)于大小為2×1的邊緣矩陣特征，在窗口內(nèi)水平可滑動(dòng)W-1步，垂直滑動(dòng)H步，即共有(W-1)×H個(gè)特征；對(duì)于大小為1×2的邊緣特征，特征個(gè)數(shù)為H×(W-1)；對(duì)于兩種邊緣特征，沿水平、豎直方向分別放大生成新的矩陣特征，2×1 的邊緣特征延水平方向可放大為：i×1，i＝4、6、8、...，W；豎直方向可放大為：2×j，j＝1、2、3、...、H；1×2的邊緣特征，延水平方向可放大為：2×i，i＝1、2、3、...、W；豎直方向可放大為：i×1，i＝4、6、8、...，H，即每個(gè)特征有X×Y種放大方式,對(duì)每種新的矩陣特征，重新計(jì)算檢測窗口內(nèi)矩陣特征個(gè)數(shù)：

其中，W×H為檢測窗口大小，w×h為邊緣特征大小，取值為2×1和1×2，和分別表示矩形特征在水平和垂直方向的能放大的最大比例系數(shù)；通過檢測窗口滑動(dòng)方式計(jì)算每個(gè)樣本圖片的矩形特征個(gè)數(shù)86400個(gè)；

2-4)利用積分圖思想計(jì)算由兩種邊緣矩陣特征組合的各種矩陣特征的特征值，具體過程如下：

a)積分圖的概念如圖1(a)所示,坐標(biāo)A(x,y)的積分圖是其左上角的所有像素之和(圖中的陰影部分)，公式為

其中ii(x,y)表示積分圖像素值和，i(x',y')表示原始灰度圖像像素值，s(x,y)表示點(diǎn)(x,y)的y方向的所有原始圖像之和；則圖1的積分圖通過遞歸公式計(jì)算如下:

S(x,y)＝S(x,y-1)+i(x,y)

ii(x,y)＝ii(x-1,y)+S(x,y)

b)本例利用積分圖計(jì)算可以快速計(jì)算任意矩形圖像區(qū)域特征值如圖1(b)所示，

方法如下：

區(qū)域D的像素值＝ii(4)+ii(1)-ii(2)-ii(3)

其中ii(1)表示區(qū)域A的像素值，ii(2)表示區(qū)域A+B的像素值和，ii(3)表示區(qū)域A+C的像素值和，ii(4)表示區(qū)域A+B+C+D的像素值和；由此可知一個(gè)區(qū)域的像素值，可以由該區(qū)域的端點(diǎn)的積分圖來計(jì)算，下面以圖1中邊緣矩形特征1×2、2×1為例說明特征值的計(jì)算：

針對(duì)1×2的邊緣特征如圖1(c)所示，其特征值計(jì)算方法為：

區(qū)域A與B的像素值差＝[ii(5)-ii(4)]+[ii(3)-ii(2)]

-[ii(2)-ii(1)]-[ii(6)-ii(5)]

針對(duì)2×1的邊緣特征如圖1(d)所示，其特征值計(jì)算方法為：

區(qū)域A與B的像素值差＝[ii(4)-ii(3)]-[ii(2)-ii(1)]

+[ii(4)-ii(3)]-[ii(6)-ii(5)]

當(dāng)對(duì)圖像進(jìn)行多尺度檢測時(shí)，仍舊能夠使用如圖1(a)積分圖思

想進(jìn)行計(jì)算，因此，整個(gè)圖像的檢測過程只需對(duì)原圖掃描一次，

便能夠方便快捷地進(jìn)行1×2、2×1邊緣矩形特征的所有擴(kuò)展矩形

特征的特征值求解，極大地提高了檢測的速度。

c)生成Haar特征向量矩陣[a₁,a₂,…,a_n]∈R^m×n,n為Haar特征維數(shù)；

2-5)提取HSV顏色空間特征

將正負(fù)樣本圖片從RGB模型圖像轉(zhuǎn)化為HSV模型圖像，其中，HSV(Hue,Saturation,Value)是根據(jù)顏色的直觀特性描述的一種顏色空間稱六角錐體模型色調(diào)(H)，計(jì)算樣本集HSV顏色空間像素值；生成基于HSV的3維向量[b₁,b₂,b₃]∈R^m×3；

2-6)融合Haar特征和HSV顏色特征生成最終特征向量矩陣[a₁,a₂,…,a_n,b₁,b₂,b₃]∈R^m×n'，n'為特征維數(shù)

3)Adaboost算法是通過建立多層次級(jí)聯(lián)的篩選分類器，將候選檢測窗口依次通過檢測器，最終將安全帽正樣本與非安全帽負(fù)樣本分開。每一層都為一個(gè)強(qiáng)分類器，而每一個(gè)強(qiáng)分類器都是由若干個(gè)弱分類器構(gòu)成，因此安全帽Adaboost檢測分類器的訓(xùn)練步驟：

3-1)以步驟1)采集一系列安全帽訓(xùn)練樣本(x₁,y₁),(x₂,y₂),…,(x_n,y_n)為輸入,其中y_i＝-1表示其為非安全帽負(fù)樣本，y_i＝1表示為安全帽正樣本，本例中訓(xùn)練樣本個(gè)數(shù)為N＝4200個(gè)，其中正樣本1200個(gè)，負(fù)樣本3000個(gè)，計(jì)算并獲得正負(fù)樣本集中特征向量矩陣；每一個(gè)特征向量f對(duì)應(yīng)一個(gè)弱分類器h(x,f,p,θ)：

其中f為特征，θ為區(qū)分正負(fù)樣本的臨界值，p指示不等式的方向，x代表一個(gè)檢測子窗口。如果一個(gè)弱分類器區(qū)分安全帽正負(fù)樣本其正確率高于50％，則為有效弱分類器，而實(shí)驗(yàn)結(jié)果表明，安全帽圖像中絕大部分Haar特征對(duì)于識(shí)別安全帽正負(fù)樣本的能力都很微弱。

3-2)使用Adaboost算法挑選出最優(yōu)弱分類器，具體過程如下：

A.根據(jù)給定的正負(fù)訓(xùn)練樣本集N，T為訓(xùn)練的迭代次數(shù)；

B.初始化樣本權(quán)重為1/N，即為訓(xùn)練樣本的初始概率分布:

C.第一輪迭代，步驟如下：

a)根據(jù)訓(xùn)練樣本的概率分布D₁，針對(duì)每一個(gè)特征向量f訓(xùn)練一個(gè)弱分類器；

b)計(jì)算每個(gè)弱分類器的分類錯(cuò)誤率，獲取最優(yōu)弱分類器步驟如下：

Step1:對(duì)于每個(gè)特征向量f，計(jì)算所有訓(xùn)練樣本的特征值，并將其排序。

Step2:掃描排好序的特征值，對(duì)排好序的表中的每個(gè)元素，計(jì)算下面四個(gè)值：

I.全部正樣本的權(quán)重的和t1；

II.全部負(fù)樣本的權(quán)重的和t0；

III.在此元素之前的正樣本的權(quán)重的和s1；

IV.在此元素之前的負(fù)樣本的權(quán)重的和s0；

Step3:求得每個(gè)元素的安全帽分類誤差：

r＝min((s1+(t0-s0)),(s1+(t1-s1))

Step4:在表中尋找使r值最小的元素作為最優(yōu)閾值構(gòu)成最優(yōu)弱分類器；

c)更新樣本權(quán)重，進(jìn)行下一輪迭代；直到T輪迭代后，得到T個(gè)最優(yōu)弱分類器，其中迭代次數(shù)T與每階段分類器最小的檢測率、每個(gè)階段分類器的最大誤報(bào)率相關(guān)；

①對(duì)于每輪迭代生成的最優(yōu)弱分類器G_t(x)誤分類樣本的分類誤差r累積和e_t，t＝1、2……T,得到最優(yōu)弱分類器G_t(x)在最終強(qiáng)分類器中所占權(quán)重比α_t：

上述式子可知，時(shí)，α_t隨著e_t的減小而增大，分類誤差率越小的基本分類器在最終分類器作用越大。

②每輪迭代后更新訓(xùn)練數(shù)據(jù)集權(quán)重得到樣本新的概率分布D_t+1，用于下一輪迭代，其中

D_t+1＝(w_t+1,1，w_t+1,2...w_t+1,N)

使得被弱分類器誤分類樣本的權(quán)重增大，而被正確分類樣本的權(quán)重減小，其中w_t+1,i是更新的樣本權(quán)重，Z_t是規(guī)范因子：

3-3)組合T個(gè)最優(yōu)弱分類器組成強(qiáng)分類器，組合方式如下：

G(x)為強(qiáng)分類器,α_t表示G_t(x)在最終分類器中的重要程度，G_t(x)是得到的T個(gè)基本最優(yōu)弱分類器中的第t個(gè)，R為手動(dòng)設(shè)定滿足正樣本錯(cuò)誤率的閾值；所以G(x)的置信度為：|G(x)|；

3-4)為了進(jìn)一步的提高檢測效率滿足實(shí)時(shí)檢測的要求，Viola等提出一種多層次級(jí)聯(lián)的強(qiáng)分類器。級(jí)聯(lián)強(qiáng)分類器是通過將分類正確率最高的N個(gè)的強(qiáng)分類器串聯(lián)而形成的一種分類器，如圖3所示。其中，每一層均是經(jīng)過Adaboost算法訓(xùn)練出來的強(qiáng)分類器，最終級(jí)聯(lián)分類器算法步驟如下：

Step1:設(shè)定級(jí)聯(lián)分類器的層數(shù)為S,設(shè)定每層強(qiáng)分類器最小檢測率d，最大誤識(shí)率f,級(jí)聯(lián)分類器的目標(biāo)誤識(shí)率F，級(jí)聯(lián)分類器檢測率為D_i，級(jí)聯(lián)分類器的誤檢率為F_i，其中i為級(jí)聯(lián)分類器的層數(shù)；

Step2:P＝安全帽訓(xùn)練正樣本，N＝安全帽訓(xùn)練負(fù)樣本；

Step3:初始化訓(xùn)練層數(shù)i＝1，D₁＝1.0，F(xiàn)₁＝1.0

Step4:循環(huán)迭代；

采用Adaboost算法訓(xùn)練包含n_i個(gè)最終矩形特征的第i層強(qiáng)分類器；調(diào)整第i層強(qiáng)分類器閾值使當(dāng)前層誤識(shí)率F_i小于f×F_i-1，檢測率D_i大于d×D_i-1,i＝1、2……S；如果第i層強(qiáng)分類器的誤識(shí)率F_i大于F,并將該層分類器對(duì)樣本圖像進(jìn)行檢測錯(cuò)誤的負(fù)樣本歸入N；

Step5:如果第i層強(qiáng)分類器的誤識(shí)率F_i大于F或者級(jí)聯(lián)分類器的層數(shù)i達(dá)到S層，迭代結(jié)束

4)作業(yè)人員定位：

4-1)在變電站作業(yè)區(qū)域布置若干網(wǎng)絡(luò)攝像頭，利用攝像頭獲取作業(yè)區(qū)域視頻幀圖像

4-2)利用運(yùn)動(dòng)目標(biāo)檢測算法，檢測視頻圖像作業(yè)人員運(yùn)動(dòng)目標(biāo)，并用矩形框標(biāo)定運(yùn)動(dòng)目標(biāo)區(qū)域，具體步驟如下：

a)輸入步驟4-1)中獲取的變電站環(huán)境下的視頻幀圖像

b)采用中值濾波對(duì)原始圖像進(jìn)行濾波，排除高頻噪聲的影響?？紤]到幀與幀之間的抖動(dòng)可以依靠vibe算法默認(rèn)領(lǐng)域相關(guān)的假設(shè)消除部分輕微抖動(dòng)造成的影響

c)采用VIBE算法檢測移動(dòng)前景目標(biāo)步驟步驟如下：

Step1模型初始化：采用變電站攝像頭中一幀圖像進(jìn)行初始化。Vibe算法在幀圖像中每一個(gè)像素的m鄰域范圍內(nèi)隨機(jī)抽取N個(gè)像素值作為當(dāng)前像素的模型樣本值。每一個(gè)像素模型由N個(gè)像素值構(gòu)成：

M＝{M₁,M₂…M_n}

這種利用相近像素點(diǎn)間擁有相近的時(shí)空分布特性可以有效的克服ViBe算法初始化重復(fù)采樣問題。

Step2前景提取

建立了背景模型后，對(duì)每一幀新的圖像就可以依據(jù)判定準(zhǔn)則進(jìn)行前景/背景的分割。具體的分割方法為：將新圖像中的每一個(gè)像素與它所對(duì)應(yīng)的N個(gè)樣本值進(jìn)行像素間的距離計(jì)算。設(shè)背景模型中N個(gè)樣本的集合為M{M1,m2…Mn}，而N個(gè)樣本中與當(dāng)前像素值x的距離小于一個(gè)設(shè)定閾值r的樣本集合為#{#1，#2…#n}。統(tǒng)計(jì)M與#交集的個(gè)數(shù)P，如果交集個(gè)數(shù)足夠大則認(rèn)為是背景。顯示了采用二維空間距離的前景判定方法。

P＝M∩#,M＝{M₁,M₂…M_n},#＝{#₁,#₂…}

這里采用自適應(yīng)閾值，由于變電站中背景相對(duì)穩(wěn)定，對(duì)處理動(dòng)態(tài)背景的需求不高，性能主要集中在對(duì)陰影、漸變光照、遮擋等問題的處理能力。對(duì)漸變光照和遮擋問題我們采用變化的閾值：根據(jù)不同的時(shí)間段，統(tǒng)計(jì)全局光照變化，根據(jù)全局光照得到動(dòng)態(tài)閾值r。這種根據(jù)先驗(yàn)知識(shí)的調(diào)整策略更具魯棒性。初始設(shè)置閾值r，并統(tǒng)計(jì)全局灰度G0，每個(gè)一段時(shí)間統(tǒng)計(jì)新的全局灰度值Gt，更根據(jù)全局灰度變化對(duì)r進(jìn)行調(diào)整。公式如下：

r＝r(G^t/G⁰)

step3背景更新以及鄰域擴(kuò)散

背景更新：在被確認(rèn)是背景的像素，使用隨機(jī)選擇的策略來確定時(shí)候進(jìn)行更新，這種隨機(jī)策略在實(shí)驗(yàn)驗(yàn)證中得到了極佳的效果。隨機(jī)在N個(gè)樣本中選擇一個(gè)樣本替換為當(dāng)前像素的像素值；

鄰域擴(kuò)散：當(dāng)某像素x被認(rèn)為是背景時(shí)候，在他周圍m鄰域內(nèi)也隨即選擇一個(gè)像素進(jìn)行更新。在這個(gè)被選中的鄰域像素的N個(gè)樣本中隨機(jī)抽取一個(gè)樣本替換為x的像素值。

這種隨機(jī)策略確保了每一個(gè)像素存在的時(shí)間更符合一定的概率分布，而不是像之前算法中的每一個(gè)樣本都保存固定的時(shí)間。此外，由于并不是對(duì)所有背景像素進(jìn)行更新，所以這算法的速度得到了極大的提高。

4-3)根據(jù)作業(yè)人員高寬比大于1/3和像素面積范圍([1000，10000])從步驟4-2)中分割目標(biāo)區(qū)域靠近頭部三分之一矩形區(qū)域

4-4)設(shè)定安全帽顏色在HSV空間模型中取值范圍閾值,將HSV模型下安全帽顏色標(biāo)準(zhǔn)取值范圍轉(zhuǎn)換為Opencv函數(shù)庫中HSV模型安全帽顏色取值范圍，以適應(yīng)具體應(yīng)用過程；

4-5)將4-3)中獲得的矩形區(qū)域的RGB圖像轉(zhuǎn)化為HSV顏色空間圖像；紅藍(lán)白HSV顏色空間閾值范圍在Opencv庫中顏色識(shí)別的取值范圍為：

藍(lán)色安全帽:H:100-124；S:43-255；V:46-255

白色安全帽:H:0-180；S:0-30；V:221-255

紅色安全帽:H:0-10||156-180；S:43-255；V:46-255

4-6)根據(jù)安全帽顏色在HSV模型下取值范圍，對(duì)4-5)中獲取的HSV模型圖像進(jìn)行二值化，然后經(jīng)過形態(tài)學(xué)腐蝕和膨脹，消除無關(guān)的區(qū)域。最后在二值圖中尋找連通域，如果找到了連通域，就說明在待檢測區(qū)域中存在目標(biāo)顏色區(qū)域；若不存在，說明運(yùn)動(dòng)目標(biāo)沒有佩戴安全帽，則報(bào)警提示；

5)保存4-6)中檢測到目標(biāo)顏色的矩形框區(qū)域圖像，提取該區(qū)域圖像Haar特征與HSV顏色空間特征，送入到步驟3-4)獲得的最終級(jí)聯(lián)分類器；采用動(dòng)態(tài)滑動(dòng)窗口方式對(duì)所述目標(biāo)顏色的矩形框區(qū)域進(jìn)行特征匹配檢測，判別作業(yè)人員是否佩戴安全帽(如果特征匹配，則判斷作業(yè)人員佩戴了安全帽，否則，報(bào)警提示)。