施工人员安全帽在线检测技术研究

孙楚怡，王 洋，赵纪元

（沈阳建筑大学信息与控制工程学院，辽宁 沈阳 110168）

近年来，党和国家的大力支持投入建设发展安全建筑生产基础配套设施，全国广大范围内对于加强建筑生产企业的安全设施生产经营管理的新理念也正在逐步深入地进行研究和推广。2019 年上半年，据住房和城乡建设部通报，建筑行业事故发生频率人数总量依旧一直较高。2019 年，全国累计至少发生各类建筑工程建设安全事故773 起、死亡904 人，与2018 年同期相比，事故发生频率人数总量和死亡事故人数总量分别上升了5.31%和7.62%。在各种建筑事故中，因建筑物体高空移动掉落或物体碰撞坠落所造成的死亡事故约占全体建筑工人建筑施工总死亡事故的15.91%。而安全帽保护作为对现场施工者头部进行安全保护的重要装置，不仅可以防止高处移动掉落或碰撞坠落的施工物体造成的伤害，有效减少施工人员可能遇到的危险，还可以降低头部触电风险，从而得到广泛的工业应用。而在日常施工过程中往往疏于切实做好对佩戴安全帽工人佩戴的日常管理，监督不力，就会时常出现各类安全事故。因此，对施工者随时佩戴施工安全帽进行检测已经逐渐成为施工现场的一项重要安全措施。目标检验技术作为当前计算机视觉技术领域的重要研究课题，已经广泛应用于各个领域，在对施工人员安全帽的检测上也有着突出表现。

1 传统的安全帽检测方法

1.1 基于梯度方向直方图（HOG）的安全帽检测

2005 年VPR 上由来自法国巴黎国家学院计算机科学技术与过程控制中心研究法的一位研究员使用Navneeet Dalal和Bill Triggs 在一个短篇文章中首次明确提出了使用HOGS的方法。他们主要把这种识别方式研究应用于能够动态显示地形图的电动行人安全检测上，后来又把它广泛地研究应用于电动安全帽行人检测时的识别中。

周金芝、孟凡辉、曾春等人于2009 年提出了分割人体图像中人体肢干在运动中幅度大小的方法来提取主要特征向量达到剔除不必要信息的目的。石志强等人[2]再次提出HOG 和BLOCK 两种权重的计算方法，引入了权重的概念，通过对BLOCK 的合理选择找到一个人体主要的特征矢量来识别安全帽。但是由于HOG 的一些主要缺点也很突出，它的一个描述子噪点产生的过程比较长，导致整个数据流的传输速度慢、实时性差。而且HOG 本身很难彻底解决其噪点遮挡性的问题，由于它本身是一个属于梯度型的描述性质，这种型的描述子在较大程度上对它的噪点影响是相当敏感的。所以对于检测窗口问题、特殊场景下人体检测、检测速度慢等问题成了主要研究方向。

1.2 基于LBP 的安全帽检测

LBP 最早是由OJALA、PIETIKAINEN 和HARWOOD在1994 年提出的，用来进行纹理特性的提取，并且这种提取形成的特性就是一个图像局部纹理的特性。LBP 是一种性能优越的算法，因其复杂程度低的特点被广泛应用于人脸识别、安全帽检测等领域。

2016 年黄德志[3]通过研究利用RGB 和HSV 的颜色空间，提出了一种基于这些颜色空间进行融合的就不二值模型；然后根据相邻的区域寻找到一个颜色空间与相邻的局部第二值模型，从而增强了提取安全帽与图像内部一些可能的结构联系，提升了包含安全帽特征的整体性，达到了提升对安全帽分类的效果。王芸芸[4]综合考虑局部二值模式的改进算法，提出将ELBP 与离散余弦相结合来进行特征提取的方法，弥补了LBP 的部分缺点。但是LBP 只是在灰度领域上提取特征，同时没有考虑可能存在的空间结构关系问题依然存在。

1.3 基于混合描述子的安全帽检测

SILVA 等人[5]利用 HOG、LBP 和 circle Hough 变换（CHT）等混合描述子提取头盔的边缘、纹理和几何特征，报告准确率为94.23%。此外，SILVA 等人尝试结合小波变换（WT）、HOG 和LBP 特征，该方法的准确率为91.37%。RUBAIYAT 等人结合颜色和CHT 提取特征，该方法的准确率为81.0%。WU 等人利用LBP、Hu 矩不变量（HMI）和颜色直方图（CH）特征，平均准确率为90.3%。

然而，上述方法通常都是基于运动目标和行人检测，遮挡是一个严重的问题。因此，这些方法从一些简单的场景中选择测试样本。同时，这些方法都是近场视频中检测安全头盔的常用方法，无法讨论尺度方差、透视失真、小物体检测等问题。此外，这些方法使用移动目标和行人检测，无法识别安全帽的载体。最后，由于没有具有各种挑战性问题的公共数据集，很难比较和评估这些算法。

2 基于深度学习的安全帽检测

近年来，基于深度学习的算法在目标检测领域运用十分广泛。FANG 等人提出了一种自动非硬帽使用（NHU）检测技术，该技术使用了一种改进的更快的基于区域的卷积神经网络（faster R-CNN）方法，收集了81 000 张具有各种挑战性问题的图像，如比例、遮挡和小物体检测。NHU 工作人员在培训阶段被标记为ground truth，并且在测试阶段被检测到，其余的被确定为背景。该方法的准确率在90.1%～98.4%之间，取决于不同情况的影响。由于该方法只检测NHU 工人，它没有办法识别在现场代表不同角色的安全帽颜色，同时基于行人检测的方法无法识别安全帽的载体，存在遮挡问题，该算法还在改进中。

KRIZHEVSKY、SUTSKEVER 和HINTON 训练了一种深度卷积神经网络用于ImageNet 分类，他们的工作促进了深度学习方法的发展，该方法已经在许多科学领域得到应用，特别是在目标检测方面。一方面，更快的R-CNN、you only look once（YOLO）、single shot detector（SSD）目前被广泛用于物体检测。但是，目前没有公共的、广泛的数据集来培养一个良好的头盔检测模型，因此直接利用这些模型进行头盔检测是不现实的。相反，人脸检测是人工智能研究中最成功的领域之一，其主要原因之一是为训练高级人脸检测模型积累各种具有挑战性的数据集。在人脸检测模型的启发下，提出了一种基于人脸边界盒回归的安全帽边界盒算法，该算法可以根据人脸检测结果生成安全帽边界盒。另一方面，上述方法属于通用的目标检测模型，因此被广泛应用于行人检测、人脸检测等领域。但是在人脸检测中，存在着特征学习、缺失设计和锚点匹配等问题。

然而，新的研究表明，基于多尺度的特征更适合检测微小物体。例如，自顶向下结构的特征金字塔网络利用了所有具有高级语义信息的尺度。基于特征金字塔网络的PyramidBox 显著提高了目标检测。双镜头人脸检测器（DSFD）考虑层信息和锚点之间的上下文关系来增强特征。此外，DSFD 采用渐进性锚点丢失（PAL）改进了传统的锚点丢失函数，在数据扩充中充分考虑了随机采样，使锚点匹配效果更好。

3 总结与展望

随着工业现代化发展，各行各业对施工现场施工人员安全问题愈加重视。针对其中对施工人员安全帽佩戴检测的问题，本文叙述了传统目标检测和深度学习目标检测的国内外检测进程及基于深度学习的安全帽检测现状。基于上文叙述情况看，基于深度学习的安全帽检测还存在着不足。当施工现场工作人员身穿工作服颜色与安全帽相同时，检测相对困难，后续可考虑进行双重检测。且对施工人员的安全帽检测应具有实时性，目前的安全帽检测算法皆主要侧重于精度检测，在检测速度上还未到达实时性级别，应做相关改进以贴近工业化要求。