基于图像识别的人员安全防护装备检测方法及系统与流程

本发明涉及图像识别。更具体地，本发明涉及基于图像识别的人员安全防护装备检测方法及系统。

背景技术：

1、在煤矿井下进行开采时，会产生大量粉尘，由于粉尘对光有散射、折射和反射等作用，与粉尘作用的光与目标物体反射光混合，造成图像采集设备捕获到图像的清晰度和对比度的大幅下降，从而无法准确地捕获到真实的图像信息，从而无法准确识别不同的人或物体以及判断监控画面图像中的异常情况。尤其是，工作人员的安全检测，如，识别工作人员是否按规定穿戴安全防护设备。因此，需要对采集的图像信息进行去雾处理。

2、在进行图像的去雾处理时，有以下几种技术：

3、其一，通常采用暗通道先验去雾算法去除图像中的烟雾效果。暗通道先验去雾算法是一种常用的图像复原的去雾技术，其具体包括四个步骤：第一步，估计暗通道图；第二步，估计大气光a；第三步，估计透射图；第四步，根据大气散射模型去雾。其中，第一步中估计暗通道图的具体过程为先获取初始暗通道图，之后利用最小值滤波对初始暗通道图进行滤波处理，得到暗通道图。

4、其二，如申请公布号为cn117314760a，名称为“一种煤矿井下图像清晰化复原方法”的专利申请文件，其公开了获取煤矿井下的原图的低频图像，之后利用暗通道先验去雾算法进行图像处理，具体是先获取初始暗通道，再对其通过大窗口的引导滤波进行平滑处理，得到精确暗通道，利用经验公式求取各个像素点的环境光度和环境大气光，进而得到精确透过率，并得到结果图像，获取了清晰的图像。上述方案利用引导滤波代替了最小值滤波对初始暗通道图进行处理。

5、需要说明的是，虽然暗通道先验去雾算法或者改进的暗通道先验去雾算法均能够提高图像清晰度。但是，两种方法均未考虑煤矿中设置的探照灯的光线十分强烈的情况，此时，接近探照灯的图像区域中往往存在大面积明亮区域，该明亮区域的像素值一般都很大，这样容易受到探照灯的干扰，使得难以找到烟雾浓度对应的像素点的灰度值，也即往往会导致获取的暗通道图中的暗区域被压制，使得后续的全局大气光值估计不准确，使得图像去雾后的明亮区域存在失真的情况；因此，上述方案存在去雾效果较差的问题。

6、因此，如何提高图像的去雾效果，进而提高煤矿人员安全防护装备的检测的准确性是尤为重要的。

技术实现思路

1、本发明的目的在于提出基于图像识别的人员安全防护装备检测方法及系统，用以解决现有技术中由于煤矿井下光线强烈的条件下，采用传统的暗通道先验算法进行图像的去雾处理时，去雾效果较差的问题；为此，本发明在如下的两个方面中提供方案。

2、在第一方面中，本发明提供的基于图像识别的人员安全防护装备检测方法，包括：

3、采用改进的暗通道先验去雾算法对采集的煤矿井下的目标图像进行去雾处理，得到结果图像；对所述结果图像进行图像识别，得到识别结果；

4、所述改进的暗通道先验去雾算法中估计暗通道图的过程为：

5、获取所述目标图像的初始暗通道图；

6、获取初始暗通道图中各像素点的滑动窗口，并利用所述滑动窗口对初始暗通道图中对应的像素点进行滤波处理，得到暗通道图；

7、所述滑动窗口的大小为：；为初始窗口的大小，为初始暗通道图中第i个像素点的第一指标，为初始暗通道图中第i个像素点的第二指标，为向上取整函数，exp( )为以自然常数e为底数的指数函数，为设定参数；第一指标与灰度差异负相关，与亮度差异正相关；第二指标与梯度差异正相关；灰度差异、亮度差异以及梯度差异分别表征目标图像中的参考像素点的灰度变化、亮度变化以及梯度变化，参考像素点与第i个像素点的像素位置相同。

8、上述方案通过引入亮度信息和灰度信息，对拍摄的图像中存在的探照灯区域进行判断，而引入梯度信息进一步区分烟雾区域和探照灯区域，进而在后续进行滤波处理时，对属于探照灯区域的像素点的窗口大小进行放大，避免丢失细节信息，提高了滤波的效果，提高了对工作人员的防护装备的识别的准确性。

9、在一个实施例中，所述亮度差异为：将初始暗通道图中任一像素点作为目标像素点；获取以目标像素点为中心点的初始窗口及其邻域窗口；

10、计算与目标像素点对应的参考像素点所在初始窗口及其所有邻域窗口的亮度均值；将初始窗口的亮度均值与最大亮度值的比值作为亮度程度；将初始窗口的局部最大亮度值与亮度均值的差异作为初始不均匀度；将各邻域窗口的局部最大亮度值与对应的亮度均值的差异作为邻域不均匀度；将所有邻域不均匀度的极差作为亮度差值；根据亮度程度、初始不均匀度以及亮度差值，得到亮度差异；所述亮度差异与初始不均匀度正相关，与亮度程度、亮度差值负相关。

11、上述通过对初始暗通道图对应的目标图像的亮度进行分析，能够提取出属于探照灯区域。

12、在一个实施例中，所述亮度差异为：

13、；

14、其中，为初始暗通道图中第i个像素点的亮度差异，为第i个像素点所在初始窗口的亮度程度，为亮度差值，exp( )为以自然常数e为底数的指数函数，为第i个像素点所在初始窗口的初始不均匀度。

15、在一个实施例中，所述灰度差异为横向渐变灰度变化和纵向渐变灰度变化之和的均值；其中，横向渐变灰度变化和纵向渐变灰度变化为：分别对目标图像中的参考像素点所在初始窗口及其所有邻域窗口进行行方向和列方向的划分，其中，目标图像中的参考像素点与目标像素点对应；将同一行方向上的窗口分为一组，得到三组，分别计算各组中所有像素点的灰度均值，并计算任意相邻两组灰度均值的差值绝对值，将两差值绝对值的差异绝对值作为横向渐变灰度变化；将同一列方向上的窗口分为一组，得到三组，分别计算各组中所有像素点的灰度均值，并计算任意相邻两组灰度均值的差值绝对值，将两差值绝对值的差异绝对值作为纵向渐变灰度变化。

16、上述方案中通过分析目标像素点的窗口中同一行和同一列方向的窗口的组合，能够确定同一方向下的像素点的灰度变化情况，从而确定属于探照灯区域的可能性。

17、在一个实施例中，所述第二指标为：

18、；其中，为第i个像素点所在初始窗口的亮度程度，为第i个像素点的梯度差异，，j为邻域窗口的总个数，为目标图像中的像素点的最大梯度值，为第i个像素点所在初始窗口内所有像素点的梯度均值，为第i个像素点所在初始窗口的第j个邻域窗口内所有像素点的梯度均值，exp( )为以自然常数e为底数的指数函数。

19、上述方案提供了一种精确计算第二指标的方法。

20、在一个实施例中，对所述结果图像进行图像识别，得到识别结果的具体过程为：

21、将去雾后的结果图像输入到训练好的目标检测模型中，以识别出未穿戴防护装备的目标人员，并进行提醒。

22、上述中通过利用目标检测模型进行去雾后图像的识别，能够提高识别的效率。

23、在一个实施例中，所述目标检测模型为yolo网络模型。

24、在第二方面中，基于图像识别的人员安全防护装备检测系统，其特征在于，包括：

25、处理器；

26、存储器，其存储有基于图像识别的人员安全防护装备检测的计算机指令，当所述计算机指令由所述处理器运行时，使得系统执行上述的基于图像识别的人员安全防护装备检测方法。

27、本发明的有益效果为：本发明的方案通过引入亮度信息和灰度信息，对拍摄的图像中存在的探照灯区域进行判断，而引入梯度信息进一步区分烟雾区域和探照灯区域，进而在后续进行滤波处理时，对属于探照灯区域的像素点的窗口大小进行放大，避免丢失细节信息，提高了滤波的效果，提高了对工作人员的防护装备的识别的准确性。