基于OpenCV的安全帽佩戴识别的分析与实践-洪萨配资

三、安全帽佩戴识别的设计

3.1、实现思路
本次实验主要是要实现安全帽的佩戴识别，在实现识别的基础上验证安全帽佩戴的可行性，设计了基于安全帽识别的两个系统，动态监测系统和联动门禁系统。
实现安全帽佩戴的识别的实现步骤：
1、导入被识别图片；
2、将图片降噪，灰度化；
3、调用安全帽分类器进行计算；
4、输出结果。

图3-1安全帽识别流程
动态检测系统的实现思路:
获得视频源；
1.对视频进行行人识别，获得视频中的行人图片；
2.对获得的行人图片进行灰度化；
3.对灰度化的图片进行安全帽识别；
4.得到结果。

图3-2动态监测的流程图

四、制作安全帽分类器

分类器是整个安全帽识别的基石，在前文说过现代的图像识别的原理便是通过事先准备好的特征库，让机器对图像与特征库里的特征进行匹配比较，从而进行判断。分类器就是我们这次实验的特征库，通过对正负样本的处理，获取安全帽的特征，制作成本次实验的安全帽分类器。

图4-1训练分类器流程图
4.1、获取样本
样本的获取有很多种方法，从网上寻找图片下载、获取别人的数据集、从视频中分解出图片等等其最终的目的都是获取大量的相关图片。关于样本，这里还分为两种，一种是实验所要识别的物品的图片，称之为正样本；另一种为不包含实验所要识别的物品的图片，即负样本。对于正样本，他所展示的实验识别物品需要尽量的多样化，不要只收集实验物品的正面图片，单一环境的图片，尽可能地拥有各种可能性下出现的物品状态的图片。如，在不同灯光照射下的图片、不同角度的图片、被遮掩的图片，这样能提高实验的对物品的识别率，降低识别时环境因素的干扰。而负样本的话，则尽量多元化，选择不含实验物品的图片，譬如这次实验需要识别安全帽，负样本便可选择未戴安全帽的人，不包含安全帽的风景照，要和正样本要有差别但是也不能差别太大，不然会在后面的步骤在第一级就全部被分类器reject，训练时不能显示负样本的个数，从而导致卡死。
本次实验采用对视频流的分解获取图片，开启笔记本的摄像头，拍摄到佩戴安全帽的人员，编写代码，使用opencv对视频流的处理，对每一帧进行判断，识别人脸，扩大识别到的范围，截取头部及安全帽部分。这样便获得了实验所需的正样本，而负样本可以从网上下载。获得正样本数量777，负样本数量1349。
下面是截取图片的部分代码：

dets = detector(img, 1) dist = [] for face in dets: # 将识别的框扩大 left = int(face.left()*0.9) top = int(face.top()*0.4) right = int(face.right()*1.1) bottom = int(face.bottom()) global index index= index + 1 ha = img[int(top):int(bottom), int(left):int(right)] cv2.rectangle(img, (left, top), (right, bottom), (0, 255, 0), 2) # 沿着框截取图片保存下来 cv2.imwrite(str(index)+'.jpg',ha,[cv2.IMWRITE_JPEG_QUALITY, 100]) print(index) for k, d in enumerate(dets): shape = sp(img, d) face_descriptor = facerec.compute_face_descriptor(img, shape) d_test = numpy.array(face_descriptor) # 计算欧式距离 for i in descriptors: dist_ = numpy.linalg.norm(i - d_test) dist.append(dist_)

4.2、样本的预处理（灰度化，大小规格）
获取到的样本并不能直接进行训练，还需要对其进行预处理。我们对图片进行计算时，一般都是到像素点这一层次进行计算的，而对于现在的图片一般都是bgr颜色模式，即每个像素点都会包含各自b、g、r的值，这会让我们对图片进行计算时计算量成倍地加大。在bgr颜色模型中B=G=R时，是一种灰色，所以便可以在灰度图片中，每一个像素点以一个字节存放灰度值，因此将图片转化成灰度图片，可以大大减少计算量。
正负样本需要转化成灰度图，规格统一为25*25，或者其他的大小格式。图片的尺寸和规格控制在合适的范围内，因为如果图片过大将会产生很多的haar特征，不仅影响分类器的工作效率也会增加图片遍历的时间。一般情况下，负样本的尺寸要大于或等于正样本图片的尺寸。因此直接将负样本的图片尺寸设置成和正样本想听，即可减少图片的遍历的时间和处理的过程。
关于图片的预处理的部分代码：

获得高水平梯度和低垂直梯度的图像区域

gradX = cv2.Sobel(img_gray, ddepth=cv2.CV_32F, dx=1, dy=0, ksize=-1)
gradY = cv2.Sobel(img_gray, ddepth=cv2.CV_32F, dx=0, dy=1, ksize=-1)
img_gradient = cv2.subtract(gradX, gradY)
img_gradient = cv2.convertScaleAbs(img_gradient)

去除噪声

blurred = cv2.blur(img_gradient, (9, 9))
(_, thresh) = cv2.threshold(blurred, 90, 255, cv2.THRESH_BINARY)

填充空白区域

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (25, 25))
closed = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)

腐蚀与膨胀

closed = cv2.erode(thresh, None, iterations=4)
closed = cv2.dilate(thresh, None, iterations=4)

绘制物体边框

(cnts, _) = cv2.findContours(closed.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
c = sorted(cnts, key=cv2.contourArea, reverse=True)[0]
rect = cv2.minAreaRect©
box = np.int0(cv2.boxPoints(rect))
cv2.drawContours(img_gray, [box], -1, (0, 255, 0), 3)

截取区域

Xs = [i[0] for i in box]
Ys = [i[1] for i in box]
x1 = min(Xs)
x2 = max(Xs)
x1_ = int((x2-x1)/2-125)
x2_ = int((x2-x1)/2+125)

y1 = min(Ys)
y2 = max(Ys)
y1_ = int((y2 - y1)/2-125)
y2_ = int((y2 - y1)/2+125)
cv2.rectangle(img_gray,(x1_,y1_),(x2_,y2_),(0,255,0),2)

五、安全帽识别设计与实现

本实验利用opencv进行视频流的识别。在对视频进行分析时，由于视频是由图片一帧一帧连接起来的，所以需要将视频进行分解，每几帧便截取一张图片出来分析，在分析中需要使用到安全帽相关的特征进行比较，关于安全帽的相关特征，通过opencv对正负样本的训练得到的安全帽分类器便是所需要的相关特征。最后得到分析结果，将分析结果输出。
5.1、安全帽识别实现
引用安全帽分类器cascade-v2.5.xml，将要识别的图片进行与正负样本相同的灰度化处理，因为之前的分类器是由灰度化的图片训练出来的，为了实验的准确性，所以需要将被识别的图片进行灰度化。灰度化之后对图片进行特征对比，将对比结果输出，采用cv2.rectangle函数对图片识别出的安全帽的边缘进行标识，最后通过cv2.imshow进行展示。
部分实现代码如下：
gray = cv2.cvtColor(input_img, cv2.COLOR_BGR2GRAY)
faces = face_cascade.detectMultiScale(gray, 1.09, 1)
if faces != ():
color = (0, 255, 0)
for (xf, yf, wf, hf) in faces:
cv2.rectangle(input_img, (xf, yf), (xf + wf, yf + hf), (0, 255, 0), 2)
cv2.imshow(‘frame’, input_img)