[论文解读] Automatic Safety Helmet Wearing Detection

Kang Li, Xiaoguang Zhao+2 more|arXiv (Cornell University)|Feb 1, 2018

Video Surveillance and Tracking Methods参考文献 10被引用 7

一句话总结

该论文提出了一种基于计算机视觉的实时系统，用于在变电站中自动检测安全帽佩戴情况，采用ViBe进行运动分割，C4进行行人检测，并在HSV空间中利用颜色特征区分。该框架在ROC曲线上的AUC达到94.13%，比HOG+SVM高5%，证明其在智能监控应用中具有高精度和高效率。

ABSTRACT

Surveillance is essential for the safety of power substation. The detection of whether wearing safety helmets or not for perambulatory workers is the key component of overall intelligent surveillance system in power substation. In this paper, a novel and practical safety helmet detection framework based on computer vision, machine learning and image processing is proposed. In order to ascertain motion objects in power substation, the ViBe background modelling algorithm is employed. Moreover, based on the result of motion objects segmentation, real-time human classification framework C4 is applied to locate pedestrian in power substation accurately and quickly. Finally, according to the result of pedestrian detection, the safety helmet wearing detection is implemented using the head location, the color space transformation and the color feature discrimination. Extensive compelling experimental results in power substation illustrate the efficiency and effectiveness of the proposed framework.

研究动机与目标

• 开发一种自动化、实用的系统，用于检测变电站工作人员是否佩戴安全帽。
• 通过计算机视觉和机器学习技术实现实时监控，减少对人工监控的依赖。
• 通过在复杂变电站环境中自动检测安全帽佩戴合规性，提升工人安全。
• 实现针对颜色的安全帽检测（例如识别安全帽颜色），以增强态势感知能力。

提出的方法

• 使用ViBe背景建模算法从监控视频的静态场景中分割出运动物体。
• 应用C4行人检测算法，基于形状和空间特征将运动区域分类为行人。
• 从检测到的行人中提取头部位置，将安全帽检测聚焦于头部区域。
• 执行颜色空间转换至HSV空间，以增强安全帽检测的颜色特征鲁棒性。
• 采用基于统计颜色分布的颜色特征区分（CFD）方法，判断安全帽是否存在。
• 将运动检测、行人分类与基于颜色的安全帽检测整合为一个统一的实时框架。

实验结果

研究问题

• RQ1 基于ViBe的运动分割是否能在计算成本极低的前提下，有效隔离复杂变电站环境中移动的工作人员？
• RQ2 在不同光照和背景条件下，C4算法在实时监控中对行人的检测精度如何？
• RQ3 与其它特征集相比，HSV空间中的颜色特征区分在多大程度上提升了安全帽检测的准确性？
• RQ4 在真实变电站环境下，该系统在检测多名行人及特定颜色安全帽方面的表现如何？
• RQ5 光照变化和目标尺寸对安全帽检测可靠性有何影响？

主要发现

• 该系统在十个测试视频上的平均行人分类准确率达到84.2%。
• 结合ViBe、C4和颜色特征区分（CFD）的方法在ROC曲线上实现了94.13%的AUC，比HOG+SVM+CFD基线高出5个百分点（89.20% AUC）。
• PR曲线分析证实，所提方法在安全帽检测任务中具有更优的精确率和召回率表现。
• 误报和漏检主要由行人边界框不准确以及颜色特征对光照变化的敏感性引起。
• 由于分辨率有限以及C4对小目标的特征描述能力有限，远距离行人的检测性能下降。
• 该框架展现出强大的实时性能和在真实变电站监控系统中部署的实用性。