一种港口码头作业人员安全防护措施监控系统及方法

技术领域

本发明涉及一种基于视觉AI技术的监控系统及方法，特别涉及一种港口码头作业人员安 全防护措施监控系统及方法。

背景技术

随着信息化技术在各行各业成功应用，港口码头安全管理的信息化过程成了必然趋势， 得到了广泛的重视。港口码头区域大，区域内工作人员多，区域工作环境复杂，有高空落物、 人员落水等危险。所以在码头区域内工作的人员，需要佩戴安全帽，在临水区域工作的人员 需要穿戴救生衣，为提高工作人员安全意识，督促工作人员按规定佩戴安全帽、穿戴救生衣， 厂区内配备了多路摄像头，并安排人员使用摄像头对厂区内的人员安全情况进行监管，目前 主要是通过人工监管的方式进行码头安全生产的综合监管。

发明内容

本发明提供了一种港口码头作业人员安全防护措施监控系统及方法，可以有效的分类识 别出码头作业人员未按照规定佩戴安全帽、未穿着救生衣等作业违规行为，实现自动监控。

本发明的工作原理：一种港口码头作业人员安全防护措施监控系统，包括服务器和多个 网络摄像头；所述网络摄像头安装在港口码头。

一种港口码头作业人员安全防护措施监控方法，包括以下步骤：

A、网络摄像头采集实时视频数据，并将采集到的数据传输至服务器；

B、服务器运用自适应背景差减法对收到的数据进行预处理；

C、将处理后的数据通过AI目标检测分类器进行分类识别，分类识别人脸、人体、安全 帽、救生衣；

D、将识别出存在未配到安全帽、未穿着救生衣的人员标注，并产生系统警告通知用户。 进一步的是：步骤B中所述自适应背景差减法基于混合高斯模型改进，包括以下步骤：

B1、建立背景模型和模型初始化：使用K个混合高斯高斯分布来描述视频中每个点在一 段时间内的像素值序列，并且结合online K-means算法初始化参数；

B2、前景检测：根据与各个高斯分布匹配的情况判别输入的像素为背景或前景，同时调 整模型参数值；

B3、动态调整参数K：通过统计归类图像中各像素点的灰度值，把这些灰度值进行分类 计算后调整参数K的新值。

进一步的是：所述动态调整参数K包括以下步骤：

B31、划分灰度平稳区间：从视频序列中等间隔的抽取N+1帧图像，标记为{G

γ为判断像素点(x,y)处的灰度值是否发生变化的阈值，如果a

B32、计算各平稳区间的平均灰度值：将图像分为p个灰度平稳区间，各灰度区间所含 像素数标记为{m

B33、将平均灰度值相近的归为一类：接着根据p个区间的平均灰度值，合并灰度值一致 的全部区间，若

|l

则第i个区间和第j个区间为一致区间，归类后还有区间个数为q，q就是参数K的更新值。

本发明的有益效果为：通过安装在现场的网络摄像头捕捉现场视频，将视频数据传输会 服务器端，服务器通过数字图像处理技术预处理后，通过视觉AI技术识别出图像中的人脸、 人体、人头、安全帽和救生衣，实时监控现场人员是否佩戴安全帽、未穿着救生衣，发现有 未佩戴安全帽或未穿着救生衣行为的，自动将违规人员在图像中标记出，并产生系统告警通 知系统用户，替代人工监管，实现自动监控。

具体实施方式

为了加深对本发明的理解，下面将结合实施例对本发明做进一步详细描述，该实施例仅 用于解释本发明，并不对本发明的保护范围构成限定。

一种港口码头作业人员安全防护措施监控系统，包括服务器和多个网络摄像头；所述网 络摄像头安装在港口码头。

一种港口码头作业人员安全防护措施监控方法，包括以下步骤：

A、网络摄像头采集实时视频数据，并将采集到的数据传输至服务器；

B、服务器运用自适应背景差减法对收到的数据进行预处理；

C、将处理后的数据通过AI目标检测分类器进行分类识别，分类识别人脸、人体、安全 帽、救生衣；用到的AI算法包括人脸检测算法mtcnn，人脸识别算法arcface，人体、人头检 测算法faster rcnn resnet101，安全帽、救生衣分类算法resnet50；

D、将识别出存在未配到安全帽、未穿着救生衣的人员标注，并产生系统警告通知用户。

背景差减法是智能视频监控获取信息的一种重要的数字图像处理技术，其目的是减除实 际场景中各种原因产生的噪声和非目标背景元素，从而提取出监控区域的运动目标，以作为 高一级任务的输入，如分类、跟踪或行为识别等高级视频分析任务。背景差减法的复杂性主 要表现在实际场景通常存在动态变化的因素影响，例如光照强度的变化、树叶的摇晃等。背 景差减法的关键在于设计一个稳定的、有效的背景模型。

混合高斯背景模型(GMM，Gaussian Mixture Model)是应用最为广泛的背景建模算法之 一，它充分考虑了像素点在时间序列上的连续性，并假设像素点的时间序列可以用多个高斯 分布来描述。混合高斯背景模型能够有效地适应光照地变化，在复杂场景里有一定地适应性 和稳定性。但是该方法在实际应用中有一定的局限性，比如简单的模型参数初始化方法精确 度不高和固定的高斯分布个数不能适应场景的变化。

步骤B中所述自适应背景差减法基于混合高斯模型改进，包括以下步骤：

B1、建立背景模型和模型初始化：使用K个混合高斯高斯分布来描述视频中每个点在一 段时间内的像素值序列，并且结合online K-means算法初始化参数；

B2、前景检测：根据与各个高斯分布匹配的情况判别输入的像素为背景或前景，同时调 整模型参数值；

B3、动态调整参数K：通过统计归类图像中各像素点的灰度值，把这些灰度值进行分类 计算后调整参数K的新值。

对于视频帧中的一个点p(x,y)在一段时间内的像素点序列{X

所述online K-means算法初始化参数包括以下步骤：

B11、猜测每一个类别的均值，标记为{M

B12、为每一个类别设置一个计数变量，标记为n

B13、每新进一个样本x，依次比较x与{M

B14、用各类的均值作为μ，并计算协方差∑，样本的比例作为ω。

在完成模型初始化之后，开始进行运动目标的检测和提取。首先，需要对K个高斯分布 以r

在上述基础上，所述动态调整参数K包括以下步骤：

B31、划分灰度平稳区间：从视频序列中等间隔的抽取N+1帧图像，标记为{G

式中γ为判断像素点(x,y)处的灰度值是否发生变化的阈值，如果a

B32、计算各平稳区间的平均灰度值：将图像分为p个灰度平稳区间，各灰度区间所含 像素数标记为{m

B33、将平均灰度值相近的归为一类：接着根据p个区间的平均灰度值，合并灰度值一致 的全部区间，若

|l

则第i个区间和第j个区间为一致区间，归类后还有区间个数为q，q就是参数K的更新值。 复杂场景下基于混合高斯模型的自适应背景差减法会对每一帧视频图像的每个像素点执行以 上步骤，完成图像的背景的消除，直到所有视频帧图像都处理完成。

上述实施例不应以任何方式限制本发明，凡采用等同替换或等效转换的方式获得的技术 方案均落在本发明的保护范围内。