技术摘要：
本发明涉及电力运维领域，提供了一种设备佩戴的动态识别方法、装置和电子设备，其方法包括步骤：基于样本图像中目标动态对象的样本特征，对待识别图像中多个动态对象进行分类，获取多个目标动态对象；所述目标动态对象为人体头部；将所述多个目标动态对象的混合信号进  全部
背景技术：
安全设备是建筑工程中常见的头部防护的用品，例如安全帽，能够有效地防止工 程里的施工人员遭受下落物对头部产生的伤害。目前，国内变电站大多数采用无人值守，巡 维管理模式，变电站一旦发生事故，绝大多数情况都危及工作人员健康乃至生命，主变泄 露、开关爆炸、电抗器起火等，这些事故都会不定向产生冲击力很大的坠落物，佩戴安全设 备能对人体头部受坠落物及其他特定因素引起的伤害起防护作用，因此在电力运维场景 总，佩戴安全设备是必须实施的安全措施。变电站管理明确规定，任何人进入变电站生产现 场都必须佩戴安全设备，然而，时常有不少临时工、民工等外单位人员进入变电站现场时未 佩戴安全设备，安全意识薄弱，运行值班人员无法全程现场监督，存在很大的安全隐患。因 此，为提高变电站安全生产管理，研发一套变电站现场佩戴安全设备的智能监控预警系统， 实现对进入变电站人员实时监控，降低作业风险。 佩戴安全设备的智能监控预警系统临着几个难点：1)电力运维场景种环境是特殊 的，光照较弱，大部分都是有阴影的，只有极个别是有高光的；2)检测的目标颜色和背景的 颜色比较相同，所以就很难的进行区分；3)场景种噪音和振动都相对来说比较严重，摄像头 在拍摄的时候会有轻微的振动，所以就会导致图像拍出来的质量偏弱；4)在施工的现场里 尘土相对来说比较多，噪声也比较大，所以就给运动的目标的自动检测带来了很大的困难。
技术实现要素：
本发明的目的是提供一种设备佩戴的动态识别方法、装置和电子设备，实现在电 力运维场景下准确、通用、便利的识别工人是否正确佩戴设备，以保障工人的安全和降低作 业风险。 本发明提供的技术方案如下： 本发一种设备佩戴的动态识别方法，其特征在于，包括步骤： 基于样本图像中目标动态对象的样本特征，对待识别图像中多个动态对象进行分 类，获取多个目标动态对象；所述目标动态对象为人体头部。 将所述多个目标动态对象的混合信号进行分离，获取每个目标动态对象的图像。 基于所述目标动态对象的图像，识别正确佩戴设备的目标动态对象和未正确佩戴 所述设备的佩戴方式。 进一步优选地，在所述基于样本图像中目标动态对象的样本特征，对待识别图像 中多个动态对象进行分类，获取多个目标动态对象；所述目标动态对象为人体头部之前包 括步骤： 提取待识别动态视频中前后两帧的待识别图像做差值运算。 通过中值滤波过滤所述待识别图像中的噪声，获得所述待识别图像中的动态区 4 CN 111597985 A 说　明　书 2/10 页 域，所述动态区域包括多个动态对象。 选择Gabor滤波器，设置所述Gabor滤波器的滤波尺度和方向参数；基于所述滤波 尺度和方向参数，对所述目标动态对象的样本图像进行均匀分块。 通过所述Gabor滤波器提取所述多个动态对象的特征和所述样本图像的目标动态 对象的特征。 进一步优选地，所述基于样本图像中目标动态对象的样本特征，对待识别图像中 多个动态对象进行分类，获取多个目标动态对象；所述目标动态对象为人体头部，包括步 骤： 将所述多个动态对象的特征和所述样本图像中目标动态对象的特征输入Fisher 分类器，得到所述多个动态对象的类型。 将多个所述动态对象的类型标记在所述待识别图像上，获取多个目标动态对象。 进一步优选地，所述将所述多个目标动态对象的混合信号进行分离，获取每个目 标动态对象的图像，包括步骤： 通过基于NMF的盲源分离算法获取多个所述目标动态对象的源信号的数量，得到 每个所述目标动态对象的源信号。 基于每个所述目标动态对象的源信号，获取每个所述目标动态对象的图像。 进一步优选地，所述通过基于NMF的盲源分离算法获取多个所述目标动态对象的 源信号的数量，得到每个所述目标动态对象的源信号，具体包括步骤： 采集所述多个目标动态对象的混合信号，所述混合信号为： X(t)＝{X1(t) ,X2(t) ,…,XM(t)},t＝1,2,…T。 通过所述盲源分离算法获取多个所述目标动态对象的源信号的数量。 将多个所述目标动态对象的源信号转换成对应的非负矩阵，所述非负矩阵为：V＝ [X(1) ,X(2) ,…,X(T)]。 以所述非负矩阵作为所述盲源分离算法的对象，得到每个所述目标动态对象的源 信号：S(t)＝{s1(t) ,s2(t)…,sN(t)}。 进一步优选地，所述通过所述盲源分离算法获取多个所述目标动态对象的源信号 的数量，包括步骤： 计算多个所述目标动态对象的混合信号的协方差矩阵。 基于所述协方差矩阵得到所述协方差矩阵特征值。 计算所述协方差矩阵特征值的下降速率比。 基于所述协方差矩阵特征值的下降速率比，确定多个所述目标动态对象的源信号 的数量。 进一步优选地，所述基于所述目标动态对象的图像，识别正确佩戴设备的目标动 态对象和未正确佩戴所述设备的佩戴方式，包括步骤： 利用小波阈值滤波方法对已标记的所待识别图像进行去噪预处理。 通过深度学习的CNN网络模型将所述待识别图像划分为S*S网格，通过所述网格预 测所述设备的边界和边界置信度，根据所述边界置信度得到所述设备中心所在的网格。 所述边界置信度为： 其中P(object)表示所述边界存在所述 5 CN 111597985 A 说　明　书 3/10 页 设备的概率。 通过所述设备中心所在的网格对所述设备的特征进行识别，确定正确佩戴所述设 备的目标动态对象。 进一步优选地，在所述基于所述目标动态对象的图像，识别正确佩戴设备的目标 动态对象和未正确佩戴所述设备的佩戴方式之前，还包括步骤： 搭建所述CNN网络模型。 建立设备的样本库，对每个样本设备的特征进行标定。 从所述设备的样本库提取训练集和验证集，利用所述训练集和所述验证集对所述 CNN网络模型进行训练与验证，得到所述深度学习的CNN网络模型；所述深度学习的CNN网络 模型可识别所述正确佩戴设备的目标动态对象。 进一步优选地，包括步骤：基于所述目标动态对象的图像，识别未正确佩戴所述设 备的佩戴方式。 本发明还提供一种设备佩戴的动态识别装置，包括： 分类模块：用于基于样本图像中目标动态对象的样本特征，对待识别图像中多个 动态对象进行分类，获取多个目标动态对象；所述目标动态对象为人体头部。 获取模块：用于将所述多个目标动态对象的混合信号进行分离，获取每个目标动 态对象的图像。 识别模块：用于基于所述目标动态对象的图像，识别正确佩戴设备的目标动态对 象和未正确佩戴所述设备的佩戴方式。 本发明还提供了一种电子设备，包括处理器、存储器以及存储在所述存储器中并 可在所述处理器上运行的计算机程序，所述处理器，用于执行所述存储器上所存放的计算 机程序，实现所述设备佩戴的动态识别方法所执行的操作。 本发明提供的一种设备佩戴的动态识别方法、装置和电子设备至少具有以下有益 效果： 1)通过本方案中可以实现在电力运维场景下准确、通用的识别工人是否正确佩戴 设备。 2)采用本方案中的基于NMF的盲源分类方法，可以确定电力运维场景下工人的个 数、得到正确的设备分离信号，可用于解决电力运维场景下多人多设备检测识别中的信号 混叠问题。 3)在本方案中利用基于深度学习的卷积神经网络模型对没有正确佩戴安全场景 进行识别，对设备三维模型及实物模型图片集进行训练，对近距离正视、远距离、遮挡、运动 模糊等不同条件下的设备进行识别，对几种情况下设备佩戴姿势识别准确率均达到了98％ 以上，提高了多场景的识别准确率。 附图说明 下面将以明确易懂的方式，结合附图说明优选实施方式，对一种设备佩戴的动态 识别方法、装置和电子设备的上述特性、技术特征、优点及其实现方式予以进一步说明。 图1是本发明中一种设备佩戴的动态识别方法的一个实施例的流程图； 图2是本发明中设备佩戴多目标识别的一个实施例的流程图； 6 CN 111597985 A 说　明　书 4/10 页 图3是本发明中基于深度学习方法进行多设备佩戴姿态识别的流程图； 图4是本发明中识别的设备佩戴错误佩戴方式的示意图； 图5是本发明中CNN网络模型的结构示意图； 图6是本发明一种设备佩戴的动态识别装置的一个实施例的结构示意图； 图7是本发明一种电子设备的结构示意图。