摘要：為了便于施工危險(xiǎn)區(qū)域人員的自動(dòng)化識(shí)別，提出了一種基于Raspberry Pi的安全帽識(shí)別算法。該算法將攝像頭采集到的原始視頻圖像進(jìn)行濾波、形態(tài)學(xué)等處理，再對(duì)圖像中的安全帽進(jìn)行識(shí)別。對(duì)于彩色安全帽，將原始圖像轉(zhuǎn)換到HSV空間，根據(jù)不同顏色色調(diào)閾值的設(shè)定同時(shí)識(shí)別紅、黃、藍(lán)三種顏色的安全帽，并結(jié)合形狀特征剔除錯(cuò)誤目標(biāo)。對(duì)于白色安全帽，將原始圖像轉(zhuǎn)化成B通道下的灰度圖像，解決了將黃色誤檢為白色的問題。采用V通道直方圖均衡化的方法，提升了昏暗光線條件下的圖像亮度。實(shí)驗(yàn)結(jié)果表明：在無需提前訓(xùn)練的情況下，算法對(duì)于單色安全帽識(shí)別準(zhǔn)確率超過了91%，對(duì)于多色安全帽識(shí)別率超過了90%，為施工危險(xiǎn)區(qū)域的安全隱患排查和作業(yè)管控提供了解決方案。

關(guān)鍵詞：Raspberry Pi；顏色識(shí)別；HSV空間；直方圖均衡化；安全帽

中圖分類號(hào)： TP277文獻(xiàn)標(biāo)識(shí)碼： ADOI：10.3969/j.issn.1007-791X.2024.03.0050引言

安全生產(chǎn)以保護(hù)勞動(dòng)者生命安全和職業(yè)健康為核心要求，是一項(xiàng)長(zhǎng)期基本國(guó)策和行業(yè)基本準(zhǔn)則[1]，在工程施工領(lǐng)域更是一條需要牢牢守住的底線，其中施工危險(xiǎn)區(qū)域的安全尤為重要。傳統(tǒng)方法中，施工危險(xiǎn)區(qū)域采取圍欄、蓋板等措施或設(shè)置醒目的安全標(biāo)志牌禁止或限制人員的進(jìn)入，但由于一些人員安全意識(shí)薄弱、麻痹大意，也會(huì)造成一定的事故風(fēng)險(xiǎn)。因此，有必要設(shè)計(jì)一套人員自動(dòng)識(shí)別系統(tǒng)，能夠?qū)崟r(shí)監(jiān)控施工危險(xiǎn)區(qū)域，當(dāng)人員靠近時(shí)主動(dòng)發(fā)出警報(bào)，提醒或驅(qū)離人員，從而避免安全事故的發(fā)生。

對(duì)于所有進(jìn)入施工危險(xiǎn)區(qū)域的人員，安全帽的佩戴是硬性要求，因此安全帽可作為人員識(shí)別的重要標(biāo)志物?，F(xiàn)有的安全帽自動(dòng)識(shí)別系統(tǒng)主要分為以下3類：第一類是以基于傳感器的空間定位技術(shù)為原理，普遍應(yīng)用于智慧工地的安全帽佩戴檢測(cè)系統(tǒng)。吳先俊等人[2]以空間定位技術(shù)為基礎(chǔ)，利用智能安全帽系統(tǒng)平臺(tái)將危險(xiǎn)區(qū)域的警報(bào)信息推送給加裝了語音播報(bào)功能的安全帽，對(duì)即將進(jìn)入危險(xiǎn)作業(yè)區(qū)域的人員進(jìn)行了有效預(yù)警。第二類方法是采用“特征+分類器”的機(jī)器學(xué)習(xí)算法對(duì)視頻監(jiān)控中預(yù)警區(qū)域的圖像進(jìn)行處理。李曉宇等人[3]提出了一種基于超像素特征提取與SVM分類相結(jié)合的機(jī)器學(xué)習(xí)算法，用于煤礦環(huán)境下安全帽與背景分割，分割結(jié)果的精確率和召回率均超過了95%。劉曉慧等人[4]將Hu矩作為圖像特征向量，比較了BP神經(jīng)網(wǎng)絡(luò)和SVM兩種方法對(duì)安全帽的分類識(shí)別，得出SVM在時(shí)間和識(shí)別率方面優(yōu)勢(shì)明顯的結(jié)論。第三類則是應(yīng)用深度學(xué)習(xí)算法[5]對(duì)視頻圖像進(jìn)行處理。龐殊楊等人[6]利用深度學(xué)習(xí)算法中改進(jìn)的MTCNN算法，明顯提高了重疊安全帽和部分遮擋安全帽的檢測(cè)率和檢測(cè)速度，但在光線過強(qiáng)或發(fā)生反光時(shí)存在漏檢和誤檢現(xiàn)象。農(nóng)元君等人[7]提出一種適用于嵌入式平臺(tái)的輕量化安全帽實(shí)時(shí)檢測(cè)方法。該方法改進(jìn)了Tiny-YOLOv3算法，顯著提高了識(shí)別準(zhǔn)確率和召回率，雖然滿足了實(shí)時(shí)檢測(cè)的需求，但仍需對(duì)模型進(jìn)行訓(xùn)練和測(cè)試。

基于以上因素，本文以Raspberry Pi為平臺(tái)對(duì)進(jìn)入施工危險(xiǎn)區(qū)域人員的安全帽進(jìn)行識(shí)別，該系統(tǒng)無需對(duì)數(shù)據(jù)進(jìn)行提前訓(xùn)練，對(duì)硬件的配置要求較低，成本較小，適合多點(diǎn)布置。既能滿足實(shí)時(shí)性要求又能精確識(shí)別目標(biāo)，為施工危險(xiǎn)區(qū)域的安全隱患排查和施工作業(yè)管控提供了解決方案。

1系統(tǒng)設(shè)計(jì)及實(shí)現(xiàn)

系統(tǒng)采用Raspberry Pi 4B作為控制板，內(nèi)存4G；外設(shè)部分選擇Camera Module V2攝像頭作為圖像采集設(shè)備，通過CSI接口與Raspberry Pi連接；系統(tǒng)裝置兩個(gè)舵機(jī)，分別控制攝像頭水平及豎直方向的轉(zhuǎn)動(dòng)，從而調(diào)整監(jiān)控范圍；蜂鳴器和LED燈作為輸出設(shè)備，用于發(fā)出報(bào)警信號(hào)；系統(tǒng)還外接了鍵盤、鼠標(biāo)和顯示屏，用于程序的編寫以及對(duì)目標(biāo)區(qū)域的監(jiān)控。除此之外，軟件部分安裝了官方系統(tǒng)Raspbian，同時(shí)安裝了OpenCV視覺庫，通過Python語言進(jìn)行編程，來實(shí)現(xiàn)對(duì)人員佩戴安全帽的識(shí)別，如圖1所示。

2安全帽特征提取及識(shí)別

2.1彩色特征提取

與形狀、文本相比，人眼對(duì)顏色的感知范圍更大，感知速度也更快，顏色識(shí)別作為一種有效手段在機(jī)器視覺領(lǐng)域的應(yīng)用也較為廣泛[8-10]。對(duì)于顏色的識(shí)別，首先要將目標(biāo)圖像轉(zhuǎn)化到更接近人眼感知的HSV顏色空間[11]上，所謂HSV顏色空間，即由色調(diào)（Hue）、飽和度（Saturation）、亮度（Value）三個(gè)維度構(gòu)成的顏色空間模型，由A. R. Smith在1978年提出，又稱六角錐體模型，如圖2所示。

其中H表示不同的光譜顏色，取值范圍0°～360°；S表示顏色接近光譜色的程度，取值范圍0～1；V表示顏色的明亮程度，取值范圍0～1。若要將HSV的值存儲(chǔ)在8位內(nèi)存空間中[12]，OpenCV對(duì)其進(jìn)行了如下變換：

得到每個(gè)像素點(diǎn)的HSV取值范圍為H∈[0，180]，S∈[0，255]，V∈[0，255]。在程序中通過設(shè)定相應(yīng)的閾值范圍就能定義要識(shí)別的安全帽顏色。通常安全帽的顏色為紅、黃、藍(lán)、白，以此四種顏色作為識(shí)別的目標(biāo)顏色。由于安全帽顏色為國(guó)標(biāo)規(guī)定的標(biāo)準(zhǔn)色，因此色調(diào)差別不大，每種彩色安全帽選擇了3頂進(jìn)行測(cè)定，在不同環(huán)境及光照條件下，得到各種顏色安全帽的H閾值范圍如表1所示。

標(biāo)準(zhǔn)的紅、黃、藍(lán)三種顏色根據(jù)式（1）轉(zhuǎn)化后的色調(diào)值應(yīng)為0/180、30、120，其中紅色和藍(lán)色均在實(shí)驗(yàn)測(cè)定閾值范圍內(nèi)，黃色安全帽色調(diào)非HSV空間標(biāo)準(zhǔn)的黃色，與標(biāo)準(zhǔn)色偏離2.8%～5%，稍偏橘黃色。由于白色的H值位于六棱錐底面的中心處，且在整個(gè)區(qū)間均有分布，因此不能將H值作為識(shí)別白色的參數(shù)。

2.2白色特征提取

對(duì)于白色的提取，應(yīng)將原圖像轉(zhuǎn)換到灰度GRAY通道中，利用Otsu閾值化方法[13]進(jìn)行處理。以一張大小為M×N的圖像為例，圖像中灰度值小于T的像素個(gè)數(shù)為N0，灰度值大于T的像素個(gè)數(shù)為N1，ω0和ω1分別為前景和背景在圖像中所占比例，則有

設(shè)前景和背景的平均灰度分別為μ0和μ1，圖像總平均灰度為μ，類間方差為g，則有

μ=ω0μ0+ω1μ1 ，（3）

g=ω0（μ0－μ）2+ω1（μ1－μ）2，（4）

將式（3）代入式（4）得

g=ω0ω1（μ0－μ1）2，（5）

遍歷所有可能的分割閾值，使式（5）值最大時(shí)的閾值則為Otsu法的目標(biāo)閾值。

2.3形狀特征提取

由于安全帽的形狀大致可分為圓形和橢圓形兩種，為了具有廣泛的代表性，被測(cè)樣本采用了圓形的彩色安全帽和橢圓形的白色安全帽進(jìn)行識(shí)別。首先在二值圖像中提取輪廓，為了避免對(duì)過大、過小的非目標(biāo)輪廓的誤檢，應(yīng)設(shè)定一定的輪廓范圍。

2.3.1橢圓的識(shí)別

對(duì)于橢圓的識(shí)別，利用最小二乘法[14]將輪廓中的點(diǎn)以橢圓方程為模型進(jìn)行擬合，橢圓方程的一般表達(dá)式為

aX2+bXY+cY2+dX+eY+f=0，（6）

其中，b2-4aclt;0，式（6）可以理解為點(diǎn)（x，y）到給定圓錐曲線的代數(shù)距離，將輪廓中的所有點(diǎn)帶入式（6）左側(cè)求代數(shù)距離的最小值，得

令式（7）各階偏導(dǎo)數(shù)為零，即可求出a～f各參數(shù)值，此時(shí)的橢圓方程即為目標(biāo)橢圓。

2.3.2圓形的識(shí)別

對(duì)于圓形的識(shí)別，則是求輪廓的最小包圍圓。即遍歷所有的輪廓點(diǎn)，找出位于上、下、左、右的邊緣點(diǎn)，記為A、B、C、D，求出包圍此四點(diǎn)的最小圓C1，判斷剩余的點(diǎn)是否超出C1，若不超出則C1為所求。若超出則將距離C1圓心的最遠(yuǎn)點(diǎn)記為E，求出包圍A、B、C、D、E五個(gè)點(diǎn)的最小圓C2，如此迭代，可找到目標(biāo)包圍圓。如圖3所示。與此同時(shí)，為了排除其它形狀的干擾，定義圓度參數(shù)

其中，S為輪廓的面積，L為輪廓的周長(zhǎng)且L≠0。設(shè)置圓度K為特定值時(shí)，找到的最小包圍圓為最終目標(biāo)。

2.4安全帽識(shí)別

首先讀取攝像頭采集的圖像，然后對(duì)圖像進(jìn)行濾波處理，識(shí)別圖像中是否存在白色安全帽，若存在白色安全帽，則顯示結(jié)果圖像并啟動(dòng)蜂鳴器報(bào)警，LED紅燈閃爍；若不存在白色安全帽，繼續(xù)判斷是否存在彩色安全帽，將圖像轉(zhuǎn)換到HSV顏色空間，設(shè)定各彩色安全帽的閾值范圍，依次判斷是否存在藍(lán)、紅、黃顏色的安全帽，若存在，則將顏色標(biāo)識(shí)參數(shù)存入相應(yīng)的值。與此同時(shí)，為了消除前景中的噪聲和實(shí)現(xiàn)分割，對(duì)圖像進(jìn)行腐蝕操作，再進(jìn)行安全帽輪廓的提取，當(dāng)輪廓周長(zhǎng)及圓度符合設(shè)定范圍時(shí)，則顯示圖像結(jié)果并發(fā)出報(bào)警；若白色及彩色安全帽均未檢測(cè)到，LED綠燈常亮，循環(huán)讀取下一幀圖像，程序流程如圖4所示。

3實(shí)驗(yàn)及分析

為了使圖像識(shí)別算法具有普遍適用性，選擇了兩種場(chǎng)景進(jìn)行實(shí)驗(yàn)驗(yàn)證。場(chǎng)景一中目標(biāo)距離攝像頭約為3 m，距離較近，視場(chǎng)范圍較窄；場(chǎng)景二中目標(biāo)距離攝像頭約為10 m，距離較遠(yuǎn)，視場(chǎng)范圍較寬。實(shí)驗(yàn)設(shè)定安全帽輪廓圓度K的取值范圍為0.4～0.8，設(shè)備支持1 920×1 080圖像每秒25幀的視頻輸出。場(chǎng)景一中安全帽輪廓周長(zhǎng)L的取值范圍為110～500；場(chǎng)景二中安全帽輪廓周長(zhǎng)L的取值范圍為50～150。算法實(shí)現(xiàn)了對(duì)單色安全帽以及對(duì)多色安全帽的同時(shí)識(shí)別，并能夠?qū)崟r(shí)顯示識(shí)別目標(biāo)的顏色、半徑、中心坐標(biāo)、圓度、輪廓周長(zhǎng)和橢圓長(zhǎng)短軸等信息，兩種場(chǎng)景安全帽識(shí)別率如表2、表3所示。

其中單色識(shí)別率P為采集的視頻圖像中只有一種顏色的安全帽時(shí)的識(shí)別情況；多色識(shí)別率為采集圖像中存在兩種、三種或四種顏色的安全帽時(shí)，分別對(duì)不同的視頻圖像進(jìn)行特定顏色識(shí)別率的計(jì)算。例如設(shè)置參數(shù)T表示含有紅色安全帽視頻的總幀數(shù)，參數(shù)R為識(shí)別到的紅色安全帽幀數(shù)，則（R/T）×100%即為紅色安全帽識(shí)別率，用Pr表示，計(jì)算不同視頻中紅色安全帽識(shí)別率的平均值，即為多色情況下紅色安全帽的識(shí)別率Pr，其他顏色識(shí)別率同理可得。實(shí)驗(yàn)采集的視頻樣本時(shí)長(zhǎng)約為1 min，則每個(gè)視頻總幀數(shù)約為1 500幀，對(duì)于每種顏色，分別選擇含有此顏色的兩種、三種和四種顏色安全帽的視頻各一個(gè)，則多色識(shí)別率為這三個(gè)視頻特定顏色識(shí)別率的平均值。

算法對(duì)于單色的識(shí)別效果較好，準(zhǔn)確率超過了91%，對(duì)于多個(gè)安全帽識(shí)別中部分遮擋的安全帽也有較好的識(shí)別效果，但總體低于單色識(shí)別；場(chǎng)景二中安全帽距離攝像頭較遠(yuǎn)，識(shí)別率普遍低于場(chǎng)景一，但總體差別不大，兩種場(chǎng)景下白色安全帽的識(shí)別效果均較差。除此之外，當(dāng)外界光線發(fā)生變化時(shí)，也會(huì)對(duì)識(shí)別結(jié)果產(chǎn)生較大影響，降低識(shí)別準(zhǔn)確率，圖5為部分識(shí)別結(jié)果。

3.1白色安全帽識(shí)別優(yōu)化

由于白、黃兩色安全帽在灰度值上較為接近，容易出現(xiàn)將黃色安全帽誤檢為白色安全帽的情況；又因?yàn)榘咨c背景門窗顏色接近，難以區(qū)分，容易出現(xiàn)誤檢的情況，因此需要從灰度通道及輪廓形狀兩方面入手對(duì)白色安全帽的識(shí)別進(jìn)行優(yōu)化。

3.1.1白色識(shí)別的通道選擇

對(duì)于灰度通道的選擇，通常的方法是將原始圖像直接轉(zhuǎn)換到GRAY灰度空間中，應(yīng)用Otsu法設(shè)定合適的閾值對(duì)白色進(jìn)行識(shí)別。但GRAY灰度空間中白色和黃色的灰度值較為接近，如圖6（b）所示，易出現(xiàn)誤檢，不利于白色的識(shí)別。將原始圖像轉(zhuǎn)換到不同顏色空間中進(jìn)行測(cè)試，得到BGR空間中的B通道能夠?qū)咨c其它顏色較好的區(qū)別開，如圖6（c）所示。因此，選擇通道B作為白色安全帽的識(shí)別通道。

3.1.2白色安全帽的輪廓提取

對(duì)于白色安全帽，算法設(shè)定了在一定周長(zhǎng)范圍內(nèi)進(jìn)行輪廓橢圓擬合，得到橢圓形狀參數(shù)。為了去除背景中長(zhǎng)條形輪廓對(duì)識(shí)別的影響，定義形狀參數(shù)

其中，a為橢圓短軸長(zhǎng)度，b為橢圓長(zhǎng)軸長(zhǎng)度，將E的取值范圍設(shè)置為[1，2]，作為形狀識(shí)別條件。除此之外，為了避免對(duì)矩形的誤檢，利用多邊形近似逼近函數(shù)對(duì)背景輪廓進(jìn)行處理，得到輪廓的角點(diǎn)數(shù)，由于矩形的角點(diǎn)數(shù)為4，算法中設(shè)置當(dāng)角點(diǎn)數(shù)大于5時(shí)對(duì)輪廓進(jìn)行選擇，由此屏蔽了矩形輪廓的影響，優(yōu)化前后的白色安全帽識(shí)別結(jié)果對(duì)比如圖7所示。

3.2光線變化對(duì)安全帽識(shí)別的影響

在識(shí)別過程中，光線的減少會(huì)導(dǎo)致環(huán)境變暗，使圖像轉(zhuǎn)換到HSV各通道的灰度圖像的梯度減小，輪廓難以識(shí)別，導(dǎo)致目標(biāo)前景的部分丟失，從而影響目標(biāo)識(shí)別的準(zhǔn)確率。為了減小光線變化對(duì)識(shí)別結(jié)果的影響，對(duì)比分析了昏暗和明亮兩種條件下HSV各通道的直方圖如圖8和圖9所示。

根據(jù)直方圖能夠判斷，兩種光照條件下色調(diào)H通道都集中在黃、藍(lán)、紅三種顏色處，驗(yàn)證了彩色閾值范圍的準(zhǔn)確性，但昏暗條件下顏色較為離散；由于白色安全帽和背景飽和度較低，彩色安全帽飽和度較高，因此S通道呈現(xiàn)高、低兩種飽和度趨勢(shì)?；璋岛兔髁羶煞N條件相比，色調(diào)H和飽和度S通道總體數(shù)值接近，區(qū)別不明顯。

對(duì)于亮度通道V，差別則較大?；璋禇l件下的亮度值V分布在10～140范圍內(nèi)，亮度峰值為18；明亮條件下的亮度值V分布在30～255范圍內(nèi)，亮度峰值為56，約為昏暗條件下的3倍，由此可見，明亮條件下V通道數(shù)值分布范圍大，且亮度值較為均衡。因此，可將昏暗條件下的圖像進(jìn)行V通道均衡化[15]處理，改變其亮度值分布，再用于目標(biāo)識(shí)別。

3.3V通道均衡化處理

傳統(tǒng)的圖像均衡化處理是對(duì)圖像整體進(jìn)行處理，對(duì)于局部圖像的對(duì)比度增強(qiáng)過大，易形成噪點(diǎn)，且對(duì)于不同區(qū)域的局部圖像，會(huì)因?yàn)檎{(diào)整后的過亮或過暗而丟失細(xì)節(jié)。因此，需要將對(duì)比度進(jìn)行限制，先將圖像進(jìn)行分塊，再對(duì)分塊的邊界進(jìn)行雙線性插值計(jì)算，最后再做均衡化處理。利用自適應(yīng)均衡化函數(shù)對(duì)算法進(jìn)行改進(jìn)，設(shè)置合適的對(duì)比度閾值及圖像分塊大小，得到的識(shí)別結(jié)果如圖10所示。

均衡前圖像光線昏暗，僅識(shí)別出藍(lán)色安全帽；均衡化后V通道的灰度值范圍明顯擴(kuò)大，平均灰度增加，使得圖像整體變亮，亮度均衡效果明顯，能夠準(zhǔn)確識(shí)別出三種顏色的安全帽。應(yīng)用改進(jìn)后的算法對(duì)包含4種顏色安全帽的視頻進(jìn)行實(shí)驗(yàn)測(cè)試，識(shí)別結(jié)果如表4所示。

可以看出，V通道自適應(yīng)均衡化后場(chǎng)景一中4種顏色安全帽識(shí)別率均有提高，多色識(shí)別率超過了90%，且程序運(yùn)行穩(wěn)定，誤檢率較低。程序發(fā)現(xiàn)目標(biāo)后立即點(diǎn)亮LED燈同時(shí)蜂鳴器發(fā)出報(bào)警，解除報(bào)警后程序繼續(xù)循環(huán)運(yùn)行，為施工危險(xiǎn)區(qū)域人員的自動(dòng)化識(shí)別提供了有效途徑。

4結(jié)論

1）算法實(shí)現(xiàn)了單色目標(biāo)及多色目標(biāo)的識(shí)別，其中單色目標(biāo)識(shí)別率超過了91%；優(yōu)化后多目標(biāo)識(shí)別中部分遮擋的安全帽識(shí)別率也超過了90%。

2）針對(duì)白色安全帽的識(shí)別，采用將原圖轉(zhuǎn)換到B通道的方法，解決了將黃色誤檢為白色的問題；針對(duì)光照昏暗條件下識(shí)別率低的問題，采用V通道自適應(yīng)直方圖均衡化的方法，提高了圖像整體亮度，從而提高了目標(biāo)識(shí)別率，優(yōu)化效果明顯。

3）根據(jù)Raspberry Pi系統(tǒng)體積小、接口豐富、適合多點(diǎn)布置等特點(diǎn)，創(chuàng)新性地將其用于施工危險(xiǎn)區(qū)域的目標(biāo)識(shí)別。算法無需數(shù)據(jù)集的提前訓(xùn)練，設(shè)置簡(jiǎn)單的參數(shù)后即可使用，為施工區(qū)域安全隱患排查和作業(yè)管控提供了解決方案。

參考文獻(xiàn)

[1] 周明星， 王子成， 劉慧婷. 中國(guó)安全生產(chǎn)政策變遷及其內(nèi)在邏輯—基于間斷均衡模型的實(shí)證分析 [J]." 中國(guó)安全生產(chǎn)科學(xué)技術(shù)， 2022， 18（8）： 44-49.

ZHOU M X， WANG Z C， LIU H T. Change of work safety policy in China and their internal logic： empirical analysis based on discontinuous equilibrium model[J]." Journal of Safety Science and Technology， 2022， 18（8）： 44-49.

[2] 吳先俊， 郭成. 基于智能安全帽的大型水電工程安全智能管控技術(shù) [J]." 人民黃河， 2021， 43（1）： 218-220.

WU X J， GUO C. Intelligent safety control""" technology of large hydropower project based on intelligent safety helmet[J]." Yellow River， 2021， 43（1）： 218-220.

[3] 李曉宇， 陳偉， 楊維， 等. 基于超像素特征與SVM分類的人員安全帽分割方法 [J]." 煤炭學(xué)報(bào)， 2021， 46（6）： 2009-2022.

LI X Y， CHEN W， YANG W， et al. Segmentation method for personnel safety helmet based on super-pixel features and SVM classification[J]." Journal of China Coal Society， 2021， 46（6）： 2009-2022.

[4] 劉曉慧， 葉西寧. 膚色檢測(cè)和Hu矩在安全帽識(shí)別中的應(yīng)用 [J]." 華東理工大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2021， 46（6）： 2009-2022.

LIU X H， YE X N. Skin color detection and Hu moments in helmet recognition research[J]." Journal of East China University of Science and Technology （Natural Science Edition）， 2021， 46（6）： 2009-2022.

[5] 申沖， 劉川， 張滿囤， 等. 基于弱監(jiān)督學(xué)習(xí)的細(xì)節(jié)三維人臉重建 [J]." 燕山大學(xué)學(xué)報(bào)， 2023， 47（2）： 144-151.

SHEN C， LIU C， ZHANG M T， et al. Detailed 3D face reconstruction based on weakly supervised learning[J]. Journal of Yanshan University， 2023， 47（2）： 144-151.

[6] 龐殊楊， 蘆莎. 基于改進(jìn) MTCNN 的多尺度安全帽識(shí)別 [J]." 計(jì)算機(jī)應(yīng)用研究， 2021， 38（6）： 1907-1916.

PANG S Y， LU S. Multi-scale safety helmet detection based on improved MTCNN[J]." Application Research of Computers， 2021， 38（6）： 1907-1916.

[7] 農(nóng)元君， 王俊杰， 徐曉東， 等. 面向嵌入式平臺(tái)的安全帽實(shí)時(shí)檢測(cè)方法 [J]." 計(jì)算機(jī)工程與應(yīng)用， 2022， 58（9）： 161-167.

NONG Y J， WANG J J， XU X D， et al. Real-time hardhats detection method for embedded platform[J]." Computer Engineering and Applications， 2022， 58（9）： 161-167.

[8] 趙穎， 李玉雙， 武小榮. 基于舌圖像多特征融合與機(jī)器學(xué)習(xí)的裂紋舌識(shí)別算法 [J]." 燕山大學(xué)學(xué)報(bào)， 2022， 46（6）： 522-528.

ZHAO Y， LI Y S， WU X R. Crack tongue recognition algorithm based on tongue image multi-features fusion and machine learning[J]." Journal of Yanshan University， 2022， 46（6）： 522-528.

[9] 胡正平， 張敏姣， 李淑芳， 等. 智能視頻監(jiān)控系統(tǒng)中行人再識(shí)別技術(shù)研究綜述 [J]." 燕山大學(xué)學(xué)報(bào)， 2019， 43（5）： 377-393.

HU Z P， ZHANG M J， LI S F， et al. Review of person re-identification technology in intelligent video surveillance system[J]." Journal of Yanshan University， 2019， 43（5）： 377-393.

[10] 李艷文， 胡浩波， 丁乙， 等. 一種基于RGB顏色分量的枝干圖像分割方法 [J]." 燕山大學(xué)學(xué)報(bào)， 2016， 40（5）： 446-450.

LI Y W， HU H B， DING Y， et al. A new method for color segmentation of tree branch image based on relationship of RGB components[J]." Journal of Yanshan University， 2016， 40（5）： 446-450.

[11] 李瑞生， 許丹， 翟登輝， 等. 基于HSV特征變換與目標(biāo)檢測(cè)的變壓器呼吸器缺陷智能識(shí)別方法 [J]." 高壓電技術(shù)， 2020， 46（9）： 3027-3035.

LI R S， XU D， ZHAI D H， et al. Intelligent defect identification method of transformer dehumidifier based on HSV transformation and object detection[J]." High Voltage Engineering， 2020， 46（9）： 3027-3035.

[12] 柳林. 基于OpenCV的數(shù)字圖像處理技術(shù) [M]." 杭州：浙江大學(xué)出版社， 2020： 179-180.

LIU L. Digital image processing using OpenCV[M]." Hangzhou： Zhejiang University Press， 2020： 179-180.

[13] BHANDARI A K， GHOSH A， KUMAR I V. A local contrast fusion based 3D Otsu algorithm for multilevel image segmentation [J]." IEEE/CAA Journal of Automatica Sinica， 2020， 7（1）： 200-213.

[14] 曾成， 李文霄. 組合導(dǎo)航中磁強(qiáng)計(jì)干擾估計(jì)與補(bǔ)償方法 [J]." 燕山大學(xué)學(xué)報(bào)， 2020， 44（1）： 49-54.

ZENG C， LI W X. Interference estimation and compensation method of magnetometer in integrated navigation[J]." Journal of Yanshan University， 2020， 44（1）： 49-54.

[15] 康爽， 陳長(zhǎng)征， 趙思雨， 等. 自適應(yīng)差異多尺度形態(tài)學(xué)的風(fēng)力機(jī)葉片紅外圖像增強(qiáng)研究 [J]." 中國(guó)機(jī)械工程， 2021， 32（7）： 786-792.

KANG S， CHEN C Z， ZHAO S Y， et al. Study on infrared image enhancement of wind turbine blades based on adaptive differential multiscale morphology （ADMM）[J]." China Mechanical Engineering， 2021， 32（7）： 786-792.