一种检测安全帽佩戴情况的方法、计算机设备及存储介质

技术领域

本申请涉及计算机技术领域，尤其涉及一种检测安全帽佩戴情况的方法、计算机设备及存储介质。

背景技术

安全帽是施工现场有效保护作业人员头部、防止和减轻各种伤害事故、保证作业人员生命安全的重要防护用品。大量的事实证明，正确地配戴好安全帽可以有效地降低施工现场的事故发生频率，减轻事故伤害风险。

相关技术中，未对施工现场进行检测。并且由于施工现场监测距离较远、覆盖范围较大、人员处于活动状态，而且分布在不同的距离导致人员大小差异大，此外施工现场还受天气等影响，相关技术中的检测方案应用到施工现场时，存在大量的漏检或者检测错误。

综上所述，如何准确检测施工现场安全帽佩戴情况尚无有效解决方案。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种检测安全帽佩戴情况的方法、计算机设备及存储介质。

第一方面，本申请提供了一种检测安全帽佩戴情况的方法，包括：获取预设区域的时序图像；检测每帧图像中的头部目标，得到每帧图像包含的头部目标及头部目标的类别、类别置信度以及所在图像区域，其中，该类别包括：佩戴安全帽的头部目标和未佩戴安全帽的头部目标；对检测到的所有头部目标进行多目标跟踪，将多帧图像中的同一头部目标进行关联；对于每帧图像中检测出的每个头部目标，提取每个头部目标所在图像区域的预设图像特征；对于每帧图像包含的每个头部目标，根据每个头部目标在当前图像和当前图像的前序图像中检测得到的类别和类别置信度，以及在当前图像中提取的预设图像特征，使用随机森林分类器，确定每个头部目标对应于当前图像的类别。

在某些实施例中，上述方法还包括：对于每帧图像检测出的每个头部目标，确定每个头部目标在当前图像中所在图像区域与其在当前图像的前序图像中所在图像区域之间的直线距离；其中，对于每帧图像包含的每个头部目标，根据每个头部目标在当前图像和当前图像的前序图像中检测得到的类别和类别置信度、在当前图像中提取的预设图像特征，以及上述直线距离，使用随机森林分类器，确定每个头部目标对应于当前图像的类别。

在某些实施例中，上述方法还包括：对于每帧图像中新检测出的头部目标，在后序图像中使用随机森林分类器确定新检测出的头部目标对应于后序图像的类别。

在某些实施例中，上述预设图像特征包括：图像局部纹理特征和/或颜色直方图特征。

在某些实施例中，使用局部二值模式(Local Binary Pattern,简称为LBP)算子描述上述图像局部纹理特征。

在某些实施例中，获取预设区域的时序图像，包括：获取摄像头采集的视频，其中，摄像头的视野覆盖预设区域；按照预设条件从视频中抽取多帧图像，得到预设区域的时序图像。

在某些实施例中，上述方法还包括：检测每帧图像中的人体目标；根据每帧图像中头部目标的数量和人体目标的数量进行安全帽佩戴情况告警。

在某些实施例中，上述方法还包括：检测每帧图像中的人体，得到每帧图像包含的人体目标；对于每帧图像，如果确定为未佩戴安全帽的头部目标的数量为0，且确定为佩戴安全帽的头部目标的数量不等于检测到的人体目标的数量，标记图像为异常帧；如果确定为未佩戴安全帽的头部目标的数量大于0，标记所述图像为告警帧；根据连续多帧图像被标记为异常帧和/或告警帧的情况进行告警。

第二方面，本申请提供了一种计算机设备，该计算机设备包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序；计算机程序被处理器执行时实现上述任一检测安全帽佩戴情况的方法的步骤。

第三方面，本申请提供了一种计算机可读存储介质，该计算机可读存储介质上存储有检测安全帽佩戴情况的程序，该检测安全帽佩戴情况的程序被处理器执行时实现上述任一检测安全帽佩戴情况的方法的步骤。

本申请实施例提供的上述技术方案与现有技术相比具有如下优点：本申请实施例提供的该方法，对佩戴安全帽和未佩戴安全帽的头部目标进行目标检测和目标跟踪，得到同一头部目标在当前图像和当前图像的前序图像中的类别、类别置信度和所在图像区域，并提取头像目标所在区域的预设图像特征，使用随机森林分类器，根据头部目标在当前图像和其前序图像的类别、类别置信度以及头部目标在当前图像中的上述预设图像特征，确定头部目标对应于当前图像的类别，实现了佩戴安全帽和未佩戴安全帽的头部目标的准确识别，尤其是在监测距离远、覆盖范围大的情况下也能准确识别佩戴安全帽和未佩戴安全帽的头部目标。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的检测安全帽佩戴情况的系统一种实施方式的示意图；

图2为本申请实施例提供的检测安全帽佩戴情况的方法一种实施方式的流程图；

图3为本申请实施例提供的检测安全帽佩戴情况的方法一个示例的流程图；

图4为本申请实施例提供的随机森林分类器一种实施方式的示意图；

图5为本申请实施例不同亮度下的LBP特征的一个示例；

图6为本申请实施例不同颜色安全帽的颜色直方图特征的一个示例；以及

图7为本申请实施例提供的计算机设备一种实施方式的硬件示意图。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。

本申请实施例提供了一种检测安全帽佩戴情况的系统，如图1所示，系统100包括：一个或多个摄像头101、计算机设备102和客户端103。应当理解，本申请实施例并不限于此，例如，摄像头和计算机设备可集成为一体。

在本申请实施例中，摄像头101设置在施工现场，其视野覆盖施工现场的至少部分区域，用以采集其覆盖区域的视频图像。在一些示例中，摄像头101固定覆盖一区域，按照预设条件采集该区域的视频图像。在一些示例中，施工现场被划分为多个子区域，每个子区域设置摄像头101来采集子区域的视频图像。在一些示例中，摄像头101被配置为可调整的，其能够在不同时间覆盖不同的区域，以对多个区域进行监测。

在本申请实施例中，计算机设备102与摄像头101通信连接，计算机设备102被配置为控制摄像头101、接收摄像头101采集的视频图像，根据摄像头101采集的图视频检测安全帽佩戴情况。在一些示例中，计算机设备102被配置为根据检测结果进行告警，并向客户端103发送告警消息，以通知施工现场安全帽佩戴情况。

在本申请实施例中，由于施工现场的环境往往比较恶劣，算法受反光、相似物体以及拍摄距离等因素的影响比较大，因而会出现大量的漏检、错检，特别是不同帧之间检测结果不稳定的情况。

另外，为了覆盖加大的范围，摄像头101架设一般距离作业面较远，安全帽较小，导致误报率高。在某些情况下，摄像头101需要巡航较大的范围，检测的目标大小差异很大，导致误报率高。

进一步的，现场施工人员作业时往往需要弯着腰或蹲着，时常出现被支架或者墙壁的遮挡，很难进行检测检测，或者检测之后头部位置检测不准确。另外，一群人聚集在一起进行作业，检测到人体后无法裁剪人头位置图片，无法实现安全帽检测。

为了至少部分解决上述问题，本申请实施例提供了一种检测安全帽佩戴情况的方法。该方法综合利用多目标跟踪与随机森林分类器的安全帽佩戴检测方法，面向开放的施工现场，解决对施工现场人员是否正确佩戴安全帽进行检测时存在的漏检、检测结果不稳定以及无法实现工地全覆盖检测等问题，实现施工现场工作人员佩戴安全帽的检测，并能够在线实时检测。

根据实际施工环境，合理安装摄像头101，并可设置摄像头101的预置点与巡航周期，从而获得现场的图像。对需要监控的施工区域进行监测，判断区域内是否存在未佩戴安全帽的情况。在一些示例中，考虑到算法存在漏检与误检的情况，通过综合判断多帧视频中人体目标、佩戴安全帽的头部目标以及未佩戴安全帽的头部目标的检测结果进行告警输出，提高了告警准确度。

下面结合图1所示的系统100对本申请实施例检测安全帽佩戴情况的方法进行描述。

图2为本申请提供的检测安全帽佩戴情况的方法一种实施方式的流程图，如图2所示，该方法包括步骤S202至步骤S210。应当理解，虽然在本申请实施例中步骤具有编号，但这不是对步骤的执行顺序的限定，根据需要步骤之间可以调整先后顺序或者同步执行。

步骤S202，获取预设区域的时序图像。

在步骤S202中，时序图像可为视频图像的所有帧图像，也可为从视频图像中抽取的图像。在实际应用中，通过设置抽帧条件，例如每秒抽取的帧数等，从视频图像中抽取图像。

步骤S204，检测每帧图像中的头部目标，得到每帧图像包含的头部目标及头部目标的类别、类别置信度以及所在图像区域。

在步骤S204中，作为示例性说明，通过YOLO算法使用基于深度学习的目标检测模型进行目标检测，但本申请实施例并不限于此，其他目标检测方法也是可行的。

在步骤S204中，头部目标的类别包括：佩戴安全帽的头部目标和未佩戴安全帽的头部目标。

在步骤S204中，检测到头部目标，并确定检测到的头部目标的类型。类别置信度为头部目标被识别为佩戴安全帽的头部目标的概率，或被识别为佩戴安全帽的头部目标的概率。

在步骤S204中，作为示例性说明，头部目标所在图像区域为图像上的目标框，通过目标框的顶点像素坐标表示所在图像区域，但本申请实施例对此不做限定。

步骤S206，对检测到的所有头部目标进行多目标跟踪，将多帧图像中的同一头部目标进行关联。

在步骤S206中，每帧图像上能够检测到多个头部目标，通过多目标跟踪方法，对每个头部目标进行目标跟踪，将多帧图像中的同一头部目标进行关联。作为示例性说明，在一些示例中，使用SORT算法进行多目标跟踪。

在步骤S206中，为检测到的同一头部目标分配同一标识(ID)，相同ID的头部目标为同一目标。

步骤S208，对于每帧图像中检测出的每个头部目标，提取每个头部目标所在图像区域的预设图像特征。

在步骤S208中，提取一种或多种预设图像特征，多种图像特征有利于对头部目标的最终分类。

步骤S210，对于每帧图像包含的每个头部目标，根据每个头部目标在当前图像和当前图像的前序图像中检测得到的类别和类别置信度，以及在当前图像中提取的预设图像特征，使用随机森林分类器，确定每个头部目标对应于当前图像的类别。

通过步骤S210，使用随机森林分类器确定得到每帧图像检测到的头部目标的类别。通过每个头部目标在当前图像和当前图像的前序图像中检测得到的类别和类别置信度，以及在当前图像中提取的预设图像特征，使用随机森林分类器，对头部目标的类别综合判断，提高了头部目标识别的准确度。

本申请实施例提供的该方法，对佩戴安全帽和未佩戴安全帽的头部目标进行目标检测和目标跟踪，得到同一头部目标在当前图像和当前图像的前序图像中的类别、类别置信度和所在图像区域，并提取头像目标所在区域的预设图像特征，使用随机森林分类器，根据头部目标在当前图像和其前序图像的类别、类别置信度以及头部目标在当前图像中的上述预设图像特征，确定头部目标对应于当前图像的类别，实现了佩戴安全帽和未佩戴安全帽的头部目标的准确识别，尤其是在监测距离远、覆盖范围大的情况下也能准确识别佩戴安全帽和未佩戴安全帽的头部目标。

在某些示例中，上述预设图像特征为颜色直方图特征。颜色直方图是一种全局特征，描述了图像或图像区域所对应的景物的表面性质，由于安全帽目标具有固定的几类颜色，因此通过颜色直方图特征提高判断头部目标是否佩戴安全帽的准确性。

在某些示例中，上述预设图像特征为图像局部纹理特征。在亮度变化比较明显时，图像的局部纹理特征变化很小，因此能够更好的体现室外场景下安全帽的特征信息。在一个优选示例中，使用LBP算子或其改进算子来表征图像具体纹理特征，LBP特征是一种用来描述图像局部特征的算子，具有灰度不变性和旋转不变性等显著优点。在本文中，“LBP算子”为一类算子，包括其各中改进，并不限于其中一种。

在某些示例中，上述预设图像特征包括颜色直方图特征和图像局部纹理特征，以通过颜色直方图特征提高判断头部目标是否佩戴安全帽的准确性，通过图像局部纹理特征提高对现场明暗度的适应性。

应当理解，本申请实施例中，预设图像特征并不限于颜色直方图特征和图像局部纹理特征，其他图像特征也是可以被构想的，本申请实施例对此不做限定，本领域技术人员可以采用其他一种或多种图像特征。本申请实施例在当前图像的检测结果的基础上，结合前序图像的检测结果，以及头部目标在图像中所在图像区域的图像特征，使用随机森林分类器，进一步确定头部目标对应于当前图像的类别，从而提高识别准确度。

在某些示例中，为了提高鲁棒性以及降低目标跟踪误差，对于每帧图像检测出的每个头部目标，还确定每个头部目标在当前图像中所在图像区域与其在当前图像的前序图像中所在图像区域之间的直线距离。在步骤S210中，对于每帧图像包含的每个头部目标，根据每个头部目标在当前图像和当前图像的前序图像中检测得到的类别和类别置信度、在当前图像中提取的预设图像特征，以及上述直线距离，使用随机森林分类器，确定每个头部目标对应于当前图像的类别。

在上述步骤S210中，对于每帧图像中新检测出的头部目标，在后序图像中使用随机森林分类器确定新检测出的头部目标的类别。

在某些示例中，上述步骤S202中，获取摄像头采集的视频，其中，摄像头的视野覆盖预设区域；按照预设条件从视频中抽取多帧图像，得到预设区域的时序图像。

在某些示例中，上述方法还包括：检测每帧图像中的人体目标；根据每帧图像中头部目标的数量和人体目标的数量进行安全帽佩戴情况告警。对头部目标和人体目标的数量进行比对，提升告警的可靠性。

在某些示例中，上述方法还包括：对未佩戴安全帽的头部目标进行轨迹跟踪，得到未佩戴安全帽的人员的移动轨迹图。在一些示例中，进行告警时，将未佩戴安全帽的人员的移动轨迹图发送至客户端，以告知相关人员。

本申请实施例还提供了一种告警策略，上述方法还包括：检测每帧图像中的人体，得到每帧图像包含的人体目标。对于每帧图像，如果确定为未佩戴安全帽的头部目标的数量为0，且确定为佩戴安全帽的头部目标的数量不等于检测到的人体目标的数量，标记图像为异常帧；如果确定为未佩戴安全帽的头部目标的数量大于0，标记图像为告警帧；根据连续多帧图像被标记为异常帧和/或告警帧的情况进行告警。例如，在滑动窗口内，如果连续m帧图像被标记为告警帧，则发出告警。

下面以YOLO算法进行目标检测并以SORT算法进行目标跟踪为例，对本申请实施例的一个示例进行描述。

以佩戴安全帽的人员头部、未佩戴安全帽的人员头部和人员的全身作进行样本标注对检测模型进行训练；对于模型推理过程的输出，选取类别、类别置信度，结合图像前一帧的检测信息与定位区域的其他图像特征训练随机森林分类器，进一步对模型的最终结果进行决策。

本示例的流程图如图3所示，下面结合图3对本示例进行描述。

根据实际施工环境，合理安装部署摄像头，并设置摄像头的预置点与巡航周期，从而获取现场的图像。对重点区域，采用固定摄像头进行实时图像采集。

摄像头预置点设置，可以通过多摄像头实现工地全覆盖；定义摄像头巡航周期以及预置点设置规则；自动调度摄像头预置点，按照定义的逻辑定时调用摄像头到指定预置点，与智能检测算法相结合，进行视频抽帧，根据算法需要确定每秒抽取的帧数进行检测处理。

采用基于深度学习的目标检测算法进行目标检测，其中，YOLO算法具有比较快的检测速度与较高的准确度，本示例中采用YOLOv3算法进行陈述。

针对施工现场人员、佩戴安全帽的人员头部、未佩戴安全帽的人员头部进行样本标记与模型训练。从施工现场的监控视频中抽取合适的视频帧作为样本数据，将所有图片的80％作为训练集，其余的20％作为测试集。利用训练好的目标检测模型，实时检测施工现场的人员，检测过程中输入为每帧视频图像，输出为当前帧检测到的目标位置(人体的位置、头部的位置)、类别(是否戴安全帽)与类别置信度。

采用多目标跟踪算法确定视频图像中的目标，并持续跟踪目标的移动，可以在检测窗口中实时绘制出被检测目标的移动轨迹。

现在多目标跟踪算法的效果，与目标检测的结果息息相关，因为主流的多目标跟踪算法都是TBD(Tracking-by-Detection)策略。这里，采用SORT(Simple Online AndRealtime Tracking)算法为例进行说明，当然也可以采用DeepSORT或者其他的MultipleObject Tracking，MOT算法。

SORT算法由卡尔曼滤波器与匈牙利算法构成。利用SORT算法进行目标跟踪的前提，是利用检测器检测目标，若目标检测不准确，则会造成跟踪效果不佳。具体步骤如下：

1)利用YOLO检测视频第一帧，利用检测到的目标信息(Box，目标框)建立一个跟踪器并初始化，为每一个目标分配ID，并利用卡尔曼滤波器处理第一帧检测到的Box信息，生成第二帧的状态预测和协方差预测。

2)利用YOLO检测视频第二帧，对得到的新的目标信息与上一帧通过卡尔曼滤波器预测的目标信息求取IOU(Intersection-Over-Union，交并比)，通过匈牙利二分图匹配算法得到两帧中IOU最大的唯一匹配(数据关联部分)，另外还要去掉匹配值小于阈值的匹配对，这样就将前后视频帧中的同一目标匹配了起来。

3)用第二帧中匹配到的目标检测Box去更新卡尔曼跟踪器，计算卡尔曼增益、状态更新和协方差更新，并将状态更新值输出，作为第二帧的跟踪Box。对于第二帧中没有匹配到的目标重新初始化跟踪器，分配新的ID。

4)重复第二步与第三步直到视频结束。

针对同一帧图像，分别基于人体检测模型、佩戴安全帽模型、未佩戴安全帽模型进行检测检测，可以采用YOLOv3或者R-CNN类似算法，得到相应的目标检测检测结果，即目标位置(所在图像区域)、类别与类别置信度。建立目标集合：

S

S

S

针对集合S

随机森林是由多棵决策树组成的分类器，其分类决策由构成森林的子决策树分类结果的多数决定，是一种基于决策树的集成学习方法，如图4所示。随机森林相对于其他分类算法能够较好地容忍噪声，并具有较好的泛化性能。构建随机森林步骤如下：

1)设定随机森林需要构造的决策树数目T；

2)对样本数据进行自举重采样，生成多个样本子集；即每次从N个样本中有放回地随机取出一个，这样取N次，最后会得到N个样本，其中有可能取到重复样本；

3)随机抽取用来构造决策树的特征：每次从所有候选特征中随机的选出m个特征，作为当前节点下决策用的备选特征；

4)利用上述已经选好的代表性特征，将每个重采样的样本集作为训练样本构造决策树；

5)得到事先给定的决策树数目的众多决策树后，分别对每棵树的输出结果进行投票，将票数最多的决策作为随机森林最后的决策输出。

对于同一个目标，所设计的随机森林分类器选取当前帧中目标的类别和类别置信度、上一帧中目标的类别和类别置信度(如果是新的ID则不通过随机森林分类器，等待下一帧再投票决策)、在当前帧与上一帧中同一目标的直线距离、目标所在图像区域的CircularLBP特征和颜色直方图特征作为分类依据进行随机森林分类器训练。

其中，Circular LBP是由普通LBP特征改进而来的，LBP特征是一种用来描述图像局部特征的算子，具有灰度不变性和旋转不变性等显著优点。如图5所示，在亮度变化比较明显时，图像的LBP特征变化很小，因此能够更好的体现室外场景下安全帽的特征信息。颜色直方图是一种全局特征，描述了图像或图像区域所对应的景物的表面性质，由于安全帽目标具有固定的几类颜色，如图6所示为不同颜色安全帽的颜色直方图。

本示例中，随机森林分类器训练步骤如下：

1)对于待检测图像，首先使用训练好的YOLOv3模型对其进行计算推理，获得目标的位置、类别以及置信度信息。

2)对于当前帧中YOLOv3检测的目标，获取其LBP特征和颜色直方图特征，同时利用SORT算法与前一帧中的目标进行关联。

3)针对当前帧中YOLOv3定位得到的目标，选取类别、类别置信度、上一帧中同一目标的类别和类别置信度、上一帧中同一目标的直线距离以及目标区域的LBP特征和颜色直方图特征作为特征属性训练随机森林分类器。

利用训练好的随机森林分类器对每一帧的检测结果进行分类，根据决策树最终的分类结果，决定最终的检测结果。

对监控视频中检测到的未佩戴安全帽人员进行告警，并对检测到的未佩戴安全帽人员进行轨迹跟踪形成移动轨迹图，为了更进一步减少算法的误检和漏检以及频繁告警对系统造成的影响，设计了一种告警逻辑：

假设当前帧为F(x)，统计帧F(x)中检测到的人体目标数量为P(x)，佩戴安全帽的头部目标数量为H(x)，未佩戴安全帽的头部目标为N(x)；

如果N(x)＝0，且H(x)＝P(x)，则说明没有未佩戴安全帽的人员，无须告警；

如果N(x)＝0，且H(x)>P(x)，则大概率存在漏检的情况，也可能是头部被遮挡，标记帧F(x)为异常帧；

如果N(x)＝0，且H(x)

如果N(x)>0，则大概率存在未佩戴安全帽的人员，建立集合S(x)＝{当前帧F(x)中未佩戴安全帽的目标T(x,y)}，标记帧F(x)为告警帧；

对于以上信息，建立滑动窗口W(m)，用于统计连续m帧(其中m可以根据情况设定)的告警结果，设m帧中连续出现未佩戴安全帽的目标，则对集合中的目标进行告警，包括生成触发告警之前的视频以及告警目标的移动轨迹。对于连续出现的异常帧，也可以根据用户需求设定进行告警，以便值班人员随时关注可能出现的异常。

在本示例中，针对未佩戴安全帽的工作人员进行告警；可以按照用户设置进行连续检测与检测，生成多组告警信息；实现未佩戴安全帽人员的轨迹跟踪，形成告警信息与视频。

本实施例还提供一种计算机设备。本实施例的计算机设备20至少包括但不限于：可通过系统总线相互通信连接的存储器21、处理器22，如图7所示。需要指出的是，图7仅示出了具有组件21-22的计算机设备20，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。

本实施例中，存储器21(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器21可以是计算机设备20的内部存储单元，例如该计算机设备20的硬盘或内存。在另一些实施例中，存储器21也可以是计算机设备20的外部存储设备，例如该计算机设备20上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，存储器21还可以既包括计算机设备20的内部存储单元也包括其外部存储设备。本实施例中，存储器21通常用于存储安装于计算机设备20的操作系统和各类应用软件，例如检测安全帽佩戴情况的方法的程序代码等。此外，存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。

处理器22在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备20的总体操作。本实施例中，处理器22用于运行存储器21中存储的程序代码或者处理数据，例如检测安全帽佩戴情况的方法的程序代码，以实现检测安全帽佩戴情况的方法。

本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储检测安全帽佩戴情况的程序，被处理器执行时实现检测安全帽佩戴情况的方法的步骤。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。