(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210583418.4 (22)申请日 2022.05.25 (71)申请人 中南大学 地址 410083 湖南省长 沙市麓山 南路932号 (72)发明人 王斌　刘弈　盛津芳　 (74)专利代理 机构 长沙朕扬知识产权代理事务 所(普通合伙) 43213 专利代理师 周云喆 (51)Int.Cl. G06V 20/52(2022.01) G06V 20/40(2022.01) G06V 40/20(2022.01) G06V 10/774(2022.01) (54)发明名称 基于计算机视觉的工人与机械防撞预测的 方法及系统 (57)摘要 本发明公开了基于计算机视觉的工人与机 械防撞预测的方法及系统， 通过 获取目标施工场 地的监控视频序列， 采用目标检测算法识别所述 监控视频序列中的机械、 工人； 在所述监控视频 序列中采用目标追踪算法追踪所述机械、 工人的 历史移动轨迹； 根据所述机械、 工人的历史移动 轨迹预测所述机械、 工人的后续移动轨迹； 将所 述机械、 工人的后续移动轨迹进行比较， 并根据 比较结果判断所述机械与工人是否存在碰撞风 险， 从而快速、 准确的预测出工人与机械存在的 碰撞风险， 有助于减少工地安全监管的人力成 本。 此外， 本发明采用计算机视觉技术进行实时 防撞预警， 相比现有的防撞预警系统， 本系统的 硬件设备要求极低。 权利要求书3页 说明书9页 附图2页 CN 114937240 A 2022.08.23 CN 114937240 A 1.一种基于计算机 视觉的工人与机 械防撞预测的方法， 其特 征在于， 包括以下步骤： 获取目标施工场 地的监控视频序列， 采用目标检测算法识别所述监控视频序列中的机 械、 工人； 在所述监控视频序列中采用目标追踪算法追踪所述机 械、 工人的历史移动轨 迹； 根据所述机 械、 工人的历史移动轨 迹预测所述机 械、 工人的后续移动轨 迹； 将所述机械、 工人的后续移动轨迹进行比较， 并根据比较结果判断所述机械与工人是 否存在碰撞风险。 2.根据权利要求1所述的基于计算机视觉的工人与机械防撞预测的方法， 其特征在于， 所述目标检测算法为YOLOv5算法， 所述YOLOv5算法针对不同的数据集， 都会有初始设定长 宽的锚框， 在网络训练中， 网络在初始锚框的基础上输出预测框， 进而和真实框进行比对， 计算两者差距， 再反向更新， 迭代网络参数； 所述YOLOv5算法每次训练时， 自适应的计算不 同训练集中的最佳锚框值。 3.根据权利要求2所述的基于计算机视觉的工人与机械防撞预测的方法， 其特征在于， 所述YOLOv5算法的损失函数为： 其中， IOU是检测框与目标框的交集与并集的比值； Distance_C为最小外接矩形的对角 线距离； Distance_2为检测框中心点与真实框中心点的欧氏距离； v 是衡量长宽比一致性的 参数， 定义 为： 其中， wgt与hgt是真实框的宽与高； wp与hp是检测框的宽与高。 4.根据权利要求3所述的基于计算机视觉的工人与机械防撞预测的方法， 其特征在于， 采用Mosaic数据增强方法构建训练集。 5.根据权利要求1所述的基于计算机视觉的工人与机械防撞预测的方法， 其特征在于， 根据所述机械、 工人的历史移动轨迹预测所述机械、 工人的后续移动轨迹， 具体包括以下步 骤： 针对机械或工人的历史移动轨 迹： 根据所述历史移动轨迹生成线性 回归函数， 并采用梯度 下降法调节线性 回归函数中的 参数； 其中， 所述线性回归函数为： f(x)＝ax+b 其中， (x,f(x) )为目标的位置信息， a与b分别为两个不同的函数参数； 其中， 所述梯度下降法公式为： 其中， x(i)与y(i)为历史轨迹点的位置信息， f(x(i))为根据某一历史轨迹点x(i)生成的预权　利　要　求　书 1/3 页 2 CN 114937240 A 2测值； 在梯度下降法中， 首先给参数a赋一个初始值， 之后不断调整a的取值， 直到J(a)取得最 小值时。 6.根据权利要求1所述的基于计算机视觉的工人与机械防撞预测的方法， 其特征在于， 将所述机械、 工人 的后续移动轨迹进行比较， 并根据比较结果判断所述机械与工人是否存 在碰撞风险， 通过以下任一方法实现： 方法一： 判断所述机械的后续移动轨迹和所述工人的后续移动轨迹是否在同一时空内 存在重合， 若存在重合， 则判断所述机 械与工人存在碰撞风险； 方法二： 计算所述机械的后续移动轨迹和所述工人的后续移动轨迹之间的最短距离， 判断所述最短距离是否小于预设的安全距离， 若所述最短距离小于预设的安全距离， 判断 所述机械与工人存在碰撞风险。 7.根据权利要求1所述的基于计算机视觉的工人与机械防撞预测的方法， 其特征在于， 所述目标追踪算法为de epsort算法， 具体包括以下步骤： 提取前后两帧中各个检测框中的目标特征， 所述目标特征包括外观特征和运动特征， 所述目标为机 械或工人； 对于前一帧监控视频中的任意第 i个检测框中的第 i个目标的特征， 以及后一帧监控视 频中的任意第j个 检测框中的第j个目标的特 征： 分别计算第 i个目标的特征和第j个目标的特征之间的匹配程度， 当所述匹配程度 大于 预设的阈值， 则判断第i个目标和第j个目标匹配成功， 为每 个匹配成功的目标分配ID。 8.根据权利要求7所述的基于计算机视觉的工人与机械防撞预测的方法， 其特征在于， 分别计算第i个目标的特征和 第j个目标的特征之 间的匹配程度， 当所述匹配程度大于预设 的阈值， 则判断第i个目标和第j个目标匹配成功， 具体为： 计算前一帧监控视频中第i个目标的运动特征与后一帧监控视频中的第j个目标的运 动特征之间的运动匹配度 其中， 所述 运动匹配度d(1)计算公式为： 其中， d(1)(i,j)中1表示前一帧监控视频中第i个目标与后一帧监控视频中的第j个目 标之间有线， 0则表示无线， 该表达式值表示为第j个检测框和第i条轨迹之间的运动匹配 度； 是轨迹由卡尔曼滤波器预测得到的在当前时刻观测空间的协方差矩阵的逆矩阵； dj 是第j个检测框的boundi ng box； yi是轨迹在当前时刻的预测量boundi ng box； 将所述运动匹配度 输入至预设的运动匹配度门限函数中， 判断前一帧监控视频中 第i个目标的运动特 征与后一帧监控视频中的第j个目标的运动特 征是否关联成功； 其中， 运动匹配度门限函数如下： 其中， 用 来决定初始匹配的连线， t(1)表示对于运动匹配度设定的阈值； 当 d(1)(i,j)≤t(1)表示前一帧监控视频中第i个目标的运动特征与后一帧监控视频中的第j个 目标的运动特 征关联成功；权　利　要　求　书 2/3 页 3 CN 114937240 A 3