馮國臣，陳艷艷，陳 寧，李 鑫，宋程程

(北京市交通工程重點實驗室(北京工業(yè)大學)，北京 100124)

在施工區(qū)，安全帽作為一種最常見和實用的個人防護用具，能夠有效地防止和減輕外來危險源對頭部的傷害。然而，長期以來，我國施工區(qū)作業(yè)人員普遍存在綜合素質(zhì)低、安全意識不強的問題，尤其缺乏基礎(chǔ)防護設(shè)施(如安全帽)的佩戴意識，大大增加了作業(yè)風險。隨著交通運輸部公路水運“平安工地”創(chuàng)建活動開展以來，各級施工安全監(jiān)管部門對作業(yè)人員的要求逐步提高，許多示范工程已經(jīng)率先采用各種智能監(jiān)控手段保障作業(yè)人員的人身安全。鑒于此，本文對基于機器視覺的安全帽自動識別技術(shù)進行研究，以滿足施工單位及各級安全監(jiān)管部門的實際監(jiān)管需求，切實保障施工區(qū)作業(yè)人員的人身財產(chǎn)安全。

目前，施工現(xiàn)場對安全帽佩戴情況的識別主要以人工檢查的方式為主，存在監(jiān)管費用高、主觀干擾大、不能全程監(jiān)控等一系列問題，通過在施工現(xiàn)場布設(shè)視頻監(jiān)控設(shè)備或利用現(xiàn)有的施工監(jiān)控設(shè)備，采用機器視覺的相關(guān)方法進行安全帽的自動識別，可以實現(xiàn)對作業(yè)人員安全帽佩戴情況信息的全程快速識別，在降低監(jiān)管費用的同時提升了監(jiān)管信息化水平。國內(nèi)已經(jīng)有許多專家對安全帽的自動識別技術(shù)進行了研究，胡恬等［1］在著重分析小波變換和BP神經(jīng)網(wǎng)絡(luò)在安全帽識別中應(yīng)用的基礎(chǔ)上，提出了安全帽識別神經(jīng)網(wǎng)絡(luò)模型;劉曉慧等［2］采用膚色檢測的方法定位人臉，再利用支持向量機(SVM)模型實現(xiàn)安全帽的識別;劉云波等［3］通過檢測運動目標1/3部分中的像素點色度值分布情況，判斷是否佩戴安全帽及識別安全帽的顏色?，F(xiàn)有方法在特定場景下均可實現(xiàn)對安全帽的精確識別，但也存在對環(huán)境要求高、識別率波動大、易受環(huán)境干擾等一系列問題。

本文基于機器視覺的安全帽自動識別技術(shù)的相關(guān)方法，設(shè)計一種具有環(huán)境適應(yīng)性強、檢測精度高的施工區(qū)安全帽自動識別技術(shù)方法。

1 安全帽自動識別算法

安全帽自動識別算法的核心思想是在前景檢測的基礎(chǔ)上，通過前景連通域的處理，判別并跟蹤作業(yè)人員，進而定位作業(yè)人員安全帽佩戴區(qū)域，最終通過分析區(qū)域像素值，判斷作業(yè)人員安全帽佩戴情況，算法流程如圖1所示。

1.1 圖像預處理

為提高視頻圖像的處理速度，在圖像預處理中依次對圖像進行灰度化處理和圖像去噪。

1)圖像灰度化。

施工區(qū)中布設(shè)的視頻監(jiān)控采集設(shè)備所獲取的普遍為彩色圖像信息，為提高圖像處理速度，實現(xiàn)實時自動監(jiān)控，需對彩色圖像進行灰度化處理。目前，常見的灰度化處理方法［4－5］包括:分量法、最大值法、平均值法和加權(quán)平均法。

本文采用加權(quán)平均法進行灰度化處理:根據(jù)重要性及其他指標，將R，G，B3個分量以不同的權(quán)值進行加權(quán)平均，具體公式如下:

圖1 安全帽自動識別算法流程圖

式 中:f(i，j)表 示 灰 度 化 結(jié) 果;R(i，j)，G(i，j)，B(i，j)分別表示紅、綠、藍3個通道顏色變量。

2)圖像去噪。

由視頻監(jiān)控采集設(shè)備采集的視頻圖像會存在一定的噪聲點，為便于進行后期圖像處理工作，需要去除這些噪聲點。本文采用中值濾波［6］的方式去除噪聲點。

中值濾波法是一種非線性平滑技術(shù)，將每一像素點的灰度值設(shè)置為該點某鄰域窗口內(nèi)的所有像素點灰度值的中值。中值濾波法用二維滑動模板，將板內(nèi)像素值按大小排序，生成單調(diào)上升(或下降)的二維數(shù)據(jù)序列。二維中值濾波輸出為:

式中:f(x，y)，g(x，y)分別為原始圖像和處理后的圖像;W為二維模板，通常為2×2或3×3，本文采用3×3的模板，取模板中的中值。

1.2 前景檢測

對前景圖像的識別檢測是提高識別環(huán)境適應(yīng)性的重要因素，本文采用混合高斯模型進行前景圖像的檢測識別正是基于混合高斯模型的高適應(yīng)性?；旌细咚鼓Ｐ途褪怯酶咚垢怕拭芏群瘮?shù)精確地量化事物，將一個事物分解為若干基于高斯概率密度函數(shù)形成的模型。

文中采用混合高斯模型［7］進行前景檢測的過程如下:使用5個高斯模型來表征圖像中各個像素點的特征，在新一幀圖像獲得后更新混合高斯模型，用當前圖像中的每個像素點與混合高斯模型匹配，如果匹配成功，則判定該點為背景點，否則為前景點。采用混合高斯模型進行前景檢測后得到關(guān)于前景的二值化圖像，但該圖像仍存在部分噪聲點，采用中值濾波的方法予以剔除，此處不再贅述。

1.3 連通域檢測

對連通域處理是進行人體判別和跟蹤的關(guān)鍵，也是進行安全帽位置界定的關(guān)鍵，連通域處理分為人體判別和跟蹤兩部分內(nèi)容。

1)人體判別。

通過連通域進行人體判別分為圖像膨脹、邊緣檢測和人體識別3部分內(nèi)容。

①圖像膨脹。

圖像膨脹是進行邊緣檢測的基礎(chǔ)，直接對圖像人體進行邊緣檢測經(jīng)常會出現(xiàn)前景人體不連續(xù)的現(xiàn)象，形成對人體的多段分割，從而造成對人體的誤判，因此需在邊緣檢測前首先進行圖像膨脹處理。

對于二值圖像，膨脹意味著用結(jié)構(gòu)元素在圖像上移動，只要結(jié)構(gòu)元素中有一個點與圖像中的點是重疊的就可以了，膨脹的結(jié)果是結(jié)構(gòu)元素中心點劃過區(qū)域的內(nèi)部，因此圖像的邊緣就被擴大了。

②邊緣檢測。

邊緣檢測的目的是勾勒出人體的邊緣形態(tài)，利用人體識別進行判斷。本文采用Canny邊緣檢測方法［8－11］進行人體的邊緣檢測。具體步驟如下:

步驟1，利用方差為1.4的高斯函數(shù)模板及圖像進行卷積運算，進而平滑圖像，去除圖像噪聲點;

步驟2，計算梯度的幅值和方向時，利用一階偏導的有限差分來進行，x和y方向的偏導數(shù)分別為(x，y)和(x，y)，方向角為 θ(x，y)，梯度幅值為 M(x，y);

步驟3，對梯度幅值應(yīng)用非極大值抑制。由于幅值M越大，對應(yīng)的圖像梯度值也會越大，為確定邊緣，因此需細化幅值圖像中的屋脊帶，只保留幅值局部變化最大的點，生成細化的邊緣;

步驟4，為使Canny算子提取的邊緣點更具魯棒性，采用雙閾值算法檢測并連接邊緣。假設(shè)高、低閾值分別為Hth和Lth，選取高閾值Hth時，采用圖像梯度值對應(yīng)的直方圖來進行。設(shè)非邊緣點數(shù)目占總圖像像素點數(shù)目的比例為Hratio，根據(jù)圖像梯度值對應(yīng)的直方圖進行累加，當累加數(shù)目達到總像素數(shù)目的Hratio時，將對應(yīng)的圖像梯度值計為Hth。低閾值Lth則通過Lth=Hratio*Hth計算得到。最后通過對邊緣點的標記和領(lǐng)域關(guān)系進行連接，得到邊緣檢測圖。

邊緣內(nèi)面積的計算采用邊緣域內(nèi)逐點累積的方法，對邊緣內(nèi)面積進行計算是人體初步判別的必要條件，由于視頻監(jiān)控采集架設(shè)的角度不同，因此邊緣內(nèi)面積的上界和下界閾值存在差異，本文判別人體的像素面積范圍為［45 000，60 000］。

③人體識別。

本文采用基于模型的方法［12－13］來實現(xiàn)人體運動識別，根據(jù)視頻序列中人體運動特征進行具體化的擬合從而建立起相應(yīng)的模型，可以形象地展現(xiàn)目標當前的狀態(tài)，重建目標過去的狀態(tài)，還可以對目標將來的狀態(tài)做出大致的估計。

人體模型形象直觀，可以在視角變化或物體遮擋等外在因素存在的前提下很好地表征人體運動過程中肢體的變化，理論上識別正確率幾乎可以達到100%。

2)人體跟蹤。

人體跟蹤的目的是為了對同一目標進行持續(xù)追蹤，避免重復報警信息。人體跟蹤［14－15］的方法為在當前幀每個識別框的中心建立一個較小的搜索區(qū)，若上一幀中有識別框的中心出現(xiàn)在該搜索區(qū)內(nèi)，則判定這兩個識別框為相鄰兩幀間的同一作業(yè)人員目標，從而實現(xiàn)跟蹤。

1.4 安全帽定位識別

在人體判別的基礎(chǔ)上，通過對安全帽位置的估測實現(xiàn)安全帽的檢測識別。安全帽位置估測過程為:以人體邊緣外圍構(gòu)建邊界矩形，要求邊界矩形包含所有人體邊緣，以邊界矩形上邊緣作為估測矩形的上邊緣，邊界矩形上邊緣與下邊緣間1/10靠近上邊緣位置作為估測矩形下邊緣，邊界矩形左邊緣與右邊緣間1/4靠近左邊緣位置作為估測矩形左邊緣，邊界矩形左邊緣與右邊緣間3/4靠近右邊緣位置作為估測矩形右邊緣，形成安全帽估測矩形。

對估測矩形內(nèi)的像素特征進行判別，若滿足安全帽像素特征，則判定為已佩戴安全帽，若不滿足，則判定為未佩戴安全帽。

安全帽特征的選取是安全帽識別的關(guān)鍵因素，研究發(fā)現(xiàn)，安全帽的角點特征并不明顯，并且角點特征針對不同角度的攝像頭的適應(yīng)性較差，若采用SIFT角點特征［16］的方法進行安全帽自動識別，效果不明顯。本文以顏色統(tǒng)計特征的方法［17－18］進行安全帽的檢測，具體步驟如下:

步驟1，獲取安全帽估測位置矩形的原彩色圖像的三通道像素點值(即R，G，B值)。

步驟2，分類當前所采用的安全帽的顏色類型，常用的包括紅、黃、白3種顏色。

步驟3，根據(jù)不同色彩的安全帽建立閾值選取范圍，各顏色安全帽閾值見表1。

表1 安全帽顏色閾值表

步驟4，逐點統(tǒng)計安全帽估測區(qū)域的像素點，若像素點的R，G，B值均滿足安全帽顏色閾值表中某種安全帽的顏色閾值范圍，則將該點記錄下來。

步驟5，對統(tǒng)計點進行分類，判斷各種安全帽顏色點的數(shù)量占整個統(tǒng)計區(qū)域像素點數(shù)量的比例，若超過某一比例則判定其佩戴相應(yīng)顏色的安全帽，若均達不到要求，則判定其未佩戴安全帽。

步驟6，對未佩戴安全帽的人員進行警示。

安全帽自動識別技術(shù)示意圖如圖2所示。

圖2 安全帽自動識別技術(shù)示意圖

2 實例驗證

為驗證識別算法的準確性，在廣佛肇高速公路進行了現(xiàn)場實驗，實驗過程如下:

步驟1，將監(jiān)控設(shè)備架設(shè)在適當位置，確定興趣區(qū)。

步驟2，1名實驗人員不佩戴安全帽進入檢測區(qū)域，重復實驗15次，記錄未佩戴安全帽檢測次數(shù)。

步驟3，實驗人員分別佩戴紅、黃、白色安全帽進入檢測區(qū)域，重復實驗10次，記錄每種顏色下顯示未佩戴安全帽的次數(shù)。

步驟4，1名實驗人員佩戴安全帽，1名實驗人員不佩戴安全帽，兩人同時進入檢測區(qū)域，重復實驗10次，記錄顯示未佩戴安全帽人員的次數(shù)。

經(jīng)上述實驗過程后，得實驗結(jié)果見表2。

表2 實驗結(jié)果

實驗結(jié)果顯示，單人或多人同時進入檢測區(qū)域時，存在漏檢的情況，但整體檢測精確度平均達到92.1%，表明該識別方法具有較高的識別準確率。實驗過程中，實驗環(huán)境較差，揚塵、機械振動頻繁，該方法檢測可靠度較高，受環(huán)境變化影響較小，表現(xiàn)了高度的環(huán)境適應(yīng)性。

3 結(jié)束語

本文提出了一種基于機器視覺的施工區(qū)安全帽智能識別技術(shù)方法，該方法采用混合高斯模型進行前景檢測，通過對連通區(qū)域人體邊緣的檢測處理，實現(xiàn)對作業(yè)人員的自動判別和跟蹤，最后對估測矩形內(nèi)的像素進行統(tǒng)計分析，實現(xiàn)安全帽的自動識別檢測。

安全帽自動檢測中采用模式識別方式，直接對頭部進行特征表達，并通過反復訓練，得到不同類別安全帽的特征表達，提高不同環(huán)境下的檢測準確率。實驗結(jié)果顯示，該方法具備較高的環(huán)境適應(yīng)性和檢測準確率，可以實現(xiàn)對施工區(qū)作業(yè)人員安全帽佩戴情況的自動識別檢測，可輔助各級施工區(qū)安全監(jiān)管單位進行施工區(qū)智能化監(jiān)管，提高施工區(qū)安全監(jiān)管信息化水平。

［1］ 胡恬，王新剛.基于小波變換和神經(jīng)網(wǎng)絡(luò)的安全帽識別系統(tǒng)分析與設(shè)計［J］.軟件導刊，2006(23):37－38.

［2］ 劉曉慧，葉西寧.膚色檢測和Hu矩在安全帽識別中的應(yīng)用［J］.華東理工大學學報:自然科學版，2014(3):365－370.

［3］ 劉云波，黃華.施工現(xiàn)場安全帽佩戴情況監(jiān)控技術(shù)研究［J］.電子科技，2015(4):69－72.

［4］ 龔愛平.基于嵌入式機器視覺的信息采集與處理技術(shù)研究［D］.杭州:浙江大學，2013.

［5］ 賀姣.基于色差模型的彩色圖像灰度化算法研究［D］.西安:西安電子科技大學，2014.

［6］ 李啟湛.推掃式光譜成像中藥檢測系統(tǒng)軟件設(shè)計［D］.廣州:暨南大學，2011.

［7］ Zhang Yufei，Bi Duyan.Adaptive learning algorithm based on mixture Gaussian background ［J］.Journal of Systems Engineering and Electronics，2007，18(2):369 －376.

［8］ 張玲艷.基于Canny理論的自適應(yīng)邊緣檢測方法研究［D］.西安:西北大學，2009.

［9］ 郭進，劉先勇.機器視覺標定中的亞像素中心定位算法［J］.傳感器與微系統(tǒng)，2008，27(2):106 －108.

［10］張帆，彭中偉，蒙水金.基于自適應(yīng)閾值的改進Canny邊緣檢測方法［J］.計算機應(yīng)用，2012，32(8):2296－2298.

［11］崔麗.人臉檢測和識別在門禁系統(tǒng)上的應(yīng)用［J］.時代教育.2012(19):175.

［12］Cunado D，Nixon M S，Carter JN.Using gait as a biometric，via phase－weighted magnitude spectra［J］.Lecture Notes in Computer Science，1997(1206):95 －102.

［13］呂憲國.多視角下視頻序列的人體特征提取與快速識別算法研究［D］.濟南:山東大學，2013.

［14］鄭翔翔，張怡.基于頭部檢測和跟蹤的人數(shù)統(tǒng)計方法［J］.計算機應(yīng)用與軟件，2011，28(2):44 －46.

［15］姚敏.數(shù)字圖像處理［M］.北京:機械工業(yè)出版社，2006.

［16］劉瓊，倪國強，周生兵.圖像配準中幾種特征點提取方法的分析與實驗［J］.光學技術(shù)，2007，33(1):62－64.

［17］韓亞偉，張有志，李慶濤，等.動態(tài)場景監(jiān)控系統(tǒng)中人數(shù)統(tǒng)計算法的研究［J］.計算機應(yīng)用與軟件，2011，28(2):260－262.

［19］張庚，徐昊.簡單背景下基于灰度圖像的人數(shù)統(tǒng)計［J］.中國新技術(shù)新產(chǎn)品，2009(1):21－22.