李玉吉，曹旭輝

(陜西國防工業(yè)職業(yè)技術(shù)學(xué)院，陜西 西安 710300)

在煤礦開采中，運(yùn)輸成本和能耗占工程的大部分，其中對煤礦車輛的監(jiān)控和調(diào)度是保障煤礦正常開采的重要條件[1]。若煤礦車輛出現(xiàn)交通事故，會影響煤礦開采的正常進(jìn)行。已有相關(guān)報道顯示，在車輛發(fā)生交通事故前，大部分車輛出現(xiàn)異常駕駛行為[2]。并且，由于天氣、道路、調(diào)度等不確定因素，也會導(dǎo)致煤礦車輛出現(xiàn)異常行為[3]。因此，檢測煤礦車輛的異常行為，及時采取有效措施，可以大幅度降低煤礦車輛的事故發(fā)生[4]，降低煤礦開采的成本，維護(hù)煤礦的交通安全。

通常對于煤礦車輛異常行為的檢測主要是通過人工查看監(jiān)控視頻和現(xiàn)場巡邏等方式完成[5]。這不僅浪費了大量的人力，而且人工易出現(xiàn)疏漏，導(dǎo)致監(jiān)測的效果并不理想[6]。目前有相關(guān)研究提出，利用視頻圖像處理技術(shù)，識別煤礦車輛的異常行為，對煤礦車輛的逆行、超速等違規(guī)駕駛發(fā)出警告，提前排查易造成事故的潛在因素[7]。還有學(xué)者提出利用雙向長短記憶網(wǎng)絡(luò)[8]和GPS信息[9]對煤礦車輛的駕駛行為進(jìn)行檢測。但在應(yīng)用中發(fā)現(xiàn)，其易受外界環(huán)境干擾，對檢測結(jié)果的輸出不穩(wěn)定，難以滿足現(xiàn)實應(yīng)用需求。

紅外遙感影像中包含眾多地物細(xì)節(jié)，具有較高的分辨率。利用車輛在紅外遙感影像中的信息提取車輛行為特征，實現(xiàn)煤礦車輛異常行為的精準(zhǔn)檢測。紅外遙感影像中，受光照影響導(dǎo)致相同類別的地物可能存在差異的光譜特征，利用光譜特征所存在的差異，可獲取煤礦車輛異常行為檢測所需信息。紅外遙感影像受陰影干擾影響較大，提取紅外遙感影像中有用信息時，需及時處理紅外遙感影像中陰影，可利用圖像增強(qiáng)方法處理圖像，使圖像可滿足煤礦車輛異常行為檢測需求。為此，提出基于紅外遙感信息的煤礦車輛異常行為檢測方法，并對其應(yīng)用效果進(jìn)行了分析。

1 煤礦車輛異常行為檢測方法

1.1 基于像元的圖像增強(qiáng)

選取基于像元的圖像增強(qiáng)方法增強(qiáng)紅外遙感圖像中存在目標(biāo)車輛區(qū)域的對比度。將紅外遙感圖像中陰影區(qū)域的鄰近像元灰度值差異拉伸[10]，提升紅外遙感圖像的對比度，令陰影區(qū)域細(xì)節(jié)信息更加全面展示，提升煤礦車輛異常行為檢測性能。p與q分別表示灰度值為Ip與Iq的一對像元，kqp表示以上2個像元間的拉伸系數(shù)，可得拉伸系數(shù)為：

(1)

紅外遙感圖像中一對像元的灰度值是否需拉伸利用拉伸系數(shù)體現(xiàn)。分析以上公式可知，一對像元所處區(qū)域陰影越強(qiáng)，像元與像元間的灰度值接近程度越高[11]，具有較小的空間距離，此時拉伸系數(shù)較大，即該對像元所需拉伸灰度差值的程度越高，利用灰度差值拉伸提升陰影區(qū)域的局部對比度。將像元的清晰度權(quán)重引入紅外遙感圖像增強(qiáng)中，避免拉伸系數(shù)受到圖像噪聲影響。πp為紅外遙感圖像中像元p的清晰度權(quán)重：

(2)

與像元p存在同個灰度值的像元集合{r:|Ir=Ip}，即式(2)的計算范圍。

利用清晰度權(quán)重衡量像元p中是否包含噪聲。像元p的鄰近點與其灰度值相同時，其灰度值波動極小[12]，即清晰度權(quán)重πp數(shù)值越高時，像元p越不可能為噪聲點。將所獲取的清晰度權(quán)重引入式(1)中，獲取考慮清晰度權(quán)重情況下拉伸系數(shù)為:

(3)

輸入紅外遙感圖像的灰度級Ip，利用變換函數(shù)T轉(zhuǎn)化為T(Ip)，|T(Ip)-T(Iq)|為紅外遙感圖像像元的灰度值差，灰度值差與輸入圖像中的相應(yīng)拉伸系數(shù)利用變換函數(shù)轉(zhuǎn)換成固定比例[13]，變換函數(shù)T屬于超定方程組，需獲取其近似解。設(shè)存在累計灰度拉伸系數(shù)Gp(x)為:

(4)

像元集合{q:|Iq=Ip+x}內(nèi)全部像元與像元的相關(guān)系數(shù)Gpq包含于Gp(x)中。Gp(x)的大小可體現(xiàn)像元與該像元p存在大小為x的灰度差值需要拉伸的程度。式(4)引入了對數(shù)函數(shù)，有效避免紅外遙感圖像增強(qiáng)處理過程中所存在的放大飽和噪聲等過度增強(qiáng)情況[14]。設(shè)存在x>0，令變換函數(shù)T處于單調(diào)狀態(tài)，需滿足：

(5)

式中，α為歸一化常數(shù)。

紅外遙感圖像中鄰近像素點灰度級間的差異為B(Ip)，其表達(dá)式為：

B(Ip)=T(Ip)-T(Ip-1)

(6)

聯(lián)立式(5)與式(6)可得:

B(Ip+x)=αGp(x)

(7)

分析式(7)可知，針對紅外遙感圖像中的隨機(jī)像元，均需滿足以下方程：

B=αGp

(8)

設(shè)存在包含權(quán)重的代價函數(shù)J(B)為:

(9)

式中，Wp為對角矩陣，對角元為2/[1+exp(|i-Ip|)]。

將矩陣B的極值點利用J(B)求偏導(dǎo)獲取，獲取最優(yōu)解B*為：

(10)

變換函數(shù)最優(yōu)解:

(11)

式(11)所獲取結(jié)果即為紅外遙感圖像增強(qiáng)的近似解。以上獲取該近似解過程中，充分考慮了紅外遙感圖像中差異區(qū)域像元所存在的灰度差異[15]，具有較高的自適應(yīng)性。將該方法應(yīng)用于煤礦車輛異常行為檢測中，利用T可實現(xiàn)目標(biāo)車輛部位的局部增強(qiáng)。

1.2 煤礦車輛跟蹤

完成紅外遙感圖像目標(biāo)煤礦車輛部位的局部增強(qiáng)后，需進(jìn)行煤礦車輛跟蹤操作。煤礦車輛跟蹤即目前幀與上一幀紅外遙感圖像中的運(yùn)動煤礦車輛匹配[16]，選取非參數(shù)的概率密度估計方法均值漂移算法實現(xiàn)紅外遙感信息中煤礦車輛的跟蹤。均值漂移方法利用所獲取概率分布極值實現(xiàn)紅外遙感圖像中目標(biāo)煤礦車輛的定位，完成煤礦車輛的跟蹤。采用均值漂移方法跟蹤紅外遙感圖像中煤礦車輛過程如下。

(1)初始化紅外遙感圖像中窗口位置以及窗口大小。

(2)計算紅外遙感圖像中搜索窗口中的零階矩公式：

(12)

計算紅外遙感圖像中搜索窗口中的一階矩為：

(13)

計算紅外遙感圖像中搜索窗口中的質(zhì)心為：

(14)

式中，I(x，y)為像素值。

(3)調(diào)整搜索窗口大小。

(4)移動搜索窗口中心至依據(jù)式(14)所獲取的質(zhì)心位置。移動前設(shè)定移動閾值以及迭代次數(shù)，當(dāng)移動的距離高于閾值時，返回至步驟(3)，直至滿足所設(shè)定迭代次數(shù)或小于所設(shè)置閾值為止。

利用以上過程計算紅外遙感圖像中的全部幀，迭代過程中始終將前幀計算所獲取的窗口中心以及大小設(shè)置為初始值，完成紅外遙感圖像中煤礦車輛目標(biāo)跟蹤。采用均值漂移法跟蹤煤礦車輛目標(biāo)的跟蹤結(jié)果為外接矩形。

1.3 煤礦車輛異常行為檢測

利用煤礦車輛跟蹤結(jié)果明確煤礦車輛運(yùn)動信息，利用煤礦車輛運(yùn)動信息獲取煤礦車輛運(yùn)動方向、運(yùn)動速度等異常行為檢測參數(shù)。將利用均值漂移法所跟蹤煤礦車輛目標(biāo)的矩形中心點作為煤礦車輛位置信息。煤礦車輛位置存在明顯改變時，表示煤礦車輛存在大幅度移動，是煤礦車輛運(yùn)行過程中的明顯異常行為。利用像素體現(xiàn)煤礦車輛位置改變情況，可得紅外遙感圖像中煤礦車輛位置移動改變量公式：

(15)

式中，(xn，yn)與(xn-1，yn-1)分別為當(dāng)前幀以及前幀圖像的目標(biāo)煤礦車輛坐標(biāo)。

煤礦車輛的加速度信息可體現(xiàn)目標(biāo)煤礦車輛速度變化情況，紅外遙感圖像中目標(biāo)煤礦車輛加速度計算公式：

(16)

式中，vf與vi分別為時間為tf與ti時目標(biāo)煤礦車輛的速度值。

煤礦車輛位置與運(yùn)動方向存在較大關(guān)聯(lián)，目標(biāo)煤礦車輛運(yùn)動過程中方向變化表達(dá)式：

(17)

確定以上變量后，獲取煤礦車輛位置移動改變量的狀態(tài)函數(shù)g(p)為：

(18)

煤礦車輛運(yùn)動速度改變量狀態(tài)函數(shù)h(a)為：

(19)

煤礦車輛運(yùn)動方向改變量狀態(tài)函數(shù)為j(θ)：

(20)

檢測煤礦車輛異常行為時，需提前設(shè)定好閾值Rp、Ra與Rθ，所獲取的車輛不同參數(shù)改變量高于已設(shè)定閾值后，將車輛的不同狀態(tài)函數(shù)設(shè)置為1，否則設(shè)置為0。

通過以上過程可知，煤礦車輛異常行為檢測首先需獲取車輛位置、車輛移動速度以及車輛運(yùn)動方向的改變量，采用加權(quán)融合方法處理煤礦車輛異常行為的狀態(tài)函數(shù)，設(shè)置三者權(quán)重值之和為1。對比加權(quán)融合結(jié)果以及所設(shè)定判別閾值，當(dāng)融合結(jié)果高于所設(shè)定閾值R時，表示車輛存在異常行為，否則表示車輛為正常行駛狀態(tài)。煤礦車輛異常行為檢測流程如圖1所示。

圖1 煤礦車輛異常行為檢測流程Fig.1 Flow chart of abnormal behavior detection of vehicles in coal mine

2 實例分析

為驗證所研究煤礦車輛異常行為檢測方法檢測煤礦車輛異常行為有效性，選取某煤礦車輛作為檢測對象，在煤礦道路上設(shè)置紅外遙感攝像頭，采集該車輛在道路中2020年9月5日9:16—9:25時的紅外遙感影像共2 854幀，根據(jù)所采集紅外遙感影像，利用本文方法分析研究該煤礦車輛行駛是否存在異常行為。本文方法采用像元方法實現(xiàn)了紅外遙感圖像增強(qiáng)，為了客觀評價本文方法的紅外遙感圖像增強(qiáng)性能，選取信息熵以及對比度增強(qiáng)值作為評價紅外遙感圖像增強(qiáng)性能的重要指標(biāo)。

統(tǒng)計采用本文方法增強(qiáng)紅外遙感圖像隨機(jī)幀數(shù)的信息熵結(jié)果以及對比度增強(qiáng)值結(jié)果，為了直觀驗證本文方法的運(yùn)行性能，對本文方法進(jìn)行測試，結(jié)果見表1。由表1可以看出，采用本文方法增強(qiáng)紅外遙感圖像，所獲取的對比度增強(qiáng)值較大，說明本文方法可有效提升紅外遙感圖像的局部對比度。本文方法可重點增強(qiáng)紅外遙感圖像中目標(biāo)車輛位置的局部對比度，展現(xiàn)更多有用信息，有效提升圖像的局部對比度，展示更多的有用信息。

表1 信息熵和對比度增強(qiáng)值測試結(jié)果Tab.1 Test results of information entropy and contrast enhancement values

圖像中包含細(xì)節(jié)信息越豐富，圖像信息熵越大。由表1可知，本文方法在不同幀圖像中均具有較大的信息熵，說明本文方法處理紅外遙感圖像具有較高的圖像增強(qiáng)性能。采用本文方法對紅外遙感圖像實施增強(qiáng)處理，其信息熵結(jié)果均高于7，增強(qiáng)效果優(yōu)越，具有較高的保留圖像信息的優(yōu)勢，可為提升煤礦車輛異常行為檢測性能提供依據(jù)。

完成圖像處理后，采用本文方法檢測車輛是否存在異常行為。設(shè)置煤礦車輛位置變化閾值為12、煤礦車輛速度變化閾值為23、煤礦車輛運(yùn)動方向閾值為0.5。統(tǒng)計采用本文方法檢測第120—134幀紅外遙感圖像煤礦車輛位置變化、煤礦車輛速度變化以及運(yùn)動方向變化結(jié)果，統(tǒng)計結(jié)果如圖2—圖4所示。由圖2—圖4實驗結(jié)果可以看出，研究煤礦車輛在133幀時，煤礦車輛位置變化、速度變化以及運(yùn)動方向變化均高于已設(shè)置閾值，說明此時煤礦車輛可能存在異常行為。

圖2 煤礦車輛位置變化Fig.2 Location change diagram of vehicles in coal mine

圖3 煤礦車輛速度變化Fig.3 Speed change diagram of coal mine vehicles

圖4 煤礦車輛運(yùn)動方向變化Fig.4 Variation diagram of vehicle movement direction in coal mine

設(shè)置煤礦車輛位置變化、煤礦車輛速度變化以及煤礦車輛運(yùn)動方向變化的權(quán)值分別為0.3、0.3、0.4，煤礦車輛異常行為檢測閾值為0.5。采用本文方法獲取該煤礦車輛異常行為檢測結(jié)果如圖5所示。由圖5實驗結(jié)果可以看出，紅外遙感圖像為133幀時，煤礦車輛的判別參數(shù)加權(quán)融合值高于所設(shè)定閾值，確定此時煤礦車輛存在異常行為，紅外遙感圖像為133幀時所對應(yīng)時間為9:21:25，檢測結(jié)果為煤礦車輛此時存在異常行為。

圖5 煤礦車輛異常行為檢測結(jié)果Fig.5 Detection results of abnormal behavior of vehicles in coal mines

采用本文方法檢測到的實驗道路場景視頻中煤礦車輛異常行為結(jié)果，如圖6所示。分析圖6可以看到，該檢測道路場景視頻在第95幀檢測出煤礦車輛出現(xiàn)超速異常，并且視頻圖像中用紅色框圈出車輛。說明本文方法準(zhǔn)確檢測出了道路場景視頻中的煤礦車輛異常行為。

圖6 煤礦車輛異常行為檢測Fig.6 Detection of abnormal behavior of coal mine vehicles

3 結(jié)語

紅外遙感圖像對比度較低，導(dǎo)致陰影部分無法分辨細(xì)節(jié)，圖像增強(qiáng)過程中容易增強(qiáng)噪聲。利用像元方法增強(qiáng)紅外遙感圖像中的細(xì)節(jié)信息，可提升紅外遙感圖像中煤礦車輛部位的局部對比度，抑制紅外遙感圖像噪聲，展示更多的目標(biāo)煤礦車輛區(qū)域細(xì)節(jié)，提升煤礦車輛異常行為檢測精度。利用完成增強(qiáng)的紅外圖像可實現(xiàn)煤礦車輛異常行為檢測。所研究煤礦車輛異常行為檢測方法可依據(jù)跟蹤結(jié)果檢測煤礦車輛異常行為，可作為交通管理的理論依據(jù)。