施蔚青，劉洪兵，何四平

(云南電網(wǎng)有限責(zé)任公司培訓(xùn)與評(píng)價(jià)中心,云南 昆明 650221)

電力企業(yè)負(fù)責(zé)安全管理工作的監(jiān)理人員的素質(zhì)參差不齊，安全管理觀念淡薄，存在僥幸思想，并沒有按照安全管理規(guī)章制度深入施工現(xiàn)場(chǎng)進(jìn)行監(jiān)督與檢查，電力施工作業(yè)現(xiàn)場(chǎng)區(qū)域作業(yè)人員多，持續(xù)作業(yè)時(shí)間長(zhǎng)，容易出現(xiàn)現(xiàn)場(chǎng)作業(yè)人員不按要求佩戴安全帽、穿戴個(gè)人防護(hù)用品等典型違章現(xiàn)象[1-3]。

最初監(jiān)理人員現(xiàn)場(chǎng)監(jiān)督單純依靠人力進(jìn)行著裝監(jiān)管，工作量大，易出現(xiàn)監(jiān)管注意力不集中等人為因素失誤，該類違章行為所占比率較高，給安全生產(chǎn)造成巨大的人身安全隱患[4]。后來(lái)通過視頻進(jìn)行施工現(xiàn)場(chǎng)的監(jiān)控，發(fā)現(xiàn)大量的無(wú)法全面暴露和防止的該類典型違章現(xiàn)象。智能視頻監(jiān)控系統(tǒng)可以輔助分析著裝，并對(duì)安全進(jìn)行監(jiān)督，同時(shí)可通過圖像識(shí)別技術(shù)對(duì)現(xiàn)場(chǎng)著裝違章行為進(jìn)行實(shí)時(shí)報(bào)警，顯著提升安全監(jiān)管效率，減少對(duì)監(jiān)理人員的依賴，同時(shí)還能大大降低作業(yè)現(xiàn)場(chǎng)的安全風(fēng)險(xiǎn)，提升電網(wǎng)企業(yè)的社會(huì)效益[5-7]。

本文針對(duì)目前國(guó)內(nèi)電力行業(yè)缺乏作業(yè)人員管理規(guī)范體系與具體保障措施的問題，提出了基于視頻圖像識(shí)別的著裝規(guī)范性技術(shù)，幫助現(xiàn)場(chǎng)監(jiān)理人員管控施工人員不安全行為，提高電力作業(yè)現(xiàn)場(chǎng)安全施工管理水平。

1 基于視頻圖像的著裝規(guī)范性識(shí)別方法

1.1 顏色模型的選擇

HSV(hue, saturation, value)是一種顏色空間模型，其能夠非常直觀地表達(dá)色彩的明暗、色調(diào)以及鮮艷程度，方便進(jìn)行顏色之間的對(duì)比，也方便感情的傳達(dá)，因此HSV模型適合用于與人類視覺感知相關(guān)的自然圖像的處理。在對(duì)電力施工現(xiàn)場(chǎng)視頻圖像的處理中，需要把RGB(red, green, blue)顏色空間模型轉(zhuǎn)換為HSV顏色空間模型，然后再提取色調(diào)H、飽和度S、亮度V通道圖像進(jìn)行操作。設(shè)V′=max(R,G,B)，其中R,G,B分別代表RGB顏色空間模型中紅色、綠色、藍(lán)色分量，定義R′,G′,B′分別為[8]：

(1)

(2)

(3)

那么有V=V′/255，S=[V′-min(R,G,B)]/V′，H′定義為：

(4)

1.2 提取HOG特征

本文利用支持向量機(jī)(support vector machine，SVM)根據(jù)特征建立分類器，分類器用于電力施工現(xiàn)場(chǎng)圖像識(shí)別，因此特征提取是著裝規(guī)范性識(shí)別中最關(guān)鍵的環(huán)節(jié)之一，提取具有鑒別意義的特征對(duì)準(zhǔn)確檢測(cè)電力現(xiàn)場(chǎng)作業(yè)人員規(guī)范施工起著重要作用。HOG(histogram of oriented gradient)是一種在計(jì)算機(jī)視覺和圖像處理中用來(lái)進(jìn)行模板檢測(cè)的特征描述子[9]。HOG特征提取過程如下。

1)輸入圖像：將Image圖像灰度化。

2)標(biāo)準(zhǔn)化Gamma空間和顏色空間：將圖像進(jìn)行歸一化，可以減少光照因素的影響，而歸一化分為Gamma空間和顏色空間的歸一化。歸一化還可以避免在圖像紋理強(qiáng)度中出現(xiàn)局部曝光過大情況。因此，通過對(duì)圖像歸一化處理能夠有效降低圖像局部的陰影與光照變化，提高檢測(cè)器的性能。圖像一般省略顏色信息，將其轉(zhuǎn)化為灰度圖。

3)計(jì)算像素梯度：計(jì)算圖像I橫向和縱向的梯度，并據(jù)此計(jì)算每個(gè)像素位置的梯度方向值，進(jìn)一步弱化光照的影響。圖像I的梯度I為[10]:

(5)

式中：x和y分別表示橫向和縱向。

利用偏導(dǎo)函數(shù)將沿x和y方向的梯度表示為：

(6)

(7)

利用圖像的梯度映射，可得到梯度幅值S和梯度方向θ:

(8)

(9)

式中：Sx，Sy分別為橫向和縱向的梯度。

4) 統(tǒng)計(jì)單元內(nèi)梯度直方圖：梯度方向θ為[0,360°]，將其劃分成n個(gè)bins，實(shí)驗(yàn)證明，在bins劃分過程中，bins的數(shù)量一般取9個(gè)左右效果最好，因此本文將一個(gè)圖像分成9個(gè)部分，每一部分區(qū)間對(duì)應(yīng)于一個(gè)bin值。

5) 把細(xì)胞單元cell組合成大的塊，歸一化梯度直方圖：局部光照與背景對(duì)比度的變化，使得梯度強(qiáng)度的變化范圍很大，需要?dú)w一化塊，進(jìn)一步對(duì)光照、陰影和邊緣進(jìn)行壓縮。

6) 生成HOG特征向量：將檢測(cè)窗口中所有的塊進(jìn)行HOG特征收集，獲取最終特征向量供分類使用。

綜上，HOG特征提取示意圖如圖1所示。

圖1 HOG特征提取示意圖

1.3 提取LBP特征

局部二值模式(local binary pattern，LBP)特征是一種灰度范圍內(nèi)的紋理度量，其工作思想為：在3像素×3像素的鄰域內(nèi)，以鄰域中心像素的灰度值為閾值，將相鄰的8個(gè)像素的灰度值與鄰域中心的像素值進(jìn)行比較，得到鄰域中心像素的LBP值，具體為：

(10)

式中：(xc,yc)為鄰域中心點(diǎn)；pc為鄰域中心點(diǎn)的灰度值；pi為鄰域第i個(gè)像素的灰度值；N為鄰域的像素?cái)?shù)量；s表示符號(hào)函數(shù)，如果像素值pi>pc，則s(pi-pc)=1，否則s(pi-pc)=0。

1.4 HOG和LBP特征的融合

在實(shí)際監(jiān)測(cè)場(chǎng)景中，HOG特征對(duì)于行人較多的圖像和人物特征不明顯的圖像分辨能力較差，且很容易受到外部環(huán)境因素的干擾，如光照強(qiáng)度、陰影以及遮擋的影響。因此，針對(duì)HOG特征魯棒性差的缺點(diǎn)，本文將LBP特征與HOG特征進(jìn)行融合，既融合了多種特征的有效鑒別信息，又消除了大部分冗余信息，從而實(shí)現(xiàn)了信息的壓縮，節(jié)約了信息存儲(chǔ)空間，彌補(bǔ)了HOG特征梯度特性導(dǎo)致特征維數(shù)高、未描述圖像紋理特征、對(duì)于梯度空間特性描述不佳和光照魯棒性較差的缺點(diǎn)。

1.5 支持向量機(jī)

設(shè)樣本的訓(xùn)練集為{xi,yi}，i=1,2,…,n，n為訓(xùn)練集樣本數(shù)量，xi為輸入向量，yi為輸出向量，利用非線性映射將輸入向量映射到高維特征空間，構(gòu)造最優(yōu)線性分類函數(shù)[11-12]:

f(x)=w·φ(x)+b

(11)

式中：w為權(quán)值向量；b為偏置向量；φ(x)表示線性分類函數(shù)。

式(11)可以等價(jià)下面的優(yōu)化問題求解：

(12)

相應(yīng)的約束條件為

(13)

式中：ε為分類誤差。

引入拉格朗日函數(shù)，將上述約束優(yōu)化問題轉(zhuǎn)化為無(wú)約束優(yōu)化問題：

(14)

SVM的最優(yōu)線性分類函數(shù)為：

(15)

根據(jù)Mercer條件，定義核函數(shù)k(xi,x)，則SVM的最優(yōu)線性分類函數(shù)為：

(16)

1.6 基于視頻圖像的著裝規(guī)范性識(shí)別原理

基于視頻圖像的著裝識(shí)別原理為：首先對(duì)電力作業(yè)現(xiàn)場(chǎng)視頻圖像進(jìn)行預(yù)處理，并對(duì)電力作業(yè)現(xiàn)場(chǎng)人員著裝色塊進(jìn)行提取和轉(zhuǎn)化，獲取二值圖像中灰度等級(jí)，利用黑色和白色像素點(diǎn)分布判定作業(yè)人員是否身著安全帽、安全帶、工作服和工作褲；然后從電力施工監(jiān)理視頻圖像提取HOG特征和LBP特征；最后將特征向量作為SVM的輸入向量，通過SVM的訓(xùn)練和學(xué)習(xí)，建立著裝規(guī)范性識(shí)別的分類器，采用分類器進(jìn)行著裝規(guī)范性識(shí)別。具體如圖2所示。

圖2 基于視頻圖像的著裝規(guī)范性識(shí)別原理

2 著裝規(guī)范性識(shí)別的仿真測(cè)試

2.1 本文方法的有效性測(cè)試

為驗(yàn)證上述方法的適應(yīng)能力和準(zhǔn)確性，招募20位電力施工工人，依次進(jìn)行著裝識(shí)別，主要是對(duì)帽子、安全帶、衣服、長(zhǎng)褲等著裝進(jìn)行識(shí)別，以安全帶穿戴情況作為測(cè)試對(duì)象，得到測(cè)試結(jié)果如圖3所示。對(duì)未穿戴安全帶，本文方法的識(shí)別準(zhǔn)確率大約為92.72%；對(duì)穿戴安全帶，本文方法的識(shí)別準(zhǔn)確率大約為99.99%。識(shí)別準(zhǔn)確率遠(yuǎn)遠(yuǎn)高于電力施工作業(yè)現(xiàn)場(chǎng)安全的實(shí)際要求，測(cè)試結(jié)果驗(yàn)證了本文方法對(duì)著裝規(guī)范性識(shí)別的有效性。

圖3 安全帶識(shí)別

2.2 本文方法的優(yōu)越性測(cè)試

為了測(cè)試基于視頻圖像的著裝規(guī)范性識(shí)別方法的優(yōu)越性，選擇單一HOG特征和LBP特征進(jìn)行對(duì)比測(cè)試，選擇帽子、安全帶、衣服、長(zhǎng)褲等穿戴是否規(guī)范作為測(cè)試對(duì)象，統(tǒng)計(jì)它們的識(shí)別準(zhǔn)確率，結(jié)果如圖4所示。從圖4可以發(fā)現(xiàn)，相對(duì)于單一HOG特征和LBP特征，本文方法的識(shí)別準(zhǔn)確率大幅度提升，減少了著裝規(guī)范性識(shí)別錯(cuò)誤概率，這是因?yàn)楸疚姆椒ㄈ诤狭薍OG特征和LBP特征的優(yōu)點(diǎn)，從兩個(gè)方面描述了著裝規(guī)范性特征，獲得了更優(yōu)的著裝規(guī)范性識(shí)別結(jié)果。

圖4 不同方法的著裝規(guī)范性識(shí)別準(zhǔn)確率對(duì)比

3 結(jié)束語(yǔ)

本文研究了適合人類視覺的 HSV顏色空間模型，提出了一種基于視頻圖像的著裝規(guī)范性識(shí)別方法，該方法結(jié)合 SVM分類器對(duì)目標(biāo)視頻或圖像進(jìn)行識(shí)別，由于識(shí)別目標(biāo)的區(qū)域具有不同的局部結(jié)構(gòu)，而且顏色差異較大，從而提高了 SVM分類器對(duì)局部被遮擋圖像的魯棒性。在HOG特征提取的基礎(chǔ)上，結(jié)合LBP特征來(lái)提高視頻圖像局部紋理特征的識(shí)別，基于HOG與LBP融合特征的視頻圖像檢測(cè)算法，彌補(bǔ)了HOG未描述圖像紋理特征、對(duì)梯度空間描述不佳的問題，提高了復(fù)雜場(chǎng)景下人物特征不明顯的目標(biāo)檢測(cè)準(zhǔn)確率，且消除了HOG特征帶來(lái)的大部分冗余信息，而HOG與LBP融合特征檢測(cè)算法采用了統(tǒng)一的LBP模式算子，有效地減少了計(jì)算量與計(jì)算時(shí)間，從而實(shí)現(xiàn)了檢測(cè)算法的效率提升。