趙國鑫 于灝

(酒泉職業(yè)技術(shù)學(xué)院 甘肅酒泉 735000)

中國是人口大國，也是建筑大國。中國擁有數(shù)量十分龐大的建筑工人隊(duì)伍。這些建筑工人有職業(yè)工人，也有農(nóng)民工，他們的安全關(guān)乎社會(huì)和諧、企業(yè)利益和工人自身的利益。雖然監(jiān)控技術(shù)迅猛發(fā)展，但是由于建筑工地環(huán)境錯(cuò)綜復(fù)雜，人員相對(duì)密集，各種設(shè)備與車輛來往頻繁。所以，傳統(tǒng)的方法很難在建筑工地圖像處理中取得較好的效果。在圖像分割方面，傳統(tǒng)的圖像分割算法就很難區(qū)分建筑工地的背景與建筑工人，這也使后續(xù)無法對(duì)圖像中的建筑工人進(jìn)行識(shí)別和定位。

雖然，關(guān)于建筑工地圖像處理的研究已經(jīng)取得了一些成果，但是利用色相、飽和度、明度（Hue-Saturation-Value，HSV）顏色空間和安全帽來定位建筑工人的研究幾乎沒有。周建亮等人[1]利用機(jī)器學(xué)習(xí)的方案對(duì)建筑工人不安全行為進(jìn)行了識(shí)別。杜俊鳳[2]利用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）和長(zhǎng)短期記憶（Long Short-Term Memory，LSTM）的行為識(shí)別模型對(duì)工人臨邊工作危險(xiǎn)狀態(tài)進(jìn)行識(shí)別。張萌[3]做了基于深度學(xué)習(xí)的腳手架高空作業(yè)險(xiǎn)態(tài)智能識(shí)別的研究。劉文強(qiáng)[4]做了基于深度學(xué)習(xí)的圖像識(shí)別與定位的研究，實(shí)現(xiàn)了工業(yè)環(huán)境下的識(shí)別與定位。元黎明[5]基于計(jì)算機(jī)圖像的相關(guān)技術(shù)，做了建筑工人不安全行為的相關(guān)研究。張明媛等人[6]做了基于深度學(xué)習(xí)的建筑工人安全帽佩戴識(shí)別研究，識(shí)別未佩戴安全帽工人的精度達(dá)到88.32%，召回率達(dá)到85.08%。

1 基于HSV色彩空間的識(shí)別方法與傳統(tǒng)分割方法

1.1 基于HSV色彩空間的識(shí)別方法

本文針對(duì)在建筑工地的復(fù)雜環(huán)境下對(duì)工人的識(shí)別問題，提出了一種基于HSV 色彩空間的識(shí)別方法，流程如圖1 所示。首先獲取要處理的圖片，然后將其導(dǎo)入HSV色彩空間。

圖1 流程圖

利用MATLAB 彩色分割工具箱，對(duì)圖片進(jìn)行分割，獲得安全帽的大致區(qū)域的掩膜。但是在這一掩膜中還存在著一些噪聲點(diǎn)和非目標(biāo)區(qū)域，為了去除這些區(qū)域還要對(duì)掩膜圖像進(jìn)行生態(tài)學(xué)處理。

首先進(jìn)行一次開運(yùn)算，去掉圖像中的噪聲點(diǎn)，然后進(jìn)行一次閉運(yùn)算，確保安全帽區(qū)域閉合，這一操作可去掉安全帽上文字或是陰影對(duì)于安全帽連通域的影響。最后進(jìn)行一次開運(yùn)算，確保完全去除圖像中的噪聲點(diǎn)。

對(duì)生態(tài)學(xué)處理后的圖像提取連通域，有可能也會(huì)提取非安全帽區(qū)域的連通域。為了解決這一問題，要對(duì)連通域的區(qū)域進(jìn)行篩選，需要兩方面的篩選：一是刪除掉面積較小的連通域；二是刪除掉長(zhǎng)寬比不合適的連通域，最終輸出合適的連通域。

依據(jù)連通域的信息對(duì)安全帽區(qū)域進(jìn)行定位，然后通過安全帽與工人的位置與比例關(guān)系間接實(shí)現(xiàn)對(duì)工人的定位。這一方法克服了傳統(tǒng)方法在復(fù)雜環(huán)境下分割困難的問題。安全帽特征明顯，顏色鮮艷，在HSV 顏色空間中很容易實(shí)現(xiàn)對(duì)其分割。依據(jù)安全帽對(duì)工人進(jìn)行定位也可以避免工人服裝、陰影等因素對(duì)分割與識(shí)別的影響問題。

1.2 傳統(tǒng)分割方法的不足

基于閾值和基于聚類的分割方法是較為常用的圖像分割方法，也是傳統(tǒng)方法中比較有效的分割方法。類間方差可以由公式（1）求得，圖像的熵值可以由公式（2）求得。

式（1）中：σB為類間方差；Po為目標(biāo)像素概率；PB為背景像素概率；μo為目標(biāo)類像素均值；μB為背景類像素均值；μ為總體灰度均值。

式（2）中：J(T)為所求熵值；HO(T)為目標(biāo)熵值；HB(T)為背景熵值。

在工地等復(fù)雜的環(huán)境下時(shí)，最大類間方差法和最大熵法都不能很好地對(duì)圖像進(jìn)行分割[7]。要處理的圖像見圖2，圖3 是最大類間法分割的圖像，圖4 是最大熵算法分割的圖像。從圖中可以看到兩種方法都出現(xiàn)了欠分割現(xiàn)象，均不能很好地去除陰影部分與路面部分的影響。

圖2 目標(biāo)圖像

圖3 最大類間方差分割

圖4 最大熵分割

2 理論基礎(chǔ)與實(shí)現(xiàn)方法

2.1 掩膜獲取

HSV色彩空間即色度、飽和度和明度色彩空間，通過調(diào)節(jié)色度、飽和度和明度的參數(shù)即可以得到安全帽區(qū)域的二值掩膜。可以用如下程序獲得。

2.2 數(shù)字形態(tài)學(xué)處理

然后采用豎直線形結(jié)構(gòu)元素進(jìn)行生態(tài)學(xué)處理。之所以采用豎直線形元素進(jìn)行生態(tài)學(xué)處理，有兩個(gè)原因：一是因?yàn)槎祷蟮膱D像，噪聲往往是橫向的，適當(dāng)選擇參數(shù)可以有效去掉噪聲；二是噪聲往往會(huì)相互鏈接，利用生態(tài)學(xué)處理可以使噪聲相互離散，有利于識(shí)別和定位[8]，生態(tài)學(xué)處理的程序如下。

2.3 安全帽的識(shí)別

獲取連通域的寬度和高度信息，通過寬度與高度的比例和連通域的面積進(jìn)行初步篩選。具體程序如下。

BB= regionprops(L,'BoundingBox');

%得到矩形框，框住每一個(gè)連通域

shapeind = BB(0.8＜BB(:,3)./BB(:,4)&BB(:,3)./BB(:,4)pe＜3&BB(:,3)./*BB(:,4)pe＞1000,:;

%篩選掉尺寸比例不合格

2.4 建筑工人識(shí)別

依據(jù)安全帽的直徑、高度與建筑工人的肩寬、身高的比例關(guān)系，以及安全帽與建筑工人的位置關(guān)系，可以在圖像中估算出建筑工人的所在位置。

3 實(shí)驗(yàn)與結(jié)果分析

所做實(shí)驗(yàn)采用的是Windows 系統(tǒng)，處理器為11th Gen Intel Core i5-11300H@3.10 GHz，內(nèi)存（RAM）為16 GB，系統(tǒng)類型為64位，所用軟件為MATLAB 2021a。

圖5為HSV顏色空間中所獲得的安全帽區(qū)域二值掩膜；圖6 為生態(tài)學(xué)處理后的二值掩膜圖；圖7 為安全帽區(qū)域的標(biāo)記圖；圖8為建筑工人的標(biāo)記圖。

圖5 二值掩膜

圖6 生態(tài)學(xué)處理圖

圖7 安全帽標(biāo)記

圖8 工人標(biāo)記圖

從圖5～圖8 中可以看出，本文的方法可以有效地依據(jù)建筑工人所佩戴的安全帽識(shí)別到建筑工人本身。而且本文的方法不但可以進(jìn)行單人的識(shí)別定位，還可以實(shí)現(xiàn)多人的識(shí)別定位。如圖9 所示，圖中有兩位建筑工人。

圖9 建筑工人圖

利用HSV 色彩空間可以得到安全帽區(qū)域的二值掩膜，如圖10 所示；通過本文方法可以識(shí)別安全帽區(qū)域如圖11所示；有安全帽區(qū)域得到工人的所在區(qū)域如圖12所示。

圖10 二值掩膜

圖11 安全帽標(biāo)記

圖12 工人標(biāo)記

4 結(jié)語

針對(duì)建筑工地環(huán)境錯(cuò)綜復(fù)雜，人員相對(duì)密集，各種設(shè)備與車輛來往頻繁。傳統(tǒng)分割方法很難在建筑工地圖像處理中取得較好的效果的問題。提出了一種基于HSV色彩空間的建筑工人定位方法。利用MATLAB軟件的色彩分割工具箱對(duì)圖像進(jìn)行分割，獲得安全帽區(qū)域的二值掩膜；通過生態(tài)學(xué)處理獲得安全帽所在區(qū)域的連通域并對(duì)安全帽進(jìn)行定位；依據(jù)安全帽與建筑工人的比例關(guān)系和位置關(guān)系實(shí)現(xiàn)了對(duì)建筑工人的定位。并可以同時(shí)實(shí)現(xiàn)對(duì)多個(gè)安全帽和建筑工人進(jìn)行定位，對(duì)后續(xù)的研究有一定的指導(dǎo)意義。