人像識(shí)別技術(shù)在安全生產(chǎn)中的應(yīng)用范文

本站小編為你精心準(zhǔn)備了人像識(shí)別技術(shù)在安全生產(chǎn)中的應(yīng)用參考范文，愿這些范文能點(diǎn)燃您思維的火花，激發(fā)您的寫(xiě)作靈感。歡迎深入閱讀并收藏。

近年來(lái)，隨著物聯(lián)網(wǎng)、大數(shù)據(jù)等技術(shù)的成熟和普及，建設(shè)行業(yè)中的精細(xì)化管控手段的作用和重要性日漸突出。現(xiàn)代的安全管控體系衍變成了由“人防”和“技防”相結(jié)合的綜合監(jiān)管系統(tǒng)。精細(xì)化管控的核心是安全質(zhì)量監(jiān)管，涉及“安全”和“質(zhì)量”兩方面內(nèi)容，具體落實(shí)到生產(chǎn)環(huán)節(jié)中的“人、機(jī)、物料”三個(gè)要素，物聯(lián)網(wǎng)技術(shù)在其中起的至關(guān)重要的作用。比如：傳統(tǒng)的施工設(shè)備或配料設(shè)備借助于物聯(lián)網(wǎng)技術(shù)，實(shí)時(shí)的匯報(bào)工作狀態(tài)，出現(xiàn)偏差，可以及時(shí)糾正；萬(wàn)一產(chǎn)生問(wèn)題，保存的歷史數(shù)據(jù)，也可以作為問(wèn)題溯源的依據(jù)。精細(xì)化管控等內(nèi)容非常豐富，本文研究的重點(diǎn)是如何利用現(xiàn)代視頻處理技術(shù)為施工人員提供安全保障。隨著硬件價(jià)格降低和互聯(lián)網(wǎng)環(huán)境的改善，絕大多數(shù)建設(shè)施工現(xiàn)場(chǎng)都安裝配備的攝像頭，但是其作用主要是用于防盜和事后查找問(wèn)題追責(zé)。現(xiàn)在我們的目的是要變被動(dòng)為主動(dòng)，以圖像處理技術(shù)和數(shù)據(jù)挖掘技術(shù)為依托對(duì)視頻大數(shù)據(jù)進(jìn)行實(shí)時(shí)分析，識(shí)別出危險(xiǎn)行為并加以提醒。

1系統(tǒng)體系結(jié)構(gòu)

整個(gè)安全管控系統(tǒng)分為五個(gè)部分：視頻數(shù)據(jù)采集、圖像分離、人像特征挖掘、人像庫(kù)建立和危險(xiǎn)行為識(shí)別，如圖1所示。其中視頻數(shù)據(jù)采集和圖像分離兩個(gè)階段實(shí)現(xiàn)了基礎(chǔ)數(shù)據(jù)的粗加工，視頻數(shù)據(jù)采集模塊為系統(tǒng)提供實(shí)時(shí)的視頻信息數(shù)據(jù)流，圖像分離實(shí)現(xiàn)了圖像中前景和背景的分離，為進(jìn)一步進(jìn)行人像的提取奠定了基礎(chǔ)。人像特征挖掘階段尤為重要，此時(shí)系統(tǒng)要將識(shí)別出來(lái)的物體運(yùn)行分類(lèi)定性，可以運(yùn)用多種數(shù)據(jù)挖掘方法（監(jiān)督的和非監(jiān)督的）進(jìn)行分類(lèi)，也可以融入的機(jī)器自學(xué)習(xí)理論運(yùn)行分類(lèi)的優(yōu)化。人像特征挖掘不但要進(jìn)行人像識(shí)別，更重要的是要形成便于存儲(chǔ)、傳輸和共享的人像特征庫(kù)，便于在多通道視頻輸入環(huán)境下進(jìn)行各分布式分類(lèi)器同時(shí)進(jìn)行處理。上述過(guò)程的完成僅僅是實(shí)現(xiàn)了從復(fù)雜背景圖像中提取人像的任務(wù)，接下來(lái)的任務(wù)是對(duì)生產(chǎn)環(huán)節(jié)中人員的著裝、佩戴的安全裝備和行為動(dòng)作等關(guān)鍵的安全要素進(jìn)行識(shí)別和處理。

2圖像分離

圖像分離技術(shù)包括靜態(tài)圖像分離和動(dòng)態(tài)圖像分離兩個(gè)方面。靜態(tài)圖像分離可以采取的手段并不多，主要集中在圖像分割技術(shù)的討論，包括閾值分割、區(qū)域分割、邊緣分割和直方圖法。近年針對(duì)人體特征的分割技術(shù)有了一些進(jìn)展，出現(xiàn)了MagicWand[1]、IntelligentScissors[2]、ActiveContourModel[3]、GraphCut和LevelSet[4]等一系列有代表性的算法。但是無(wú)論上述哪種算法都是基于單張圖像有限的圖元信息進(jìn)行分析，局限性比較大，比如：GraphCut算法是基于圖像的顏色進(jìn)行分析，如果前景和背景顏色比較接近時(shí)，就無(wú)法得到完整的人像輪庫(kù)；LevelSet算法無(wú)法處理模糊的和有噪聲干擾的圖像。本文的數(shù)據(jù)來(lái)源是連續(xù)視頻信息，可以利用多幀圖像信息的關(guān)聯(lián)性將人像從背景中準(zhǔn)確的提取出來(lái)。提取出來(lái)的圖像沒(méi)有背景的干擾，求取出來(lái)的特征值將更具有代表性。現(xiàn)有的運(yùn)動(dòng)圖像前景提取算法包括：背景差分法、幀間差分法、光流法[5]、能量分析法和碼本法[6]等。

2.1光流法真實(shí)的物體運(yùn)動(dòng)是在三維空間中進(jìn)行的，可以用運(yùn)動(dòng)場(chǎng)來(lái)表示，而視頻錄像卻是二維平面圖像，物體的運(yùn)動(dòng)是通過(guò)計(jì)算各個(gè)像素點(diǎn)色彩（為了減少計(jì)算量，往往采用灰度進(jìn)行計(jì)算）的變化趨勢(shì)，從而得到運(yùn)動(dòng)矢量來(lái)體現(xiàn)的。從三維空間到二維平面的映射，即是運(yùn)動(dòng)場(chǎng)到光流場(chǎng)（OpticalFlowField）的轉(zhuǎn)換。光流法即是利用多幀連續(xù)圖像序列來(lái)計(jì)算各個(gè)像素點(diǎn)的運(yùn)動(dòng)矢量，從而為真實(shí)的運(yùn)動(dòng)進(jìn)行近似估計(jì)的方法。光流法分離前景的最大特點(diǎn)是：該算法能夠獨(dú)立檢測(cè)運(yùn)動(dòng)目標(biāo)，甚至可以精確地計(jì)算出目標(biāo)的運(yùn)動(dòng)速度而不需要任何先驗(yàn)的背景信息。光流法缺點(diǎn)也比較多。首先是計(jì)算繁雜，不適用于對(duì)效率要求較高的環(huán)境；其次外部光線變化對(duì)算法的影響比較大，即使物體沒(méi)有運(yùn)動(dòng)，也能檢測(cè)到光流；最后如果圖像的灰度等級(jí)變化不明顯，很難檢測(cè)出運(yùn)動(dòng)和識(shí)別物體。

2.2碼本法碼本（CodeBook）模型處理對(duì)象是仍然是連續(xù)圖像。首先利用顏色失真程度和亮度失真范圍相結(jié)合的方式將圖像各像素量化后用碼本表示，將不同時(shí)刻圖像中對(duì)應(yīng)像素的碼本做比較判斷，利用減除背景的思想提取出前景運(yùn)動(dòng)目標(biāo)。具體算法是為每個(gè)像素建立一個(gè)編碼本，這個(gè)編碼本里包括一個(gè)或者多個(gè)碼字。進(jìn)行運(yùn)動(dòng)檢測(cè)時(shí)，在編碼本里已有的碼字中查找當(dāng)前幀像素點(diǎn)，如果前者中有可以匹配的碼字，則該像素點(diǎn)即為背景點(diǎn)；如果匹配失敗，那么該像素點(diǎn)即為前景點(diǎn)，即運(yùn)動(dòng)目標(biāo)的一部分。碼本檢測(cè)算法利用量化和聚類(lèi)技術(shù)來(lái)構(gòu)建背景模型具有魯棒性強(qiáng)，計(jì)算效率高的特點(diǎn)，可以通過(guò)迭代更新碼本模型來(lái)適應(yīng)背景變化。

3人體特征挖掘與識(shí)別

通過(guò)圖像分離，所有的活動(dòng)目標(biāo)都被區(qū)分識(shí)別出來(lái)了，其中包括人和其他物件。本節(jié)將要討論如何選擇合適的特征表述方法對(duì)目標(biāo)進(jìn)行標(biāo)識(shí)，從而將人體和其他物件區(qū)分開(kāi)來(lái)。物體具有的特征的非常多，比如說(shuō)顏色、輪廓、形狀、尺寸和紋理等，本文將選取HOG[7]（HistogramofOrientedGradient）特征作為標(biāo)志和區(qū)分的依據(jù)。方向梯度直方圖（HOG）特征是由經(jīng)過(guò)計(jì)算和統(tǒng)計(jì)的圖像局部區(qū)域梯度方向直方圖構(gòu)成，在計(jì)算機(jī)視覺(jué)（ComputerVision）和圖像處理中常用來(lái)進(jìn)行物體檢測(cè)的特征描述。

3.1HOG特征提取算法1.圖像預(yù)處理—灰度化；2.圖像顏色空間的標(biāo)準(zhǔn)化和歸一化；3.計(jì)算每個(gè)像素的梯度值：大小和方向；4.將圖像劃分成細(xì)胞單元（Cell）；5.統(tǒng)計(jì)每個(gè)Cell的梯度形成直方圖（Histogram），即CellDescriptor；6.將每幾個(gè)Cell組成一個(gè)區(qū)塊（Block），每個(gè)區(qū)塊內(nèi)所有CellDescriptor再次歸一化便得到該區(qū)塊的BlockDescriptor。7.圖像內(nèi)的所有區(qū)塊的BlockDescriptor串聯(lián)起來(lái)就可以得到該圖像以特征向量表示的ImageDescriptor了。第6步的Cell組合，可以采取Overlap和Non-Overlap兩種策略。Overlap指的是組合出的Block互相交疊，有重合的區(qū)域；Non-Overlap指的是Block不交疊，沒(méi)有重合的區(qū)域。因?yàn)槟壳罢f(shuō)做所有的分割和組合都帶有隨機(jī)性，以人臉為例，如果采用Non-Overlap方式進(jìn)行組合，很有可能將人臉上的器官1分為N，直接影響后續(xù)的分類(lèi)效果，但是它的好處是計(jì)算量小、速度快；而Overlap則不同，冗余的數(shù)據(jù)將提高器官完整的可能性，但是缺點(diǎn)是計(jì)算量大，因?yàn)橹丿B區(qū)域需要重復(fù)計(jì)算。總而言之，與其他的特征描述方法（SIFT和PCA-SIFT）相比，HOG算法著眼于圖像局部單元（Cell和Block）的計(jì)算，受圖像幾何（Geometric）和光學(xué)（Photometric）形變影響比較小。

3.2SVM分類(lèi)器經(jīng)過(guò)HOG運(yùn)算完成之后得到的特征向量就可以納入到分類(lèi)器當(dāng)中進(jìn)行分類(lèi)了，本文選擇SVM（SupportVectorMachine）分類(lèi)器進(jìn)行人體識(shí)別。SVM分類(lèi)器是基于統(tǒng)計(jì)學(xué)習(xí)的分類(lèi)算法，在圖像識(shí)別中得到廣泛的應(yīng)用，其主要思想是：將分類(lèi)問(wèn)題轉(zhuǎn)化為尋找訓(xùn)練樣本點(diǎn)的一個(gè)分割超平面的問(wèn)題，目的是保證最小的分類(lèi)錯(cuò)誤率。如果樣本線性可分，能夠?qū)颖就耆珠_(kāi)的超平面不止一個(gè)，SVM算法的終極目標(biāo)是找到其中的最優(yōu)超平面（能使得每類(lèi)數(shù)據(jù)中與超平面距離最近的向量之間距離最大的平面）；如果樣本線性不可分，則是因?yàn)槠涮卣飨蛄烤S度太低引起的，可以通過(guò)所謂的核函數(shù)（非線性映射算法）將低維向量樣本映射到高維特征空間，使其線性可分。實(shí)際應(yīng)用中需要根據(jù)具體需求，平衡識(shí)別的準(zhǔn)確率和效率，選擇合適的核函數(shù)。

3.3人體識(shí)別人體的識(shí)別過(guò)程分為兩個(gè)部分：訓(xùn)練和識(shí)別，如圖2所示。訓(xùn)練過(guò)程，首先通過(guò)碼本分離算法從運(yùn)動(dòng)圖像中提取出的前景，此時(shí)的前景包括了人體和其他物體；然后是通過(guò)人工分檢，選出各種光照效果下具有典型勞動(dòng)特征的人體形成訓(xùn)練樣本庫(kù)；接下來(lái)計(jì)算每一個(gè)樣本的HOG特征值，并利用這個(gè)樣本值集合進(jìn)行SVM訓(xùn)練，使其針對(duì)HOG特征具有分類(lèi)能力；最終構(gòu)建出人體特征分類(lèi)器。識(shí)別過(guò)程，首先將碼本算法得到的前景提取HOG特征值，然后送入到訓(xùn)練過(guò)程產(chǎn)生的分類(lèi)器當(dāng)中進(jìn)行分類(lèi)；最終識(shí)別出人體。

4危險(xiǎn)行為識(shí)別

隨著行業(yè)的不同，生產(chǎn)環(huán)節(jié)中對(duì)安全的要求也有所不同，比如：不同工種的著裝、佩戴的安全裝備和行為動(dòng)作等都屬于安全生產(chǎn)管轄的范疇。本文就以建筑行業(yè)的施工環(huán)節(jié)中安全帽的佩戴作為檢測(cè)目標(biāo)，并作為出算法的驗(yàn)證試驗(yàn)。

4.1人頭模型識(shí)別安全帽首先要提取人體的頭部信息，可以采取復(fù)雜模型：首先進(jìn)行人臉識(shí)別定位人頭的位置；然后建立人體軀體模型，找到軀干和四肢；最終完成人體重建。雖然看似第一步就可以通過(guò)臉部準(zhǔn)確的定位人頭，但是此方法在現(xiàn)實(shí)中卻不可行，因?yàn)樵诠さ厣暇唧w的施工環(huán)節(jié)中，不可能讓每一個(gè)工人都正面面對(duì)攝像頭進(jìn)行人臉檢測(cè)，攝像頭中往往得到的是一個(gè)背影或側(cè)影。簡(jiǎn)化模型：首先根據(jù)SVM人體分類(lèi)器中不同工作姿勢(shì)人體類(lèi)別，統(tǒng)計(jì)各類(lèi)別中人頭的位置和大小比例；然后從待處理人體圖像中分離處彩色的人頭圖像；最后使用顏色直方圖進(jìn)行安全帽的識(shí)別。

4.2模型對(duì)比復(fù)雜模型適應(yīng)于沒(méi)有進(jìn)行過(guò)前景背景分離的圖像，識(shí)別的前提是圖像中的人體有人臉的正面照，因此識(shí)別率較低；簡(jiǎn)化模型中識(shí)別對(duì)象是經(jīng)過(guò)了前景背景分離和SVM分類(lèi)并已經(jīng)真正分割出來(lái)的獨(dú)立的人體，雖然人體模型簡(jiǎn)單，但是人頭的識(shí)別率非常高。

5實(shí)驗(yàn)及結(jié)果分析

為了驗(yàn)證本文闡述的安全管控系統(tǒng)的有效性，特地選取某建筑企業(yè)在建工地的鋼筋加工車(chē)間實(shí)時(shí)視頻監(jiān)控圖像進(jìn)行分析，原始視頻中包含了各種姿態(tài)（站姿和蹲姿）的人體，如圖3所示。1)碼本算法提取前景。由于碼本算法是基于像素點(diǎn)的色彩變化進(jìn)行統(tǒng)計(jì)分析來(lái)確定運(yùn)動(dòng)目標(biāo)，受光線等干擾的影響，碼本算法采集到的前景區(qū)域往往不連通，如圖4所示。2)膨脹處理。對(duì)圖像進(jìn)行膨脹處理的目的是為了擴(kuò)大連通區(qū)域，便于圖像分割。膨脹之后的圖像如圖5所示。3)圖像分割。采用第2章中所述的靜態(tài)圖像分離算法切割膨脹處理之后的局部連通圖，分割出來(lái)的去除了背景的單體圖像比分割前“意義”更明確，求出的HOG特征向量特征更明顯，單體圖像如圖6所示。4)遮罩提取。上述步驟操作的都是對(duì)象區(qū)域，為了得到原始的分割圖像，只需要進(jìn)行遮罩運(yùn)算即可，結(jié)果如圖7所示。5)安全帽識(shí)別。使用4.1節(jié)所述的人體模型提取人頭圖像，如圖8所示。因?yàn)榘踩钡姆N類(lèi)和顏色非常規(guī)范，提供統(tǒng)計(jì)建立顏色（紅、黃、藍(lán)）分布直方圖，即可識(shí)別個(gè)人是否佩戴安全帽。上述過(guò)程前4步可以實(shí)現(xiàn)前景提取，并進(jìn)行基于SVM的人體特征挖掘與識(shí)別。本例構(gòu)建的訓(xùn)練樣本分別為100、300、500張，使用HOG算法進(jìn)行特征向量提取，并將此特征向量集用于SVM訓(xùn)練，最終得出人體分類(lèi)器、人頭位置和尺寸參數(shù)。通過(guò)訓(xùn)練好的分類(lèi)器對(duì)測(cè)試樣本進(jìn)行檢測(cè)，實(shí)驗(yàn)結(jié)果如表1所示。從表中數(shù)據(jù)可以看出：隨著訓(xùn)練樣本數(shù)的增加，人體檢出準(zhǔn)確率明顯提高，而安全帽檢出的準(zhǔn)確率受樣本規(guī)模影響比較小。

6結(jié)論

本文首次將圖像處理技術(shù)和數(shù)據(jù)挖掘技術(shù)應(yīng)用到安全生產(chǎn)管理中。研討了將碼本運(yùn)算、HOG運(yùn)算、SVM運(yùn)算融為一體進(jìn)行人體圖像挖掘的具體實(shí)現(xiàn)細(xì)節(jié)，提出基于實(shí)時(shí)視頻流模式的多姿態(tài)安全帽檢測(cè)技術(shù)，并且通過(guò)試驗(yàn)證明該算法的實(shí)用性和有效性，取得了令人滿意的結(jié)果。未來(lái)的工作是對(duì)人像進(jìn)行跟蹤，分析其動(dòng)作，并抽象提煉出行為，通過(guò)對(duì)每一種行為的危險(xiǎn)系數(shù)進(jìn)行評(píng)估，最終實(shí)現(xiàn)危險(xiǎn)行為識(shí)別即做出有害和無(wú)害的結(jié)論。

作者：汪建 方洪鷹 單位：重慶郵電大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 重慶交通大學(xué) 理學(xué)院