導(dǎo)語：人像識別在安全生產(chǎn)中的應(yīng)用一文來源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

1系統(tǒng)體系結(jié)構(gòu)

整個安全管控系統(tǒng)分為五個部分：視頻數(shù)據(jù)采集、圖像分離、人像特征挖掘、人像庫建立和危險行為識別，如圖1所示。圖1安全管控系統(tǒng)系統(tǒng)體系其中視頻數(shù)據(jù)采集和圖像分離兩個階段實(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，此時系統(tǒng)要將識別出來的物體運(yùn)行分類定性，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，也可以融入的機(jī)器自學(xué)習(xí)理論運(yùn)行分類的優(yōu)化。人像特征挖掘不但要進(jìn)行人像識別，更重要的是要形成便于存儲、傳輸和共享的人像特征庫，便于在多通道視頻輸入環(huán)境下進(jìn)行各分布式分類器同時進(jìn)行處理。上述過程的完成僅僅是實(shí)現(xiàn)了從復(fù)雜背景圖像中提取人像的任務(wù)，接下來的任務(wù)是對生產(chǎn)環(huán)節(jié)中人員的著裝、佩戴的安全裝備和行為動作等關(guān)鍵的安全要素進(jìn)行識別和處理。

2圖像分離

圖像分離技術(shù)包括靜態(tài)圖像分離和動態(tài)圖像分離兩個方面。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，就無法得到完整的人像輪庫；LevelSet算法無法處理模糊的和有噪聲干擾的圖像。本文的數(shù)據(jù)來源是連續(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。提取出來的圖像沒有背景的干擾，求取出來的特征值將更具有代表性。現(xiàn)有的運(yùn)動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)動是在三維空間中進(jìn)行的，可以用運(yùn)動場來表示，而視頻錄像卻是二維平面圖像，物體的運(yùn)動是通過計算各個像素點(diǎn)色彩（為了減少計算量，往往采用灰度進(jìn)行計算）的變化趨勢，從而得到運(yùn)動矢量來體現(xiàn)的。從三維空間到二維平面的映射，即是運(yùn)動場到光流場（OpticalFlowField）的轉(zhuǎn)換。光流法即是利用多幀連續(xù)圖像序列來計算各個像素點(diǎn)的運(yùn)動矢量，從而為真實(shí)的運(yùn)動進(jìn)行近似估計的方法。光流法分離前景的最大特點(diǎn)是：該算法能夠獨(dú)立檢測運(yùn)動目標(biāo)，甚至可以精確地計算出目標(biāo)的運(yùn)動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。首先是計算繁雜，不適用于對效率要求較高的環(huán)境；其次外部光線變化對算法的影響比較大，即使物體沒有運(yùn)動，也能檢測到光流；最后如果圖像的灰度等級變化不明顯，很難檢測出運(yùn)動和識別物體。2.1碼本法碼本（CodeBook）模型處理對象是仍然是連續(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，將不同時刻圖像中對應(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)動目標(biāo)。顏色失真因子：δ=colordist(x)t,vi=xt2-xt,xi2xi2(1)亮度失真因子：brightness(I),Ǐ,Î=ìíîtrueifIlow≤xt≤Ihifalseotherwise(2)具體算法是為每個像素建立一個編碼本，這個編碼本里包括一個或者多個碼字。進(jìn)行運(yùn)動檢測時，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)動目標(biāo)的一部分。碼本檢測算法利用量化和聚類技術(shù)來構(gòu)建背景模型具有魯棒性強(qiáng)，計算效率高的特點(diǎn)，可以通過迭代更新碼本模型來適應(yīng)背景變化。

3人體特征挖掘與識別

通過圖像分離，所有的活動目標(biāo)都被區(qū)分識別出來了，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目標(biāo)進(jìn)行標(biāo)識，從而將人體和其他物件區(qū)分開來。物體具有的特征的非常多，比如說顏色、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)過計算和統(tǒng)計的圖像局部區(qū)域梯度方向直方圖構(gòu)成，在計算機(jī)視覺（ComputerVision）和圖像處理中常用來進(jìn)行物體檢測的特征描述。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.計算每個像素的梯度值：大小和方向；4.將圖像劃分成細(xì)胞單元（Cell）；5.統(tǒng)計每個Cell的梯度形成直方圖（Histogram），即CellDescriptor；6.將每幾個Cell組成一個區(qū)塊（Block），每個區(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)起來就可以得到該圖像以特征向量表示的ImageDescriptor了。第2步的歸一化處理，能對光照變化和陰影獲得更好的效果。第3步通過卷積運(yùn)算，確定每個像素在水平方向和垂直方向上的梯度分量，計算公式如下：Gx(x),y=H(x)+1,y-H(x)-1,y(3)Gy(x),y=H(x),y+1-H(x),y-1(4)其中Gx(x),y，Gy(x),y，H(x),y分別表示坐標(biāo)(x),y處像素點(diǎn)的水平方向梯度分量、垂直方向梯度分量和灰度值。然后再計算該像素點(diǎn)的梯度幅值和梯度方向。G(x),y=Gx(x),y2+Gy(x),y2(5)θ(x),y=tan-1æèççöø÷÷Gy(x),yGx(x),y(6)其中G(x),y代表梯度幅度值，θ(x),y代表梯度方向。第4步可以采用矩形（Rectangular）或星形（Radial）結(jié)構(gòu)來劃分細(xì)胞單元（Cell）。第5步統(tǒng)計每個Cell的梯度形成直方圖，即是求取該Cell的特征向量。根據(jù)不同的精度要求，將梯度方向360度（2π）根據(jù)需要分割成若干個區(qū)間（Section），比方分割成12個Section，每個Section即為30度，然后根據(jù)Cell中每個像素點(diǎn)的梯度方向，將其幅值累加到這12個區(qū)間中，最終形成能刻畫該Cell灰度特征的特征向量。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，沒有重合的區(qū)域。因?yàn)槟壳罢f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)的分類效果，但是它的好處是計算量小、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)是計算量大，因?yàn)橹丿B區(qū)域需要重復(fù)計算?？偠灾c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）的計算，受圖像幾何（Geometric）和光學(xué)（Photometric）形變影響比較小。3.2SVM分類器經(jīng)過HOG運(yùn)算完成之后得到的特征向量就可以納入到分類器當(dāng)中進(jìn)行分類了，本文選擇SVM（SupportVectorMachine）分類器進(jìn)行人體識別。SVM分類器是基于統(tǒng)計學(xué)習(xí)的分類算法，在圖像識別中得到廣泛的應(yīng)用，其主要思想是：將分類問題轉(zhuǎn)化為尋找訓(xùn)練樣本點(diǎn)的一個分割超平面的問題，目的是保證最小的分類錯誤率。如果樣本線性可分，能夠?qū)颖就耆珠_的超平面不止一個，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。本文使用到的SVM最優(yōu)分類函數(shù)是：f(x)=æèçöø÷∑i=1nαiyixiTx+b=∑i=1nαiyixi,x+b(7)其中αi是支持向量的最優(yōu)系數(shù)，b是分類閥值。使用核函數(shù)提高特征向量維度后進(jìn)行分類的確可以提高分類的準(zhǔn)確性，但是卻因?yàn)槠溆嬎懔看?，對識別速度會有影響，常見的核函數(shù)如下：線性核函數(shù)：K(x),y=x∙y(8)多項(xiàng)式核函數(shù)：K(x),y=(x)∙y+1d,d=1,2,⋯,n(9)高斯核函數(shù)：K(x),y=e-2|x|-yσ2(10)實(shí)際應(yīng)用中需要根據(jù)具體需求，平衡識別的準(zhǔn)確率和效率，選擇合適的核函數(shù)。3.3人體識別人體的識別過程分為兩個部分：訓(xùn)練和識別，如圖2所示。圖2人體識別流程訓(xùn)練過程，首先通過碼本分離算法從運(yùn)動圖像中提取出的前景，此時的前景包括了人體和其他物體；然后是通過人工分檢，選出各種光照效果下具有典型勞動特征的人體形成訓(xùn)練樣本庫；接下來計算每一個樣本的HOG特征值，并利用這個樣本值集合進(jìn)行SVM訓(xùn)練，使其針對HOG特征具有分類能力；最終構(gòu)建出人體特征分類器。識別過程，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)練過程產(chǎn)生的分類器當(dāng)中進(jìn)行分類；最終識別出人體。

4危險行為識別

隨著行業(yè)的不同，生產(chǎn)環(huán)節(jié)中對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目標(biāo)，并作為出算法的驗(yàn)證試驗(yàn)。4.1人頭模型識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，不可能讓每一個工人都正面面對攝像頭進(jìn)行人臉檢測，攝像頭中往往得到的是一個背影或側(cè)影。簡化模型：首先根據(jù)SVM人體分類器中不同工作姿勢人體類別，統(tǒng)計各類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)行安全帽的識別。4.1模型對比復(fù)雜模型適應(yīng)于沒有進(jìn)行過前景背景分離的圖像，識別的前提是圖像中的人體有人臉的正面照，因此識別率較低；簡化模型中識別對象是經(jīng)過了前景背景分離和SVM分類并已經(jīng)真正分割出來的獨(dú)立的人體，雖然人體模型簡單，但是人頭的識別率非常高。

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間實(shí)時視頻監(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)計分析來確定運(yùn)動目標(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類和顏色非常規(guī)范，提供統(tǒng)計建立顏色（紅、黃、藍(lán)）分布直方圖，即可識別個人是否佩戴安全帽。上述過程前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，最終得出人體分類器、人頭位置和尺寸參數(shù)。通過訓(xùn)練好的分類器對測試樣本進(jìn)行檢測，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)時視頻流模式的多姿態(tài)安全帽檢測技術(shù)，并且通過試驗(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。未來的工作是對人像進(jìn)行跟蹤，分析其動作，并抽象提煉出行為，通過對每一種行為的危險系數(shù)進(jìn)行評估，最終實(shí)現(xiàn)危險行為識別即做出有害和無害的結(jié)論。

作者:汪建 方洪鷹 單位:重慶郵電大學(xué)