施工现场安全帽佩戴情况监控技术研究

刘云波,黄 华

(1.南京市公路管理处 公路科学研究所,江苏 南京 210039;2.南京市公路管理处,江苏 南京 210014)

施工现场安全帽佩戴情况监控技术研究

刘云波1,黄 华2

(1.南京市公路管理处 公路科学研究所,江苏 南京 210039;2.南京市公路管理处,江苏 南京 210014)

针对施工工地需要统计和监控工人佩戴安全帽情况,提出一种基于计算机视觉的施工现场安全帽佩戴情况监控方法。首先用背景差法从获得的视频图像中提取出前景,并对其进行二值化将运动目标分割出来;然后再根据运动目标的特征通过尺度滤波等方法区分其是否为代表人的运动目标,对代表人的运动目标进行跟踪和标记;最后,在路面中间处设置两条检测线,当代表人的运动目标到达两条检测线中间时,通过检测其1/3部分中的像素点色度值分布情况,判断该人是否佩戴安全帽及安全帽的颜色。经实验结果表明,该方法能满足准确高效的要求。

计算机视觉;运动目标;安全帽检测

安全帽作为一种个人头部防护用品,能有效地防止和减轻操作人员在生产作业中遭受坠落物体或自坠落时对头部的伤害。道路施工现场施工人员佩戴安全帽是一种必须的安全措施,能在一定程度上保障施工人员的人身安全,因此,道路施工现场安全帽佩戴情况监控具有重要意义。对进出施工现场佩戴不同颜色安全帽的施工人员进行统计和监控,并在发现没戴安全帽的工人时及时发出告警,能实现资源的合理分配和人员的有效管理,并能尽可能地保障施工人员的安全。然而目前施工现场对安全帽佩戴情况的监控大多仍依赖人工监视,尚未形成一个自动监控的系统。本文针对这一需求,提出了一种基于计算机视觉的施工现场安全帽佩戴情况监控方法,其可自动对施工现场施工人员的安全帽佩戴情况进行监控。

1 安全帽检测及统计算法

将一架摄像机置于监控区域出入口处,与一台位于后端的工控机相连,摄像机安装于高于地面8～10 m的立杆上,调整其视角范围覆盖整个出入口区域,摄像机与后端工控机通过网络相通信,工控机根据获得的图像和数据信息对出入口进行监控,对进入的施工人员佩戴的各种安全帽数量进行统计。

工控机进行图像处理时,首先通过运动目标检测技术得到代表人的运动目标,然后在摄像机获取的图片靠中心位置设置两条间距很小的水平检测线,当代表人的运动目标到达两条检测线之间时,查看该目标是否为重检目标,若不是重检目标则对其佩戴安全帽情况进行检测,若是重检目标则舍弃该目标,继续检测该帧其他目标。如此记录每一帧走过出入口检测线的施工人员佩戴安全帽的情况,并将得到的信息存入系统统计日志[3]。

图1 检测流程图

1.1 代表人的运动目标的获取

系统开机后,工控机首先使用高斯背景模型的方法对开始获取的一段图像序列进行处理,得到一张初始背景[1]。然后开始正式监控,实时使用背景差法得到差分图像,即用当前帧图像减去当前背景得到当前前景。如式(1)所示,计算当前检测图像与背景图像上每一像素的灰度值之差

(1)

式中,Dk为像素k的灰度值之差;Ik为像素 k在当前图像I中的灰度值;Bk为像素k在背景图像B中的灰度值。

得到差分图像后对其进行二值化,其中二值化的阈值很重要,是区分一个像素点属于前景运动目标点还是属于背景点的关键。二值化时采用固定阈值虽然简单但分割效果不好,而直方图阈值分割算法需被分割图像的灰度直方图呈明显双峰,考虑到光强度变化对二值化分割的影响,采用一种基于图像平均灰度值的阈值分割算法[9],即用当前检测图像的平均灰度值L与比例系数μ的乘积作为差分图像二值化分割的阈值

T=μ×L

(2)

式中,T为差分图像分割的阈值;μ为比例系数;L为当前图像的平均灰度值。μ在范围(0.15,0.3)内取值,实验发现针对本文场景选用μ=0.25较为合适。

二值化的过程如式(3)所示,其中S(x,y)表示二值化分割后图像在(x,y)处的灰度值,D(x,y)表示差分图像在(x,y)处的灰度值,T为式(2)得到的二值化分割阈值

(3)

在二值图中找出灰度值为255的点集轮廓认为其代表运动目标,并通过滤波得到代表人的运动目标,针对代表人的运动目标进行跟踪和标记。考虑到场景中的背景变化程度以及系统实时性要求,后续监控过程中实时通过滑动平均模型的方法来实时更新背景[2],其更新速率由场景中的前景点密度决定,与场景点密度成反比,这样尽可能地避免了把前景更新入背景的情况。

1.2 代表人的运动目标的跟踪

当监控设备开始监控时,对摄像头获取的每一帧图像使用背景差分法以及二值化得出二值化前景图,并对其进行中值滤波、高斯滤波、腐蚀、膨胀等预处理操作,尽可能地去除整个二值化前景图中的噪声点;然后在其中依据尺寸滤波和形状滤波得到大小和形状符合人在场景中特征的目标,认为是代表施工人员的目标,找出其轮廓的外接矩形,并在前一帧所有戴表施工人员的运动目标中寻找是否有与其外接矩形重叠面积大于一定比例且二者面积差异在设定阈值范围内的目标,若有则认为二者为同一目标,对其进行跟踪和标记,若没有则认为是新目标,赋予其新的跟踪标记[8]。运动目标被跟踪,它的信息也会随之传递,其中包括该目标首次出现的位置、该目标是进入还是出去、该目标外接矩形框的颜色等信息[4]。

1.3 所戴安全帽的颜色检测

在摄像头所获得的画面场景中,靠近中心位置设置相距较近的两条平行检测线,当代表施工人员的运动目标的中心到达两条检测线之间时,首先判断其是否为重检目标,若不是则对其所戴安全帽颜色进行检测,并将结果累加入系统统计日志[5-6]。检测是否为重检目标是指该目标的安全帽信息是否已经被记录,如果已经被记录则认为是没有意义的重检目标。

为了对施工现场人员佩戴安全帽的情况进行可靠监控,要预先对该工地所有安全帽颜色进行编号,并测定每种被编号颜色色度值的通常波动范围。

在图像使用的HSV模型中,H色度值表示色彩信息,即所处的光谱颜色的位置,该参数用一角度量来表示,红、绿、蓝分别相隔120°,互补色分别相差180°。饱和度S为一比例值,范围从0～1,其表示成所选颜色的纯度和该颜色最大的饱和度之间的比率,S=0时只有灰度。V表示色彩的明亮程度,范围为0～1,但其与光强度之间并无直接联系。

摄像机获取的图像序列大多以RGB模型的形式体现,为使光照等环境因素对颜色检测的影响最小,这里采用HSV模型对其进行颜色检测,那就需要对摄像机图像进行RGB-HSV转换,转换公式如式(4)所示。

(4)

v=max

其中H色度值所代表的颜色特性受光照等环境变化的影响不大。对在施工现场拍摄的不同光照条件和天气情况下各种颜色安全帽的图像进行分析,测试各安全帽颜色H值的分布情况,得出置信度最大的每种安全帽颜色所对应的色度值H波动范围区间[7]。

得到代表人的运动目标之后,为避免冗余信息的干扰,考虑到佩戴安全帽的部位为人的头部,即代表人的运动目标范围的靠顶端部分,所以选择在该部分检测安全帽。实验表明,取代表人的运动目标上部1/3区域较为合适,能最大程度地减少计算量。因此,在监测过程中,对到达两条检测线之间的代表人的有效标记运动目标的外接矩形,划取其上部1/3区域作为安全帽潜在区域。

在安全帽潜在区域中寻找色度值在预设安全帽颜色范围内的像素点,并以其颜色对应的编号为这些像素点进行标记。将具有相同颜色标记的点的轮廓找出,舍去其中形状、尺寸、离散度不符合安全帽轮廓预设阈值的轮廓,余下的则被认为是安全帽的轮廓,并根据其中点的颜色标记得到该安全帽的颜色标记,即认为该工人佩戴了对应颜色的安全帽。若在其中没有得到任何一个可代表安全帽的轮廓,则认为该运动目标中没有包含安全帽,即此人没有戴安全帽,系统发出警告。

1.4 施工现场安全帽佩戴情况统计

每天从工作时间开始创建当天进出该出入口施工人员佩戴各种安全帽的数据日志,初始值均为零,监控装置进行监控工作时将从每帧检测出两条检测线间佩戴各种颜色安全帽工人的数量和信息,实时累加记录到系统数据日志中,并将统计结果实时的传输给显示装置显示;当有工人未戴安全帽时,系统在显示装置上显示该工人的图像并发出警告。

2 实验结果及分析

选取高速球摄像机获取的一段某道路施工现场出入口视频作为研究对象进行实验。首先采用图像分割技术,只选取出入口路面部分区域,得到检测带,从而减少数据量,提高处理速度,然后用背景差法检测出前景,并对前景进行预处理,之后再在前景中检测出施工人员并检测其佩戴安全帽的情况。如图2所示为安全帽检测过程示意图,系统摄像头获取一张含有施工人员的彩色图像图2(a1)～图2(a4),经过灰度化变为图2(b1)～图2(b4),再将其分别与背景图片图2(c1)～图2(c4)相减并进行二值化分别得到图2(d1)～图2(d4)。找出其中代表人的运动目标并截取其外接矩形上1/3部分作为安全帽潜在区域,如图2(e1)～图2(e4-2)所示。在安全帽潜在区域中遍历搜索每种安全帽颜色色度值范围内的点,并根据其所代表的安全帽颜色进行标记,将具有相同颜色标记的点集合起来用二值化图像表示其轮廓,如图2(f1)对应图2(e1)中搜索到黄色安全帽颜色范围的点集、图2(f2-1)对应图2(e2)中搜索到黄色安全帽颜色范围的点集、图2(f2-2)对应图2(e2)中搜索到红色安全帽颜色范围的点集、图2(f4-1)对应图2(e4-1)中搜索到红色安全帽颜色范围的点集、图2(f4-2)对应图2(e4-2)中搜索到黄色安全帽颜色范围的点集。考察它们的形状轮廓来判断它是否可以代表安全帽,若可以代表安全帽则根据其中点颜色的编号得到该人所戴安全帽的颜色及编号,如图2(f2-2)中红色安全帽颜色范围的点集有两个,其中下面一个点集轮廓面积远远超过安全帽在图像中的面积阈值,其离散程度也超出设定阈值,因此认为其是干扰轮廓不能代表安全帽,将其剔除,这样在图2(f2-2)中只有一个可代表红色安全帽的轮廓,是符合实际情况的。若在安全帽潜在区域中未搜索到任何一个可以代表安全帽的轮廓,如在图2(e3)中的情况,则认为该人没有戴安全帽,此时系统发出警告。

图2 安全帽检测示意图

对实录某道路施工现场的一段长3 h的视频进行算法验证,对视频中施工人员所戴安全帽的情况统计结果如表1所示。

表1 施工人员佩戴安全帽情况检测统计表

通过表1可得知,本文算法的检测正确率达到80%以上,该方法可以实现检测施工人员佩戴安全帽情况的目的,且算法简单有效,尤其是针对单一背景的单个通过施工人员有良好的检测效果。但同时,由于实际路面中有水纹、工人密集通过、车辆轧过的轮辙等影响因素,使得检测中仍存在着一些干扰和误检测,这也将是后续研究中需要解决的问题。

3 结束语

文中提出的施工现场安全帽佩戴情况监控方法,可以比较准确地实现对施工现场代表人的运动目标的检测与跟踪,并对其所戴安全帽颜色的检测和统计,基本满足应用要求。

[1] Zha Yufei,Bi Duyan.Adaptive learning algorithm based on mixture gaussian background[J].Journal of Systems Engineering and Electronics,2007,18(2):369-376.

[2] Shu Te,Chen Yungyaw.Moving object segmentation using improved running gaussian average background model[J].Digital Image Computing:Techniques and Applications(DICTA),2008(15):24-31.

[3] 何鹏,麻文华,黄磊,等.实时人数计数系统[J].中国图象图形学报,2011,16(5):813-820.

[4] 郑翔翔,张怡.基于头部检测和跟踪的人数统计方法[J].计算机应用与软件,2011,28(2):44-46.

[5] 韩亚伟,张有志,李庆涛,等.动态场景监控系统中人数统计算法的研究[J].计算机应用与软件,2011,28(2):260-262.

[6] 张庚,徐昊.简单背景下基于灰度图象的人数统计[J].中国新技术新产品,2009(1):21.

[7] 李爱勤,张绪坤,徐刚,等.颜色检测系统及其在果蔬干燥中的应用[J].江西科学,2009,27(1):127-131.

[8] 姚敏.数字图像处理[M].北京:机械工业出版社,2006.

[9] 曹丹华,邹伟,吴裕斌.基于背景图像差分的运动人体检测[J].光电工程,2007,34(7):107-111.

Research on Monitoring of Workers’ Helmet Wearing at the Construction Site

LIU Yunbo1,HUANG Hua2

(1.Nanjing Highway Administration Department,Nanjing Highway Scientific Research Institute,Nanjing 210039,China;2.Nanjing Highway Scientific Research Institute,Nanjing 210014,China)

To monitor workers’ helmet wearing in the construction site and keep its statistics,this paper proposes a method of monitoring workers helmet wearing in the construction site based on computer vision.First,using the background difference method the foreground is extracted from the video image,its binary image is obtained and the moving target is split;second,it is distinguished whether the moving target is representing a person according to the characteristics of the moving targets by the scaling filtering method and so on,and the moving target representing a person needs to be tracked and marked;finally,two test lines are set in the middle of the road.When a moving target representing a person reaches the middle of the two lines,the distribution of pixel color values in its upper third area is detected to determine whether a person is wearing a helmet and the color of the helmet.Experimental results demonstrate that this method can meet the requirements on accuracy and efficiency．

computer vision;moving target;helmets detection

2014- 08- 10

刘云波(1972—),男,本科。研究方向:路网监控。E-mail:421629136@qq.com。黄华(1976—),男,本科。研究方向:公路路网监控,交通安全。

10.16180/j.cnki.issn1007-7820.2015.04.019

TP277

A

1007-7820(2015)04-069-04