视频智能分析技术的应用

戴 涛，袁树林，欧云波

(1.福能鸿山热电有限公司，福州 362700；2.厦门世纪华安科技有限公司，福建 厦门 361000；3.深圳华威世纪科技有限公司，深圳 518000)

1 视频智能分析技术研究现状

智能视频技术源自计算机视觉与人工智能的研究，是基于深度学习中计算机视觉的应用，其发展目标是在动态图像与事件描述之间建立一种映射关系，使计算机从纷繁的视频图像中过滤掉“噪声”，获取数据并搭建出数据模型，再分辩、识别出关键目标物体，并对此结果进行存取与分析。从2010年开始，智能视频技术已经在工业技术、智能交通、公共安全和企业安全等领域开始应用，并取得了惊人的效果。

在工矿企业中，随着工矿设备越来越先进、复杂，以往以人工或单纯视频监控对设备以及人员生产等安全进行排查的方式，缺点也慢慢地凸显出来。视频图像设点多,监管人员压力大，监管难度高，当遇到异常情况时，往往无法及时进行报警并迅速处理异常，造成难以估计的损失。而智能视频分析技术恰好可以在一定程度上缓解这类问题。此技术可以从实时视频图像中监控分析，提取关键信息，可对事故进行预警与处理取证，大大减小了安全监管人员的工作压力与企业的用人压力。再配合传感器与跨平台技术，可实现集安保、人员生产安全、人员管理、材料管理的企业安全综合管理网络。

2 产品实践历程

在福能鸿山电厂进行试验应用，已开发的应用功能有：人员在规定区域佩戴安全帽的识别、人员越界的识别、人员单独在规定区域徘徊的识别、基于红外摄像的明暗火识别、在规定区域物品遗留的识别等。在鸿山电厂内的各个主干道均设置了配置安全帽检测算法的摄像头，用于检测员工安全帽佩戴情况，若发现有员工未佩戴安全帽在划定区域内走动，即时报警并对员工进行抓拍，并将图片传给客户端，录入报警日志，配合人脸识别系统还可以将其捕捉到的人脸与名单样本对比，相似率达到一定阈值后，记录人员详细数据。在电厂内几个危险源区域也设置了配置越界检测算法的摄像头，当有人形穿越区域内提前画出的警戒线时，即时报警抓拍并尝试捕捉人脸进行比对。

在应用实践中遇到了一些现场问题。诸如：电厂网络负载高，交换机容量小，导致在客户端大屏幕上获取4路以上视频时卡顿严重，影响监视人员的判断，也导致报警的实时性降低；电厂提供的摄像头过旧，而电厂部分地区的环境光照弱，减弱了报警系统的判断能力及其可使用性。对此给出了增加交换机进行网络扩容，摄像头换新且部分监控地区适度补光的建议。建议被电厂采纳并实施后，安全帽检测的正确率达到70.4%，而越界检测正确率达到81.3%。电厂监管人员的压力也大大减少，管理成本降低，效率大幅提升。

3 部分视频图像算法分析简介

3.1 安全帽检测算法简介

3.1.1算法流程

安全帽检测算法是先通过前景检测将工人和背景分离，再根据人体肤色与其他颜色有很大的区别,通过肤色定位出人脸部位。定位出人脸后向上扫描，根据提前训练好的卷积神经网络，判别头部是否是安全帽的颜色。如果不是，可以报警提示, 记录此人没有佩戴安全帽。对于佩戴安全帽以外的帽子等同未带安全帽的情况：由于安全帽常用的颜色包括红、黄、蓝 3 种颜色，根据不同色彩的安全帽建立阈值选取范围。然后逐点统计安全帽估测区域的像素点，若像素点的RGB值满足安全帽颜色阈值表中某种安全帽的颜色阈值范围，则说明该点属于安全帽，将该点记录下来。最后对统计点进行分类，判断记录的安全帽颜色点的数量占整个统计区域像素点数量的比例，若超过某一比例则判定其佩戴相应颜色的安全帽，若均达不到要求，则判定其未佩戴安全帽，触发报警，并将当时的图像抓拍保存。

3.1.2算法核心

检测算法核心为深度学习中的卷积神经网络，用于判断定位出来的人脸部位是否佩戴安全帽，其分为输入层、卷积层、池化层、全连接层与输出层，主要公式如下。

卷积运算：

激活函数采用ReLU(Rectified Linear Units)函数：

f(x)=max(0,x)

反向传输调整权重：

使用平方误差函数，对与一个C个类和N个训练样本的例子，总误差如下：

通过误差反向传输，根据梯度最速下降法，找到各个神经元的权值w与偏置b的最快下降方向，并将w与b分别乘以学习率，得到调整后的权值w′与偏置b′。

3.2 越界检测算法简介

3.2.1算法流程

越界检测算法的核心是背景差分法，它是一种对静止场景进行运动分割的通用方法，它将当前获取的图像帧与背景图像做差分运算，得到目标运动区域的灰度图，对灰度图进行阈值化提取运动区域，而且为避免环境光照变化影响，背景图像根据当前获取图像帧进行更新。

3.2.2算法核心

根据前景检测，背景维持和后处理方法，存在几种不同的背景差方法。若设It，Bt分别为当前帧与背景帧图像，T为前景灰度阈值，则其中一种方法流程如下：

首先取前几帧图像的平均值，将其作为初始的背景图像Bt，再用当前帧图像与背景图像作灰度减运算，并取绝对值，公式如下：

|It(x,y)-Bt(x,y)|

若对当前帧的像素(x,y)，有：

|It(x,y)-Bt(x,y)|>T

则该像素点为前景点，接着对前景像素图进行形态学操作(腐蚀、膨胀、开闭操作等)，最后用当前帧图像对背景图像进行更新。

4 未来研发方向

今后将在反向传输方向提高样本的输入，精确参数，降低误报，争取近期将各项正确率都提高到90%以上。同时也将对电厂安全带高空作业，蒸汽泄漏等智能功能利用深度学习进行研究，将大大提高电厂的技防能力。