基于智能识别的高空物体坠落分析

张修国

（中央司法警官学院 河北省保定市 071000）

改革开放以来我国的城镇化建设如火如荼，高楼大厦日渐增多，住进高层房已成为一种常态，但无论是在人口密集的高层住宅区，还是建筑区，都会发生大量的高空坠物事故。在高层住宅区，可能是由于人为乱丢杂物或者花盆、瓷砖等意外掉落；在建筑区可能是建筑材料的意外脱落，因此相关部门也采取了相应的措施进行防护，如:在住宅区安装电子眼监控设备、在施工现场使用绿色防护网，但目前这些措施都还没有从根本上减少高空坠物带来的惨剧。

1 研究背景及意义

日前，高空坠物导致人员伤亡事件频繁发生，从问题根源上看不仅仅是人员素养问题，而已成为公共安全风险逐渐挑战着城市的治理智慧。相关实验数据表明：一个30 克的生鸡蛋从4 楼砸到路过的行人头上就会砸晕行人；从8 楼坠下来会使行人头皮破损；从18 楼自由落体砸下来就可以砸破行人的头骨；从25 楼抛下更会使行人当场死亡。实验数据使人触目惊心，为了避免生活中存在的这些安全隐患，从源头减少高空坠物引起的事故，减轻高空坠物所带来的损害，当前研发出一款智能检测坠物并自动拦截的装置非常有必要。

2 国内外研究现状

目前常见的高空坠物防护设施只有安全帽、防盗窗、天井防护网等，市面上并不存在成熟并以第一时间发现坠物——拦截坠物——语音疏散行人到安全区的智能设施，本文所研究的基于智能识别的高空物体坠落分析系统将弥补智能预测及拦截高空坠物领域的空白。

国内研究者提出了高空物体坠落落点理论模型[1]，计算出了施工现场高空坠落物的散落半径，给出了施工现场地面安全防护的水平宽度；这些研究理论是非常有针对性的，对本文研究的高空物体坠落分析系统具有一定的借鉴意义。高空物体坠落落点理论模型直接指出了物体从高空坠落的运动轨迹，水平高度及初始速度计算的理论公式，也直接指明了坠落物的动量，这对我们研究的设备的材料承受能力提出了要求。其给出的安全防护水平宽度对我们研究设备的拦截有效半径提供了重要参考，要求拦截装置的有效拦截半径要大于等于预期坠落物的坠落半径。

图1：系统结构流程

图2：坠物判断网络结构

图3：图像特征识别

国外研究者斯图尔特•罗素提出了一种借助外部的物理知识来辅助做无标注的监督学习[2]，该方法在真实世界和模拟计算机视觉任务中都具有很好的效果，从而可以训练卷积神经网络来检测和跟踪目标，最主要的是该方法可以显著减少对标记训练数据的需求。还有一些研究者通过摄像机立体拍摄获得下落物体的三维数据，然后再对这些数据进行分析[3]。也有研究由落体探测与识别系统(ODRS)和计算机视觉库OPENCV 对下落的物体进行识别、推理，并将信息转换给处理器(IPC)的自动装置。以及有研究者根据莫尔斯理论提出的一种计算3D 物体可能坠落的捕捉区域的算法，这对我们预测行人疏散的安全区提供了很大的帮助。

3 识别设计及主要框架

基于智能识别的高空物体坠落分析系统通过计算机视觉技术对高空有坠落风险或已坠落的物体进行扫描、识别和采集，再对采集的图片或视频进行处理，并自动获得相应场景的三维信息，之后对获取的相关数据及坠落物体的运动分析，最终得出相应的预防措施。整个系统可划分为三个部分：智能识别、坠物拦截、语音疏散。其主要框架如图1所示。

3.1 智能识别

探测高空环境中的潜在危险是生物的一项基本能力，但近年来国外的研究者也将其运用到了计算机方面。有人提出了一种基于距离传感器捕获的三维点云输入的潜在落体检测算法，利用直觉机制，通过推断隐藏的“原因”(扰动)和推理可能的“效果”(下落)，解决了探测潜在落体的问题及通过计算在给定扰动场景下潜在落体的期望值，来检测潜在落体的风险。该算法在探测高空潜在危险上给本文提供了一定的参考，我们将此技术与计算机视觉技术进行融合用来对高空中有坠落风险或正在坠落的物体进行扫描预测，并通过对坠物的分析自动采取相关解决措施。

识别部分首先运用计算机视觉技术对高空中有坠落风险或正在坠落的物体进行实时扫描分析。若检测到存在坠落风险的物体，则自动给出相应的解决措施。若检测到高空中有物体正在坠落，则实施下一步措施：通过计算机视觉技术立马对其进行识别判断，判断正在下落的东西是坠物，还是鸟儿等其他干扰项（坠物判断网络如图2所示），同时全套系统进入工作状态。确定是坠落的物体后立马触动报警器进行报警，并语音疏散地面的行人到安全区域，与此同时对下落的物体进行全程跟踪、检测、数据的采集及坠物的运动分析。通过对上述操作获得的相关数据进行预算处理后得出发射网罩的类型、方向、力度及时间，并及时传送给拦截装置对坠物进行初次拦截。之后再对初次拦截的状态进行视觉识别分析，若拦截成功则不进行再次拦截，若不成功则进行再次或多次拦截直至成功拦截。

3.2 坠物拦截

由于机器学习需要大量标记的训练数据进行训练后才能很好的对物体进行识别，然而对于我们研究的高空坠物问题不可能进行大量的训练，所以我们引入了无标签监督神经网络的学习方式。通过训练卷积神经网络来检测和跟踪坠物，而不需要任何标记的例子，减少了对标记训练数据的需求。该方法在真实世界和模拟计算机视觉任务中都有很好的适用性。

当高空中有不明物体正在下落时，通过视觉摄像头对其进行数据的采集，将C++与OPENCV 库相结合，用计算机视觉技术进行图像处理、检测和识别高空坠落物体，并对其进行推理分析，再将所获得的信息传给处理器进行处理计算，预算出拦截装置发射网罩的类型、方向、力度及时间。在拦截方面我们借鉴了美国研发的飞行物体拦截装置，采用一种网罩对坠物进行拦截，网罩选用可包装、可灵活展开似蜘蛛网结构和具有多个穿孔的气球状结构、树篱猪状结构或蒲公英种子状结构。采用轻质、耐撕裂、具有弹性和柔韧性的多种聚合纤维组合制成，如高强度玻璃纤维网、碳纤维和轻质金属或聚合物筛网组合而成，使网罩能够抵抗极端的碰撞压力。

考虑到坠物的多样性，我们选用不同类型、不同材料的拦截网罩，可根据识别出的坠物具体信息，选择不同类型的网罩发射装置，发射出合适的网罩对坠物进行拦截。网罩也可通过展开装置将其拉伸成大的、二维的或三维的扩展结构。在发射时网罩将以最小形式储存在一个载体弹丸中，载体弹丸将通过特定的发射装置进行发射；发射装置将安装在高楼的底层，载体弹丸被发射后进入预期的弹道路线，当载体弹丸到达坠物附近后，网罩将被迅速释放出来，并部署在一个大范围内对坠物进行拦截。当探测到坠物与网罩完全接触后，迅速通过多个灵活可展开的空气动力阻力体使坠物的垂直下降速度减小，已达到坠物最终安全到达地面及终止拦截的目的。空气动力阻力体包括一个可通过气流充气的气球、一个充气安全气囊、一个可展开的降落伞、产生突然角度快速运动阻力的丝带和泡沫体，甚至可以通过添加膨胀剂充气或填充泡沫的成型体的形式存在。

本套拦截装置由于所采用的网罩比较特殊不会损坏坠物，而它又是通过空气动力学、主动体对坠物的坠落速度和机动性产生负面影响，使坠物能够安全到达地面。从而该装置还适用于对高楼人员跳楼及高空人员意外滑落的救助。

3.3 语音疏散

当智能识别系统检测到有坠落的物体后，将第一时间触发报警器和智能疏散系统。智能疏散系统及时规划出安全疏散的路线后自动语音提示地面行人进行安全疏散，将行人引导至安全区域。

4 实验

在识别实验中我们使用VGG16 算法对图像目标进行训练学习，训练过程中采用的数据集和测试时使用的数据集均在网络上随机爬取的与高空坠物相关的图像。在训练时采用的深度学习框架为TensorFlow，将训练好的图像识别模型移植到智能识别系统中对坠物进行识别检测。

测试结果：

实验中已通过池化层特征对相关坠物及干扰物进行了分析，通过分析发现实验中涉及到的识别算法能够比较准确的识别出高空坠落的物体和判断出坠物是否为干扰物，识别准确率可达90%以上。具体如图3所示。

5 结语

本文将人工智能领域的计算机视觉及机器学习等相关技术进行融合，设计了基于智能识别的高空物体坠落分析系统，用于对高空坠物进行识别与预测。该系统首先通过计算机视觉等技术对高空有坠落风险或已坠落的物体进行扫描、识别、采集，再对采集的图片或视频进行处理，并自动获得相应场景的三维信息，然后对获取的相关数据及坠落物体的运动分析，最终得出相应的预防措施。该设计对于减少高空坠物事件的发生以及减轻高空坠物的伤害有着比较强的实际意义。