基于智能视频分析的区域气象站异常事件的检测

李 伟，陈泰星，李 哲

(海南省气象探测中心，海南省南海气象防灾减灾重点实验室，海南 海口 570203)

经过多年的快速经济发展，科技进步日新月异，气象站也在不断地发展和变化，2020年4月1日，我国地面气象观测全面实现了自动化，这标志着自动观测全面取代了人工观测.目前，我国区域自动气象站超过了40 000个，海南区域部分自动气象站的外貌如图1所示，这些自动气象站为气象部门“精密监测、精准预报、精细服务”的战略任务提供了保障[1-2].然而，随着城市的快速发展，气象设施和气象探测环境屡遭破坏的情况日益突出，某些区域的气象站因遭受到人为破坏而被迫搬迁，这严重影响了气象预报的准确性，直接制约了 防灾减灾的能力和为经济社会服务的能力.

图1 海南部分区域的自动气象站

为保护气象站不受破坏，按照相关规范，各地气象局在管辖区域内的气象站设置了坚固的防护围栏[3]，同时设立了用于防护的告示牌，尽管如此，在全国各地仍有民众随意攀爬围栏并进入区域气象站的现象，甚至出现了雨量筒被当成垃圾桶、温度传感器被触摸、气象设备被盗窃等人为破坏的现象.

目前，我国各地的区域自动气象站有一部分装有视频监控设备，这些区域的自动气象站有的位于人流密集的闹市、有的位于人迹罕至的偏远山区，它们对该地区的气象观测有不可替代的作用.气象站的视频监控需要24小时人工值守，这大大消耗了人力和财力；除此之外，当破坏气象设备的犯罪事件反生后，仍需要执法部门投入大量的人力来观看和回放视频，以便对各类异常行为进行取证，这样就无法充分发挥视频监控的功能[4-6].将智能视频分析技术运用到气象站的监控系统中，能充分发挥视频监控的作用，这不仅能减少人为破坏行为的发生，保障气象设备的安全，而且还节省了大量的人力、物力和财力.

当前，国内外众多学者和专家对视频监控进行了研究和分析，例如：孙宝聪[7]提出了在机场环境下用 YOLO v3模型对人员进行目标识别，同时采用SK-CNN行为识别模型识别围栏攀爬行为，该方法能较为准确地检测出异常行为，但其算法比较繁琐，且运行时间较长；又如：胡正平等[8]提出，在室外环境下对运动异常目标的图像进行检测与数据解剖，同时采用图像识别技术来识别视频监控系统中的异常行为，该方法虽然能够有效地检测到异常行为，但是在较为复杂的场景下，其检测的准确率却不高.针对上述问题，本研究提出了一种基于HOG-LBP的联合特征和AdaBoost-SVM分类器的检测方法，该方法在区域气象站场景具有良好的识别效果，能快速识别出围栏攀爬这种异常行为.

1 运动目标的提取

气象站视频监控画面中含有各种各样的运动目标，如飘落的雨滴、运动的行人、飞过的鸟儿，如果每时每刻对气象站监控视频进行检测和分析，那么将会严重地占用系统的内存，甚至会因为占用系统内存过大而导致系统崩溃.

常见的对运动目标快速提取的方法有：帧差法、背景差分法、光流法等.经过多次实验研究，本文提出可根据区域自动气象站视频监控的特点采用帧差法来检测和提取运动目标[9].为了进一步减小系统的数据分析量，本文提出将围栏的正上方作为感兴趣区域并对其进行运动目标检测，当感兴趣区域检测到运动目标时，此运动目标还需有一定的大小和比例，这才能说明运动目标出现，此法在实际应用中效果更佳.

帧差法的原理是：对相邻两帧或多帧间隔的图像序列做差分运算，然后再通过二值化处理、形态学处理和阈值分割处理来提取出图像中的运动目标.相邻图像的差分运算可以表示为：

(1)

其中，Δ表示人为定义的阈值，f(x,y,t+1)表示t+1时刻的图像帧，f(x,y,t)表示t时刻的图像帧.当Diff(x,y,t+1)的值为0时表示前景，1表示背景.当运动目标的运动速度较为缓慢，并趋近于静止时，相邻帧的差别不大，此时对运动目标的检测效果不好.为此，本文提出可以适当加大相隔的帧数并籍此来进行检测，故对公式修改如下：

(2)

2 围栏攀爬的检测

HOG特征和LBP特征均能有效描述运动行人的底层特征，所以本研究经过多次试验，决定采用两者的结合来描述行人攀爬围栏的特征[10].

2.1 HOG特征HOG(Histogram of Oriented Gradient)为方向梯度直方图，将图像局部梯度的方向信息统计值作为特征值，从而可计算出图像的HOG值，该特征可广泛运用于行人识别中[11].

根据以下五个步骤，可提取出图像的HOG特征[12]，如图2所示：

(1)首先对自动气象站的监控视频进行帧处理并进行标准化处理，如(3)式所示：

H(x,y)=H(x,y)gamma，

(3)

H(x,y)表示图像在像素点〗(x,y)处的像素值，经多次试验，此处的gamma值取0.5时，能解决图像照度不均匀的问题.

(2)Gx(x,y)表示图像中各像素点的水平方向梯度，〗Gy(x,y)则表示像素点的垂直方向梯度.模板运算时，水平方向和垂直方向分别选取[-1,0,1]和[-1,0,1]7，各方向的梯度计算公式如(4)式所示：

(4)

根据公式(5)及(6)所示，计算每点的梯度幅值和方向：

(5)

(6)

(7)

(3)将每个像素划分成Block块和Cell块，然后收集每个Block中的Cell的特征向量，对Cell内的每个像素依据梯度方向和梯度大小进行加权投影，即可得梯度方向的直方图，如图3所示：

(4)为减小因对比度而引起的误差，通过归一化因子对图像的局部梯度进行标准化处理：

(8)

(9)

(10)

(11)

本文采用L2-Hys的方式进行处理，其中，ε=0.002.

(5)级联特征向量是根据人体攀爬姿势的特点，采用64×128大小的检测窗口，进一步将窗口分割成块(Block)和单元(Cell)，然后定义每个Cell为16×16的像素大小，每2×2个Cell组成一个Block，由于每个Cell包含9个特征，故每个Block就包含了36个特征，再由于步长包含了8个像素，因此水平方向和垂直方向就分别有7个和15个扫描窗口，所以64×128的图片于是总共有3 780个特征(36×7×15=3 780)，图4表示的就是Cell与Block之间的关系.

2.2 LBP特征LBP(local binary pattern)具有旋转不变性和灰度不变性等优点，它能有效度量行人攀爬姿势的纹理信息[13].

(1)第一步，对图像进行灰度化处理，然后按照16×16的大小进行分割.

(2)第二步，将切割后的中心像素与其周围8个像素进行比较，若后者大，该值为1，反之则为0，如此可得到256维向量的LBP值，经降维处理后，每个像素点的LBP值为59维向量.

(3)第三步，采用归一化因子进行处理，以降低噪声、光线等其他外界因素的干扰，然后计算每个Cell的直方图.

(4)本文采用了64×128的检测窗口，该窗口包含了32个Cell，每个Cell包含了59维的特征向量，则每个检测窗口最终可以得到1 888维的特征向量(59×32=1 888).

图6描述了LBP纹理特征的计算过程，图7则描述了对图像中的每个像素求取LBP特征值的过程.

图7 LBP纹理特征图

2.3 支持向量机(SVM)支持向量机SVM(Support Vector Machine)是一种二分类模型，由于很多多维数据在二维层面上不是线性可分的，因此可采用常用的线性、高斯径向、多项式等核函数类型，以此来将原来不可分的低维空间转换为线性可分的高维空间.

支持向量机的原理是在n维空间上通过构造满足最大化几何边缘区与最小化经验误差的超平面，将其简单映射到y=-1和y=1上实现分类，这种方法常被广泛应用于数据分类、统计处理等应用中[15-18]，如图8所示：

2.4 基于图像分析的围栏攀爬检测首先将区域气象观测站围栏的中上位置划分为感兴趣区域，然后通过帧差法检测出运动目标，再将AdaBoost分类器作为第一级分类器，在判别为异常事件后，通过SVM分类器进行第二级检测，若检测仍为异常事件，则判定围栏攀爬行为发生，其总体框架流程图如图10所示：

3 实验与分析

3.1 实验环境与样本库为验证本文算法的有效性，笔者在海南海口多个区域的气象站进行了实验.

硬件环境：HIKVISION130W同轴摄像头、戴尔PRECISION TOWER 3620塔式工作站.

软件环境：Microsoft Visual Studio 2013、Open CV 3开发软件，Windows7操作系统.

本文中的攀爬检测SVM分类器和AdaBoost分类器的训练样本来源于INRIA行人数据库与自有数据集，两个分类器的正/负样本数量均各为800和2 000，SVM分类器为Open CV3中的线性支持向量机( lin_SVM)[20].

3.2 SVM分类器的训练与测试首先需对正/负样本进行预处理，处理图片的边缘信息，尽量只包含完整的攀爬姿态，而不掺杂过多的背景信息，同时，将正/负样本归一化至64×128大小，然后对每个样本分别进行灰度化处理，再进行LBP及HOG特征的提取，总共提取5 668维向量，接着将正/负样本构造的特征文件输入到Libsvm中，并调节所需参数，最后得到分类模型[21].

本文的SVM分类器核函数类型为RBF核函数，主要的参数为惩罚系数c和核参数g，根据多次试验，此处c取值为4～10，g取默认值，其流程如图11所示：

HOG-LBP组成的特征集可以表示为：

(12)

ty=[1,1,1…-1,-1,-1]T，

(13)

其中，H(i)为HOG的特征向量，L(j)为LBP的特征向量，n表示样本的数量，m表示正样本的数量，n-m表示负样本的数量，tx和ty分别表示特征向量集和特征类型.为了能够比较不同方法的准确率，这里利用δ准确进行衡量，计算公式如式(14)所示：

(14)

本文将训练好的围栏攀爬检测分类器在测试集上测试，测试集中正样本准确率为493/500×100%=98.6%，负样本准确率为989/1 000×100%=98.9%，则样本分类器为97.51%.

3.3 实验结果分析本研究对海南大学、西海岸观海台等5个区域的自动气象站所采集到的8段视频进行了测试分析，这8段视频共出现了162个围栏攀爬目标.下面就将文中提出的围栏攀爬检测方法分别与文献[7]和文献[8]提出的方法进行比较.其中，漏检率=漏检总人数/视频出现的总人数，误检率=误检总人数/检测出的总人数×100%.

实验结果如表1所示，检测效果图如图12所示，本文提出的方法与文献[7]和文献[8]所提出的方法相比，前者具有较低的漏检率和误检率.为降低误判率，实际应用中可以设置成以下情形，即只有当连续3次都检测为攀爬行为时，才判定区域自动气象站出现了围栏攀爬的异常事件.

图12 攀爬检测的效果图

表1 不同方法检测围栏攀爬的准确率

文中提出的方法由于加入了感兴趣区域和对运动目标的检测和定位，因而大大节省了系统的计算量，实验结果表明，文中提出的方法(平均 100 ms/f)相较于文献[7]的方法，其速度提高了约6倍，也比文献[8]的方法(1 s/f)平均快10倍左右，检测速度在 10 帧/s 左右，完全能满足视频监控的实时要求.

4 结 论

保护区域气象站对筑牢防灾减灾的第一道防线具有至关重要的作用，本文提出的基于攀爬图像的围栏攀爬检测无需安装其他的传感器及检测设备，具有实现方便，准确率高、检测快速的特点.然而，就智能视频的分析而言，对图像的检测成功率依赖于图像的成像品质，在本文中，于阴暗的光线背景下，图像检测的准确率较低，未来，我们可以尝试将计算机视觉、红外线传感器、压力传感器紧密地联系在一起，以此来提升智能视频的分析效果，从而确保公共气象仪器和设备不被人为破坏.