基于视频图像的着装规范性识别研究

施蔚青，刘洪兵，何四平

(云南电网有限责任公司培训与评价中心,云南 昆明 650221)

电力企业负责安全管理工作的监理人员的素质参差不齐，安全管理观念淡薄，存在侥幸思想，并没有按照安全管理规章制度深入施工现场进行监督与检查，电力施工作业现场区域作业人员多，持续作业时间长，容易出现现场作业人员不按要求佩戴安全帽、穿戴个人防护用品等典型违章现象[1-3]。

最初监理人员现场监督单纯依靠人力进行着装监管，工作量大，易出现监管注意力不集中等人为因素失误，该类违章行为所占比率较高，给安全生产造成巨大的人身安全隐患[4]。后来通过视频进行施工现场的监控，发现大量的无法全面暴露和防止的该类典型违章现象。智能视频监控系统可以辅助分析着装，并对安全进行监督，同时可通过图像识别技术对现场着装违章行为进行实时报警，显著提升安全监管效率，减少对监理人员的依赖，同时还能大大降低作业现场的安全风险，提升电网企业的社会效益[5-7]。

本文针对目前国内电力行业缺乏作业人员管理规范体系与具体保障措施的问题，提出了基于视频图像识别的着装规范性技术，帮助现场监理人员管控施工人员不安全行为，提高电力作业现场安全施工管理水平。

1 基于视频图像的着装规范性识别方法

1.1 颜色模型的选择

HSV(hue, saturation, value)是一种颜色空间模型，其能够非常直观地表达色彩的明暗、色调以及鲜艳程度，方便进行颜色之间的对比，也方便感情的传达，因此HSV模型适合用于与人类视觉感知相关的自然图像的处理。在对电力施工现场视频图像的处理中，需要把RGB(red, green, blue)颜色空间模型转换为HSV颜色空间模型，然后再提取色调H、饱和度S、亮度V通道图像进行操作。设V′=max(R,G,B)，其中R,G,B分别代表RGB颜色空间模型中红色、绿色、蓝色分量，定义R′,G′,B′分别为[8]：

(1)

(2)

(3)

那么有V=V′/255，S=[V′-min(R,G,B)]/V′，H′定义为：

(4)

1.2 提取HOG特征

本文利用支持向量机(support vector machine，SVM)根据特征建立分类器，分类器用于电力施工现场图像识别，因此特征提取是着装规范性识别中最关键的环节之一，提取具有鉴别意义的特征对准确检测电力现场作业人员规范施工起着重要作用。HOG(histogram of oriented gradient)是一种在计算机视觉和图像处理中用来进行模板检测的特征描述子[9]。HOG特征提取过程如下。

1)输入图像：将Image图像灰度化。

2)标准化Gamma空间和颜色空间：将图像进行归一化，可以减少光照因素的影响，而归一化分为Gamma空间和颜色空间的归一化。归一化还可以避免在图像纹理强度中出现局部曝光过大情况。因此，通过对图像归一化处理能够有效降低图像局部的阴影与光照变化，提高检测器的性能。图像一般省略颜色信息，将其转化为灰度图。

3)计算像素梯度：计算图像I横向和纵向的梯度，并据此计算每个像素位置的梯度方向值，进一步弱化光照的影响。图像I的梯度I为[10]:

(5)

式中：x和y分别表示横向和纵向。

利用偏导函数将沿x和y方向的梯度表示为：

(6)

(7)

利用图像的梯度映射，可得到梯度幅值S和梯度方向θ:

(8)

(9)

式中：Sx，Sy分别为横向和纵向的梯度。

4) 统计单元内梯度直方图：梯度方向θ为[0,360°]，将其划分成n个bins，实验证明，在bins划分过程中，bins的数量一般取9个左右效果最好，因此本文将一个图像分成9个部分，每一部分区间对应于一个bin值。

5) 把细胞单元cell组合成大的块，归一化梯度直方图：局部光照与背景对比度的变化，使得梯度强度的变化范围很大，需要归一化块，进一步对光照、阴影和边缘进行压缩。

6) 生成HOG特征向量：将检测窗口中所有的块进行HOG特征收集，获取最终特征向量供分类使用。

综上，HOG特征提取示意图如图1所示。

图1 HOG特征提取示意图

1.3 提取LBP特征

局部二值模式(local binary pattern，LBP)特征是一种灰度范围内的纹理度量，其工作思想为：在3像素×3像素的邻域内，以邻域中心像素的灰度值为阈值，将相邻的8个像素的灰度值与邻域中心的像素值进行比较，得到邻域中心像素的LBP值，具体为：

(10)

式中：(xc,yc)为邻域中心点；pc为邻域中心点的灰度值；pi为邻域第i个像素的灰度值；N为邻域的像素数量；s表示符号函数，如果像素值pi>pc，则s(pi-pc)=1，否则s(pi-pc)=0。

1.4 HOG和LBP特征的融合

在实际监测场景中，HOG特征对于行人较多的图像和人物特征不明显的图像分辨能力较差，且很容易受到外部环境因素的干扰，如光照强度、阴影以及遮挡的影响。因此，针对HOG特征鲁棒性差的缺点，本文将LBP特征与HOG特征进行融合，既融合了多种特征的有效鉴别信息，又消除了大部分冗余信息，从而实现了信息的压缩，节约了信息存储空间，弥补了HOG特征梯度特性导致特征维数高、未描述图像纹理特征、对于梯度空间特性描述不佳和光照鲁棒性较差的缺点。

1.5 支持向量机

设样本的训练集为{xi,yi}，i=1,2,…,n，n为训练集样本数量，xi为输入向量，yi为输出向量，利用非线性映射将输入向量映射到高维特征空间，构造最优线性分类函数[11-12]:

f(x)=w·φ(x)+b

(11)

式中：w为权值向量；b为偏置向量；φ(x)表示线性分类函数。

式(11)可以等价下面的优化问题求解：

(12)

相应的约束条件为

(13)

式中：ε为分类误差。

引入拉格朗日函数，将上述约束优化问题转化为无约束优化问题：

(14)

SVM的最优线性分类函数为：

(15)

根据Mercer条件，定义核函数k(xi,x)，则SVM的最优线性分类函数为：

(16)

1.6 基于视频图像的着装规范性识别原理

基于视频图像的着装识别原理为：首先对电力作业现场视频图像进行预处理，并对电力作业现场人员着装色块进行提取和转化，获取二值图像中灰度等级，利用黑色和白色像素点分布判定作业人员是否身着安全帽、安全带、工作服和工作裤；然后从电力施工监理视频图像提取HOG特征和LBP特征；最后将特征向量作为SVM的输入向量，通过SVM的训练和学习，建立着装规范性识别的分类器，采用分类器进行着装规范性识别。具体如图2所示。

图2 基于视频图像的着装规范性识别原理

2 着装规范性识别的仿真测试

2.1 本文方法的有效性测试

为验证上述方法的适应能力和准确性，招募20位电力施工工人，依次进行着装识别，主要是对帽子、安全带、衣服、长裤等着装进行识别，以安全带穿戴情况作为测试对象，得到测试结果如图3所示。对未穿戴安全带，本文方法的识别准确率大约为92.72%；对穿戴安全带，本文方法的识别准确率大约为99.99%。识别准确率远远高于电力施工作业现场安全的实际要求，测试结果验证了本文方法对着装规范性识别的有效性。

图3 安全带识别

2.2 本文方法的优越性测试

为了测试基于视频图像的着装规范性识别方法的优越性，选择单一HOG特征和LBP特征进行对比测试，选择帽子、安全带、衣服、长裤等穿戴是否规范作为测试对象，统计它们的识别准确率，结果如图4所示。从图4可以发现，相对于单一HOG特征和LBP特征，本文方法的识别准确率大幅度提升，减少了着装规范性识别错误概率，这是因为本文方法融合了HOG特征和LBP特征的优点，从两个方面描述了着装规范性特征，获得了更优的着装规范性识别结果。

图4 不同方法的着装规范性识别准确率对比

3 结束语

本文研究了适合人类视觉的 HSV颜色空间模型，提出了一种基于视频图像的着装规范性识别方法，该方法结合 SVM分类器对目标视频或图像进行识别，由于识别目标的区域具有不同的局部结构，而且颜色差异较大，从而提高了 SVM分类器对局部被遮挡图像的鲁棒性。在HOG特征提取的基础上，结合LBP特征来提高视频图像局部纹理特征的识别，基于HOG与LBP融合特征的视频图像检测算法，弥补了HOG未描述图像纹理特征、对梯度空间描述不佳的问题，提高了复杂场景下人物特征不明显的目标检测准确率，且消除了HOG特征带来的大部分冗余信息，而HOG与LBP融合特征检测算法采用了统一的LBP模式算子，有效地减少了计算量与计算时间，从而实现了检测算法的效率提升。