馮連強，楊延西，崔 樂，任玉成，王俊萍，王彥國

(1.中國重型機械研究院股份公司，陜西 西安 710032;2.西安理工大學(xué)，陜西 西安 710048;3.河北省首鋼遷安鋼鐵有限責(zé)任公司，河北 唐山 064400)

0 前言

工業(yè)生產(chǎn)線上，有時人員需要進(jìn)入非安全區(qū)域，傳統(tǒng)的安全監(jiān)測元件與系統(tǒng)功能的不足，導(dǎo)致頻繁發(fā)生人身安全事故，如包裝線穿心打孔傷人、卷邊機傷人等。視覺技術(shù)則可以有效檢測到異常情況，及時處理，避免事故的發(fā)生。傳統(tǒng)的監(jiān)控系統(tǒng)主要人在操作室對多臺監(jiān)控設(shè)備進(jìn)行操控與預(yù)警，這樣就出現(xiàn)一些問題:人無法保證長時間有效的監(jiān)控，且人的監(jiān)測區(qū)域有限，無法保證對多臺設(shè)備所有安全區(qū)域的實時監(jiān)控。此外，現(xiàn)有改進(jìn)視頻監(jiān)控報警系統(tǒng)主要采用運動檢測方法實現(xiàn)報警功能，無法解決復(fù)雜工業(yè)現(xiàn)場中機器運動、機器陰影、光線變化等因素造成的干擾和誤報問題。針對以上問題，本文利用數(shù)字圖像處理技術(shù)與智能模式識別理論，對監(jiān)控區(qū)域人體進(jìn)行智能識別，在完成保證安全任務(wù)的同時，節(jié)省大量的人力物力。

已有的運動目標(biāo)監(jiān)測方法主要有:光流法［1］、背景差分法［2］、時域差分法［3］。光流法信息量大，需要迭代計算，實時性差。時域差分法，對運動物體的運動條件要求苛刻，易出現(xiàn)誤檢。背景差分方法首先固定攝像機，對背景進(jìn)行建模，通過當(dāng)前幀與背景差分來提取前景物體，同時以一定速率更新背景，使其能適應(yīng)緩慢的光照變化，有很強的適用性，但對突然的光照變化無法有效的分辨出前景。而目前基于二維圖像中的人體識別主流算法有兩類，一類利用人體局部圖像形狀信息［6-7］，其準(zhǔn)確度高，但實時性較差;另一類為基于底層圖像信息，算法簡單，準(zhǔn)確率相對前者較低。

本文根據(jù)工業(yè)現(xiàn)場，通過先驗知識，對圖像監(jiān)測區(qū)域進(jìn)行局部區(qū)域高斯背景建模，有效減少數(shù)據(jù)計算量，利用形態(tài)學(xué)提取前景目標(biāo)，同時更新背景區(qū)域，最后對前景目標(biāo)進(jìn)行人體識別，對目標(biāo)進(jìn)行歸一化尺寸恢復(fù)，然后利用形狀信息，進(jìn)行識別。該方法減少了處理的數(shù)據(jù)量，同時有效提高目標(biāo)識別率。

1 系統(tǒng)軟件結(jié)構(gòu)

本系統(tǒng)軟件結(jié)構(gòu)圖如圖1所示，用高斯模型對一序列幀圖像進(jìn)行背景建模，最大抑制前景干擾，然后利用背景差分法，利用形態(tài)學(xué)消除干擾和填補空洞、平滑邊緣，對前景目標(biāo)進(jìn)行提取，首先將目標(biāo)按區(qū)域還原實際尺寸進(jìn)行初步識別，然后再對疑似目標(biāo)進(jìn)行歸一化處理，利用面積信息、橫縱比再次進(jìn)行識別。最后對非目標(biāo)區(qū)域的背景進(jìn)行背景模型更新。

圖1 系統(tǒng)結(jié)構(gòu)圖Fig.1 Diagram of the system structure

2 人體檢測方法

2.1 高斯背景建模

采用文獻(xiàn)［4］中的遞推式高斯背景建模，利用較長的一段序列來消除其中背景的干擾。具體步驟如下:

(1)建立樣本均值估計，通過前N個樣本估計均值。

(2)建立樣本方差估計。

即

此時有

2.2 目標(biāo)提取

其中const為權(quán)值系數(shù)，其值越大去除干擾越明顯，但同時會將部分前景去除。一般取值1～5。然后對此時分割出來圖像，利用形態(tài)學(xué)去除噪聲點，填補目標(biāo)區(qū)域中的小孔，同時平滑圖像邊緣輪廓。

2.3 人體識別

得到前景目標(biāo)后，需要對目標(biāo)進(jìn)行人體識別，本文采用多種方法融合實現(xiàn)人體準(zhǔn)確識別:

(1)利用先驗知識，首先劃定需要檢測的區(qū)域(通過軟件可以自由規(guī)劃檢測區(qū)域)，將其目標(biāo)底部包含在內(nèi)則認(rèn)為其為疑似目標(biāo)，剔除多余目標(biāo)?，F(xiàn)場環(huán)境如圖2a，監(jiān)測區(qū)域如圖2b。

(2)由于距離攝像頭的距離差異，導(dǎo)致成像的物體大小會發(fā)生一定的變換如圖3所示，可以看到(a)、(b)、(c)三張圖人體在場景中分布如(d)所示，高度有很大差別，離的越遠(yuǎn)，高度越低。因此本文首先通過對現(xiàn)場標(biāo)定，計算出圖像目標(biāo)底部所在橫軸與實際高度的對應(yīng)關(guān)系。從而將圖像目標(biāo)高度轉(zhuǎn)化為實際高度，結(jié)合實際高度和橫縱比，設(shè)定閾值進(jìn)行識別。

圖2 監(jiān)測區(qū)域示意圖Fig.2 Monitoring areas

(3)由圖3還可以看出，由于成像差異，目標(biāo)所占矩形區(qū)域大小差異明顯，本文對其進(jìn)行歸一化處理，將其提取的目標(biāo)區(qū)域轉(zhuǎn)化為一個100×100的模板中，如圖(4)所示，將(b)，(c)兩幅圖目標(biāo)提取后進(jìn)行歸一化，然后計算其面積，進(jìn)一步判定目標(biāo)。

圖3 現(xiàn)場不同區(qū)域人體示意圖Fig.3 Schetch map of humans in different areas

圖4 歸一化示意圖Fig.4 Normalized diagram

2.4 背景更新

為了適應(yīng)背景緩慢光線和局部細(xì)小變換，需要對非前景區(qū)域進(jìn)行一定速率的背景更新，公式如下:

其中 μi，j為更新前背景模型均值，xi，j為當(dāng)非前景區(qū)域的像素值，δi，j為更新前背景模型方差，δconst為一個常數(shù)，防止標(biāo)準(zhǔn)差收斂于0;α為更新速率，取值0～1。

2.5 背景燈光大范圍變化反應(yīng)

當(dāng)現(xiàn)場發(fā)生斷電或者光照變化大時，背景建模方法會出現(xiàn)問題。為此，當(dāng)檢測的圖像與背景圖像直方圖距離函數(shù)值大于設(shè)定閾值時，判定當(dāng)前幀無效，并且系統(tǒng)延遲1 s繼續(xù)采集圖像進(jìn)行判定，當(dāng)無效幀累計3幀，重新啟動背景初始化建模。

3 實驗研究

本文通過工業(yè)現(xiàn)場采集視頻進(jìn)行算法性能的分析。所采用攝像機分辨率480×640，幀頻25幀/s，實時采集同時處理幀頻10幀/s，達(dá)到現(xiàn)場要求?，F(xiàn)場計算機處理器Pentium?Dual-Core E5200 2.5GHz，2GB內(nèi)存。程序初始化5 s，每秒均勻采集6幀圖像，總共30幀進(jìn)行初始化背景建模。為了驗證人體識別算法的性能，提取35幀含有人體的圖像，且其分布在距離相機不同的方位，分別提取比例特征圖如圖5所示，歸一化前后面積特征圖如圖6所示，高度特征圖如圖7所示。

由圖5看出，人體比例在2到4之間，第15幀達(dá)到測試圖樣中的最高峰4.0833，對應(yīng)圖如圖6所示中，其歸一化后像素面積也突出，這是因為其體態(tài)結(jié)果如圖7a，可以看出剛好是一個側(cè)面，而其較圖7b對比，導(dǎo)致此情況的發(fā)生。

由圖8可以看出，前10幀由于離相機較遠(yuǎn)，在原圖成像的高度很小，且其相對用一個目標(biāo)浮動也小，復(fù)原后的實際高度浮動也小，此時復(fù)原高度平均162 mm，而實際目標(biāo)164 mm。后25幀分別取不同位置的目標(biāo)，其成像高度也有很大變化，對其按區(qū)域進(jìn)行高度復(fù)原，其高度在165 mm到180 mm，實際目標(biāo)高度172 mm，這里主要原因有一些影子影響，如圖7c，而27幀的偏小畸變是由于背景差分，是由于腳部和背景差別太小，導(dǎo)致腳部整塊殘缺如圖7d、圖7e所示。

圖8 部分畸變圖像Fig.8 Some deformation images

由圖3可以看出，在原圖中，由于攝像頭距離目標(biāo)位置遠(yuǎn)近不同，目標(biāo)所占矩形大小不一樣，因此此時取其面積來衡量不可行，經(jīng)過歸一化處理后，使他們所占矩形區(qū)域大小相同，此時面積波動在4 000像素到6 000像素內(nèi)波動。

識別特種融合規(guī)則，優(yōu)先身高，比例，判斷疑似目標(biāo)，再驗證面積特征，在閾值內(nèi)判定人體。

在實際檢測中，本文為了防止漏檢，對于場景中圖2b中間部分區(qū)域存在機械遮擋而導(dǎo)致人體只露頭部，以及最后方小塊區(qū)域，因為那里處于機械后方，并不是真正關(guān)心的區(qū)域，因此實際應(yīng)用中是忽略的。

4 結(jié)論

(1)對工業(yè)現(xiàn)場采集視頻進(jìn)行目標(biāo)識別，300幀中的圖像，含人體109幀，其中由于部分人體部位和背景差異太小，導(dǎo)致6幀目標(biāo)漏檢，前景目標(biāo)識別率94%。

(2)剩余的103幀在前景目標(biāo)提取成功后，人體識別率100%。

(3)為了提高背景差分識別率，建議監(jiān)測區(qū)域顏色單一且易識別，或者工作人員工作服與區(qū)域顏色盡量差異明顯。在實際實時檢測中，本方法可以有效的監(jiān)測人體目標(biāo)，且滿足實時性要求，對安全區(qū)域進(jìn)行實時監(jiān)控和報警。

［1］BARRON J L，F(xiàn)LEET D J，BEAUCHEMIN S S.Performance of optical flw techniques［J］.International Journal of Computer Vision，1994，12(1):43－77.

［2］MEIER T.Automatic segmentation of moving objects for video object plane generation［J］.IEEE Transcations on Circuits and Systems Video Technology，1998，8(5):523－528.

［3］LIPTON A J，F(xiàn)UJIYOSHI H，PATIL R S.Moving target classification and tracking from real－time video［C］//IEEE Proceedings of the Workshop on Application of Computer Vision.Los Alamitos:IEEE computer Society Press，1998:8－14.

［4］鄧甜甜，王智靈，朱明清，等.基于輪廓圖像空頻域特征的人體姿態(tài)分層識別算法［J］.模式識別與人工智能.2011(3).

［5］曾春，李曉華，周激流.基于感興趣區(qū)梯度方向直方圖的行人監(jiān)測［J］.計算機工程.2009，35(24).

［6］黃茜，顧杰鋒，楊文亮.基于梯度向量直方圖的行人監(jiān)測［J］.科學(xué)技術(shù)與工程.2009，9(13).

［7］李暉，曲仕茹.基于分層梯度方向直方圖和SVM的人體識別［J］.計算機測量與控制.2010，18(11).

［8］張便利，常勝江，李江衛(wèi)，等.基于彩色直方圖分析的智能視頻監(jiān)控系統(tǒng)［J］.物理學(xué)報，2006，55(12):6399－6404.

［9］胡曉莉，江杰，王建國.視頻圖像識別報警系統(tǒng)的研究［J］.微計算機信息，2007，23(2):280－281.

［10］李洪波.向南.吳渝.一種改進(jìn)的室內(nèi)運動人體監(jiān)測與輪廓提取算法［J］.重慶郵電大學(xué)學(xué)報.2008，20(2).

［11］夏永泉，李衛(wèi)麗，甘勇，等.智能視頻監(jiān)控中的厄運東目標(biāo)監(jiān)測技術(shù)研究［J］.通信技術(shù)，2009，42(6).

［12］方帥.計算機智能視頻系統(tǒng)關(guān)鍵技術(shù)研究［D］.沈陽:東北大學(xué):2005.

［13］耿超.人體運動的監(jiān)測與跟蹤［D］，北京:北京工業(yè)大學(xué)，2003.

［14］朱虹.數(shù)字圖像處理基礎(chǔ)［M］.北京:科學(xué)出版社，2005.