高鐵建設(shè)環(huán)境人員防入侵安全檢測方法研究

馬利偉，周明陽，劉國寧

（鄭州大學(xué)機(jī)械工程學(xué)院，河南 鄭州 450001）

1 引言

高鐵建設(shè)場景中，運(yùn)行著大型特種裝備，其具有尺寸大，自重大，運(yùn)行負(fù)荷大等特點(diǎn)。典型的高鐵建設(shè)裝備，如高鐵提梁機(jī)，運(yùn)梁車和高鐵架橋機(jī)等，最大尺寸可達(dá)45米或更大，如表1所示。它們擔(dān)任著提梁、運(yùn)梁和架橋等任務(wù)。相應(yīng)地，高鐵大型裝備運(yùn)行過程中，操作人員會(huì)存在多個(gè)大面積盲區(qū)。這不但影響到現(xiàn)場工作人員的安全，也會(huì)影響到工作效率。因而，給裝備添加“眼睛”和賦予“視覺感知”，應(yīng)用圖像識(shí)別技術(shù)實(shí)時(shí)發(fā)現(xiàn)施工和作業(yè)區(qū)域的人員就變得很重要。

表1 高鐵建設(shè)裝備主要參數(shù)Tab.1 Main Parameters of High-Speed Railway Construction Machine

視覺檢測在經(jīng)過一個(gè)機(jī)器學(xué)習(xí)訓(xùn)練的過程，從樣本中抓取目標(biāo)物體的特征，組建分類器，用組建好的分類器在視頻圖像中將特定目標(biāo)物體識(shí)別出來。近年來，許多場景引入視覺檢測的方法。文獻(xiàn)[1]針對(duì)城市交通場景，借助深度網(wǎng)絡(luò)分層提取視覺場景中候選區(qū)域多類目標(biāo)的深度特征，完成了對(duì)目標(biāo)物的識(shí)別檢測。文獻(xiàn)[2]針對(duì)變電站場景，提出將計(jì)算機(jī)視覺領(lǐng)域的深度學(xué)習(xí)技術(shù)應(yīng)用于變電站場境下行人檢測問題中。文獻(xiàn)[3]針對(duì)鐵路軌道場景，對(duì)傳統(tǒng)的深度卷積網(wǎng)絡(luò)神經(jīng)做出改進(jìn)，應(yīng)用到鐵路入侵行人識(shí)別。文獻(xiàn)[4]針對(duì)煤礦井下的場景境，提出一種改進(jìn)的Faster RCNN煤礦井下行人檢測方法，并做了驗(yàn)證。文獻(xiàn)[5]針對(duì)普通道路場景，提出一種基于深度學(xué)習(xí)的車輛和行人檢測算法型訓(xùn)練，實(shí)現(xiàn)了在普通道路場景中的車輛檢測和行人檢測的功能。文獻(xiàn)[6]針對(duì)高鐵檢票環(huán)境，提出一種改進(jìn)的基于梯度直方圖特征與Adaboost分類結(jié)合的行人檢測算法，并用于高鐵閘機(jī)智能系統(tǒng)的行人檢測模塊。提高了檢測速度，滿足了閘機(jī)對(duì)行人的實(shí)時(shí)檢測要求。

目前，針對(duì)高鐵建設(shè)大型裝備作業(yè)區(qū)域內(nèi)人員檢測和監(jiān)控報(bào)警的研究較少。本研究采用在裝備端布置監(jiān)控的方法，獲取現(xiàn)場圖片信息，利用OpenCV級(jí)聯(lián)分類器訓(xùn)練框架和Python編程語言，基于Haar-like特征與Adaboost算法對(duì)高鐵建設(shè)裝備典型作業(yè)環(huán)境圖像進(jìn)行描述與學(xué)習(xí)的方法，構(gòu)建高鐵建設(shè)作業(yè)環(huán)境內(nèi)的人員在線檢測系統(tǒng)，在保證作業(yè)過程中的人身安全的同時(shí)，提升人機(jī)協(xié)同能力，提高作業(yè)效率。并對(duì)訓(xùn)練方法做改進(jìn)，加入正樣本更新的方法，以提升分類器的準(zhǔn)確性和自適應(yīng)性。

2 研究基礎(chǔ)與方法

機(jī)器學(xué)習(xí)需要選用合適的特征方法來描述圖像中的工人。目前主流的圖像特征描述方法有邊緣特征、形狀特征、統(tǒng)計(jì)特征和變換特征等，其中具有代表性的特征有Haar-like特征、HOG（Histogram of Oriented Gradient）特征、LBP（Local Binary Patterns）特征等[7-8]。Haar-like特征能夠較精確地描述出圖像局部區(qū)域的灰度變化，并可使用積分圖的方法快速計(jì)算出特征值，使得對(duì)目標(biāo)的檢測速度獲得提升；HOG特征是對(duì)圖像局部區(qū)域的梯度方向直方圖進(jìn)行統(tǒng)計(jì)與計(jì)算來獲取特征數(shù)據(jù)，但HOG特征數(shù)據(jù)具有維數(shù)較高的特點(diǎn)，造成HOG特征運(yùn)算速度較慢；LBP特征對(duì)圖像的局部紋理特征有很好的描述，具有旋轉(zhuǎn)不變性和灰度不變性的特點(diǎn)[9-12]?？紤]到計(jì)算難度及高鐵建設(shè)裝備典型工作場所的特點(diǎn)（如箱型梁鋼筋骨架會(huì)產(chǎn)生復(fù)雜紋理影響特征識(shí)別），選用Haar-like特征。

目前常用到的分類器有Adaboost、支持向量機(jī)（SVM）和神經(jīng)網(wǎng)絡(luò)分類器。Adaboost分類器是一種自適應(yīng)的boosting方式分類器，針對(duì)同一個(gè)訓(xùn)練集訓(xùn)練出若干個(gè)不同的分類器，然后把這些分類器結(jié)合起來，構(gòu)成一個(gè)級(jí)聯(lián)分類器。在Adaboost分類器訓(xùn)練過程中，會(huì)剔除一些不必要的訓(xùn)練數(shù)據(jù)特征，將重點(diǎn)放在更重要的數(shù)據(jù)特征上，加快了訓(xùn)練的過程[12]；SVM分類器是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理的有監(jiān)督統(tǒng)計(jì)學(xué)習(xí)方法，常用于解決小樣本、非線性及高維模式的圖像識(shí)別問題[13]；神經(jīng)網(wǎng)絡(luò)分類器是利用神經(jīng)網(wǎng)絡(luò)算法構(gòu)建的分類器，通過調(diào)整神經(jīng)元之間的聯(lián)接權(quán)，使得網(wǎng)絡(luò)輸出更為合理的結(jié)果，但該分類器易出現(xiàn)過擬合的問題[14-15]?？紤]到典型的樣本特征，即人員特征與環(huán)境特征區(qū)別相對(duì)明顯及識(shí)別訓(xùn)練時(shí)訓(xùn)練速度等因素，選用Adaboost分類器。

2.1 Haar-like特征

Haar-like特征是用于物體識(shí)別的數(shù)字圖像特征，分為三類：邊緣特征（圖1a-d）、中心環(huán)繞特征（圖1e-f）、線性特征（圖1g-n）：

圖1 Haar-like特征Fig.1 Haar-Like Feature

使用Haar-like特征值來描述圖像，Haar-like特征模型可通過放大/縮小和平移的方式產(chǎn)生子特征模型，并利用這些特征模型填充鋪滿整個(gè)檢測區(qū)域。使用不同的特征值描述不同的物體，特征值CHɑɑr的計(jì)算方法如式（1）所示，第i檢測區(qū)域的所有白色區(qū)域內(nèi)像素和與黑色區(qū)域內(nèi)像素和的差值乘以第i檢測區(qū)域相應(yīng)的權(quán)重系數(shù)TiSBTi。SB

式中：SW、SB、Ti—白色區(qū)域、黑色區(qū)域、第i區(qū)域相應(yīng)的權(quán)重系數(shù)。

2.2 Adaboost算法

Adaboost算法的基本原理是將多個(gè)分類器進(jìn)行合理的權(quán)重組合，最終形成一個(gè)級(jí)聯(lián)分類器。它是采用迭代的思想，每一次的迭代過程都會(huì)產(chǎn)生一個(gè)分類器，同時(shí)該分類器也參與下一次迭代過程。每一次的迭代過程會(huì)根據(jù)上一次迭代產(chǎn)生的分類器的效果進(jìn)行權(quán)重修正，將能正確分類的樣本權(quán)重減小或剔除，錯(cuò)誤分類的樣本的權(quán)重加大。如此重復(fù)，直到分類器的個(gè)數(shù)達(dá)到一個(gè)指定的級(jí)數(shù)閾值N就停止學(xué)習(xí)，最后再將各個(gè)分類器進(jìn)行合理的權(quán)重組合，即得到一個(gè)級(jí)聯(lián)分類器。

3 在線人員檢測系統(tǒng)開發(fā)

3.1 系統(tǒng)整體結(jié)構(gòu)設(shè)計(jì)

該系統(tǒng)總體結(jié)構(gòu)設(shè)計(jì)，如圖2所示。（以運(yùn)架一體機(jī)為例），包含了設(shè)備盲區(qū)車載相機(jī)、視頻存儲(chǔ)服務(wù)器、分析處理服務(wù)器、報(bào)警服務(wù)器和無線網(wǎng)橋傳輸網(wǎng)。

圖2 系統(tǒng)結(jié)構(gòu)圖Fig.2 System Structure Diagram

車載相機(jī)通過無線網(wǎng)橋?qū)⒁曨l數(shù)據(jù)傳輸至視頻存儲(chǔ)服務(wù)器，分析處理服務(wù)器從中讀取實(shí)時(shí)視頻進(jìn)行入侵物監(jiān)測，并將結(jié)果傳輸至報(bào)警服務(wù)器，報(bào)警服務(wù)器可以借助網(wǎng)絡(luò)實(shí)現(xiàn)報(bào)警信息的發(fā)布，設(shè)備端報(bào)警裝置執(zhí)行報(bào)警動(dòng)作。

系統(tǒng)整個(gè)運(yùn)行流程，如圖3所示。首先準(zhǔn)備初始正/負(fù)樣本集，正樣本集是含有目標(biāo)物的圖片所組成的集合，每張圖片寬高像素值均一致；負(fù)樣本則是不含有目標(biāo)物的圖片所組成的集合，負(fù)樣本每張圖片寬高像素值需大于正樣本，無需尺度歸一化處理；其次，將樣本集作為輸入，進(jìn)行分類器訓(xùn)練，創(chuàng)建分類器；最后，進(jìn)行在線監(jiān)測。

圖3 檢測流程圖Fig.3 Detection Flowchart

為了提升分類器的正檢率與自適應(yīng)性，并使分類器對(duì)當(dāng)前環(huán)境具有更強(qiáng)的針對(duì)性，對(duì)方法做出以下改進(jìn)：在整個(gè)檢測過程中加入樣本自更新功能，具體流程，如圖3所示。在分類器測試過程中，當(dāng)檢測到物體是目標(biāo)物的置信度P＞75%時(shí)[16]，即視為檢測到目標(biāo)物，同時(shí)開啟報(bào)警策略；如果檢測到的物體是目標(biāo)物的置信度P＞95%時(shí)，便保留數(shù)據(jù)，并作進(jìn)一步的圖像處理（截取、篩選、加時(shí)間戳、灰度化、尺度歸一化等），更新替換掉原正樣本訓(xùn)練集中創(chuàng)建時(shí)間較早的樣本，并進(jìn)入下一次分類器訓(xùn)練過程。之后，將相鄰兩次的分類器對(duì)同一個(gè)測試樣本進(jìn)行測試，將正檢率高的分類器用于下一次在線檢測中。以此循環(huán)即不會(huì)使訓(xùn)練樣本集無限增加；同時(shí)也使分類器更加契合當(dāng)前工況。

3.2 構(gòu)建樣本庫

訓(xùn)練集選取過程主要是正負(fù)樣本的收集與處理。以梁場為例，圖像正負(fù)樣本收集處理情況，如表2所示。

表2 正負(fù)樣本集屬性Tab.2 Attributes of Positive and Negative Sample Sets

梁場內(nèi)工作涉及制梁、質(zhì)量檢測、安全監(jiān)督和輔助梁的提升搬運(yùn)等。人員典型姿態(tài)有站立、彎腰、蹲坐。人員身著工裝，佩戴安全帽。當(dāng)前，工業(yè)界未發(fā)布任何高鐵梁場環(huán)境背景下的行人檢測數(shù)據(jù)。因此，所收集的正樣本圖片來自多個(gè)高鐵梁場作業(yè)區(qū)域內(nèi)正在施工的工人現(xiàn)場圖片。正樣本的處理具體流程，如圖4所示。

圖4 正樣本處理流程圖Fig.4 Positive Sample Processing Flowchart

首先，對(duì)原始圖片收集，并將目標(biāo)物（工作人員）截取出來；其次，將這些圖片進(jìn)行尺度歸一化處理，參考目前廣泛應(yīng)用的INRIA行人數(shù)據(jù)集正樣本尺度，將正樣本寬×高尺度定為70px×134px。簡單的拉伸與縮放，極易造成圖片中目標(biāo)畸形現(xiàn)象發(fā)生，為了避免畸形現(xiàn)象發(fā)生，并保證原始圖像在新圖像的區(qū)域最大，加入以下正樣本處理方法：獲取截取圖像的寬高像素值（W*H），判斷70/W與134/H的關(guān)系。當(dāng)70/W較小時(shí)，整張圖像擴(kuò)大/縮小70/W倍，接著在高度方向填充至134px；當(dāng)兩值相等時(shí)，直接將圖片放大/縮小134/H倍；當(dāng)134/H較小時(shí)，圖片放大/縮小134/H倍，寬度方向邊緣填充至70px。這里利用OpenCV的resize函數(shù)進(jìn)行放大與縮小，放大使用的是INTER_CUBIC（雙三次插值）方式；縮小使用的是INTER_AREA（區(qū)域插值）方式。這樣處理方式可有效避免波紋現(xiàn)象出現(xiàn)，使效果達(dá)到最好。之后，將尺度歸一化的圖片進(jìn)行灰度化處理，并保存圖片；接著，創(chuàng)建描述文件pos.vec文件，將每一個(gè)樣本的信息，如絕對(duì)路徑、目標(biāo)個(gè)數(shù)（人員個(gè)數(shù)）、檢測起始坐標(biāo)、樣本寬與高的像素等信息寫入其中。處理好的正樣本集圖片共計(jì)700張[17]，寬高像素值均為70px×134px，如圖5所示。

圖5 正樣本集示例Fig.5 Examples of Positive Sample Sets

負(fù)樣本是不含有工人的圖片，數(shù)量一般是正樣本數(shù)量的（2～3）倍。所收集的負(fù)樣本同樣是來自梁場環(huán)境，總數(shù)為2000張，如圖6所示。圖片只做灰度化處理，不做尺度歸一化處理，但圖片的寬高像素值均大于70px×134px，并用neg.txt文件描述負(fù)樣本。此文件只記錄每一個(gè)負(fù)樣本的絕對(duì)路徑。正樣本要求目標(biāo)物與背景有較高的辨識(shí)度。在高鐵梁場作業(yè)區(qū)域內(nèi)，工人穿著工裝，在灰度化的圖像中與背景區(qū)別較大，辨識(shí)度高，所以灰度圖像已完全滿足正樣本集要求；同時(shí)，考慮原始圖像數(shù)據(jù)量大，計(jì)算復(fù)雜且耗時(shí)長，所以將所有樣本進(jìn)行灰度化處理，以簡化計(jì)算，減少運(yùn)算耗時(shí)。

圖6 負(fù)樣本集示例Fig.6 Examples of Negation Sample Sets

3.3 分類器訓(xùn)練

訓(xùn)練過程采用級(jí)聯(lián)分類器訓(xùn)練方法，該方法采用Haar-like特征與Adaboost算法結(jié)合的訓(xùn)練方式進(jìn)行深度學(xué)習(xí)。訓(xùn)練方法的系統(tǒng)框架，如圖7所示。用Haar-like特征描述輸入的正負(fù)樣本集，并計(jì)算Haar-like特征值，得到特征集；然后訓(xùn)練產(chǎn)生多個(gè)弱分類器，從中選取最優(yōu)弱分類器，調(diào)用Adaboost算法訓(xùn)練出強(qiáng)分類器，當(dāng)強(qiáng)分類器達(dá)到預(yù)設(shè)定級(jí)數(shù)后停止訓(xùn)練，并將這些強(qiáng)分類器進(jìn)行權(quán)重組合構(gòu)建出一個(gè)級(jí)聯(lián)分類器。

圖7 訓(xùn)練系統(tǒng)框架Fig.7 Framework of Training System

級(jí)聯(lián)分類器訓(xùn)練過程中，參數(shù)的設(shè)置對(duì)訓(xùn)練時(shí)長和分類器的精確性有著非常大的影響。重要參數(shù)的設(shè)置，如表3所示。根據(jù)樣本容量及所需精度選取訓(xùn)練分類器的級(jí)數(shù)（nstages），這里選用15級(jí)；nsplits為每個(gè)弱分類器特征個(gè)數(shù)，一般設(shè)定為1；Mem為內(nèi)存空間分配大小，空間越大，計(jì)算速度越快，根據(jù)計(jì)算機(jī)硬件配置情況，這里設(shè)定為4096MB；Mode為Haar-like特征類型參數(shù)，訓(xùn)練框架提供兩種參數(shù)值BASIC與ALL。①BASIC表示只使用垂直特征，②ALL表示使用所有垂直特征和45°旋轉(zhuǎn)特征，這里選用ALL；Symmetric對(duì)稱參數(shù)用來描述目標(biāo)是否垂直對(duì)稱，對(duì)稱選用-sym，不對(duì)稱選用-nonsym，這里目標(biāo)物為梁場工人，所以選用-nonsym；最小正檢率（minhitrate）為每級(jí)分類器正樣本的正檢率，這里選取默認(rèn)值0.995；最大誤檢率maxfalsealarm參數(shù)分類器的每一級(jí)強(qiáng)分類器的分負(fù)樣本分錯(cuò)的最大比例，訓(xùn)練過程中，當(dāng)分錯(cuò)比例小于此設(shè)定值，便說明此級(jí)強(qiáng)分類器訓(xùn)練成功，并跳入下一級(jí)的強(qiáng)分類器的訓(xùn)練，這里設(shè)定此參數(shù)為0.5；weighttrimming為樣本剔除比例，在每級(jí)強(qiáng)分類器的訓(xùn)練中，每訓(xùn)練一個(gè)強(qiáng)分類器前將所有樣本（包括正樣本與負(fù)樣本）按權(quán)重從小到大排列，并將權(quán)重最低的weighttrimming*sum（正負(fù)樣本總和）個(gè)樣本去除，因?yàn)楫?dāng)某個(gè)樣本權(quán)重很小，就說明這個(gè)樣本總能被正確的分類，刪除這些已經(jīng)能被正確分類的樣本，讓訓(xùn)練更多集中于還不能正確分類的樣本上，以提高訓(xùn)練效率。這里選取默認(rèn)值0.95。參數(shù)設(shè)定之后開始訓(xùn)練。

表3 訓(xùn)練參數(shù)設(shè)置Tab.3 Training Parameter Setting

4 實(shí)驗(yàn)對(duì)比與分析

訓(xùn)練好分類器，進(jìn)入測試階段。測試硬件條件為：Windows 10系統(tǒng)，處理器為Inte（lR）Core（TM）i5-4200 CPU@2.80GHz，顯卡為NVIDIA GeForce GT 710，工業(yè)相機(jī)一個(gè)，分辨率為1280*720。整個(gè)測試流程，如圖8所示。首先，加載第一次訓(xùn)練構(gòu)建的分類器WorkerCascadeClassifier.xml文件；其次，開啟監(jiān)控?cái)z像頭，獲取監(jiān)控圖像數(shù)據(jù)，考慮到計(jì)算速度，將獲取的幀圖像數(shù)據(jù)進(jìn)行灰度化處理，以簡化下一步檢測運(yùn)算；接著，進(jìn)行在線檢測。根據(jù)檢測返回值判斷是否有人員侵入，返回值為空，則表示無工人，直接進(jìn)行圖像回顯。返回值非空（即目標(biāo)物在圖像中的起始坐標(biāo)和所占寬高像素值），則表示有工人侵入，并在彩色圖片中對(duì)目標(biāo)物進(jìn)行框選定位，同時(shí)作彩色圖像回顯和執(zhí)行報(bào)警策略。

圖8 測試系統(tǒng)流程圖Fig.8 Test System Flowchart

在框選過程中，通常會(huì)出現(xiàn)多個(gè)矩形框?qū)ν粋€(gè)目標(biāo)同時(shí)進(jìn)行多次框選的現(xiàn)象。為了避免這一現(xiàn)象，這里使用非極大值抑制法，只選取最大的矩形框進(jìn)行目標(biāo)物的框選定位。

為逐步提高分類器的正檢率和自適應(yīng)性，加入正樣本自更新方法。當(dāng)檢測到的物體是目標(biāo)物的置信度P＞95%時(shí)，則便保留數(shù)據(jù)，并作進(jìn)一步圖像處理（篩選、加時(shí)間戳、截取、尺度歸一化、灰度化等），更新替換掉原正樣本訓(xùn)練集中創(chuàng)建時(shí)間較早的樣本，并進(jìn)入下一次分類器訓(xùn)練過程，構(gòu)建新的分類器。然后，判斷新分類器的正檢率是否大于原分類器，若大于原分類器，則使用新分類器進(jìn)行在線檢測；否則，繼續(xù)沿用原分類器。以此循環(huán)，提高分類器的正檢率和自適應(yīng)性，使分類器對(duì)當(dāng)前環(huán)境具有更強(qiáng)的針對(duì)性和適用性。

測試階段共進(jìn)行了四次分類器循環(huán)迭代訓(xùn)練，得到四個(gè)分類器。并通過同一個(gè)測試集對(duì)這四個(gè)分類器進(jìn)行測試評(píng)估，測試階段所使用的測試集由兩大部分組成，一部分是500張?jiān)O(shè)備當(dāng)前工作的高鐵建設(shè)現(xiàn)場圖片組成，包含高鐵建設(shè)環(huán)境中工人工作中典型的姿態(tài)（站立、彎腰、蹲坐等），其中含有工人的圖片有350張，共有437人，負(fù)樣本150張。另一部分由當(dāng)前使用最廣泛INRIA行人數(shù)據(jù)集[18]組成，選取其中100張正樣本（共有132人）和100張負(fù)樣本。經(jīng)過識(shí)別檢測結(jié)果，如圖9所示。

圖9 分類器的正/誤檢率實(shí)驗(yàn)曲線Fig.9 Experimental Curve of Classifier’s Correct/Error Detection Rate

自更新方法共經(jīng)過四次循環(huán)迭代訓(xùn)練，由圖9可知：分類器的正檢率整體呈上升趨勢，誤檢率也相應(yīng)地減少，第四次循環(huán)構(gòu)建的分類器的正檢率與誤檢率分別為97.19%、1.07%，相比首次訓(xùn)練構(gòu)建的分類器的正檢率增加了3.17%，誤檢率減少了0.94%。為了驗(yàn)證自更新算法的有效性，還將改算法還與文獻(xiàn)19中HOG+Adaboost的行人檢測方法進(jìn)行對(duì)比。對(duì)比結(jié)果，如表4所示。

表4 檢測結(jié)果Tab.4 Detection Result

由表4可以看出，文獻(xiàn)19中HOG+Adaboost算法人員檢測的正檢率為95.61%，自更新算法經(jīng)過四次迭代得到的分類器，其正檢率比HOG+Adaboost算法大1.58%，并且誤檢率比其小0.38%。由圖9與表4可得，自更新算法在經(jīng)過兩次迭代時(shí)，分類器的正檢率基本與文獻(xiàn)19中HOG+Adaboost算法相持平；自更新算法在經(jīng)過三次迭代后得到的分類器，其誤檢率基本與HOG+Adaboost算法的誤檢率相持平，但正檢率已經(jīng)超HOG+Adaboost算法1.05%。

選用第四次循環(huán)構(gòu)建的分類器對(duì)高鐵梁場現(xiàn)場進(jìn)行系統(tǒng)功能測試。該系統(tǒng)具有監(jiān)控設(shè)備選擇；調(diào)整監(jiān)控設(shè)備所對(duì)方位、背光補(bǔ)償、日/夜模式；當(dāng)光線暗時(shí)，還可開啟輔助照明；對(duì)檢測結(jié)果進(jìn)行呈現(xiàn)；對(duì)歷史監(jiān)控?cái)?shù)據(jù)進(jìn)行回放呈現(xiàn)；對(duì)采集到的目標(biāo)物圖像進(jìn)行查看與管理和報(bào)警日志查詢和進(jìn)行分屏顯示等功能。系統(tǒng)對(duì)正在捆扎箱型梁鋼筋骨架的工人進(jìn)行了識(shí)別檢測，測試結(jié)果，如圖10所示。該系統(tǒng)成功地檢測出工人，并做出了報(bào)警信息提醒。之后，又進(jìn)行長期的現(xiàn)場系統(tǒng)測試，結(jié)果顯示該分類器達(dá)到了預(yù)期設(shè)計(jì)的目的要求；驗(yàn)證了該系統(tǒng)的可靠性和檢測方法的可行性。

圖10 在線測試結(jié)果Fig.10 On-Line Test Results

5 結(jié)語

利用Python語言和OpenCV級(jí)聯(lián)分類器訓(xùn)練框架，用Haarlike特征描述梁場環(huán)境圖像中工人的典型姿態(tài)特征（站立、彎腰、蹲坐等），用Adaboost算法進(jìn)行迭代訓(xùn)練，訓(xùn)練出工人級(jí)聯(lián)分類器WorkerCascadeClassifier.xml。并對(duì)該方法做了改進(jìn)，加入正樣本自更新的方法，進(jìn)行了四次循環(huán)迭代訓(xùn)練。經(jīng)過靜態(tài)圖檢測測試，從第一次訓(xùn)練構(gòu)建的分類器的正檢率到第四次構(gòu)建的分類器的正檢率依次提升，第四次分類器的正檢達(dá)到97.19%；并用第四次構(gòu)建的分類器作了長期的現(xiàn)場測試，系統(tǒng)既能長期的穩(wěn)定運(yùn)行，也能成功檢測出監(jiān)控中的工人，實(shí)現(xiàn)了預(yù)設(shè)的功能。為工人的人身安全提供了保障，提升了人機(jī)協(xié)同作業(yè)能力，提高作業(yè)效率。此外，該方法還可運(yùn)用到其他智能設(shè)備中，如車輛自動(dòng)駕駛，為目標(biāo)物智能識(shí)別功能的實(shí)現(xiàn)提供參考意義。