基于視頻圖像識(shí)別的水電站現(xiàn)場(chǎng)安全管理

杜成波

摘要：水電站現(xiàn)場(chǎng)存在邊坡滾石、高處墜物、水位突變等諸多安全風(fēng)險(xiǎn)，采用有效手段對(duì)現(xiàn)場(chǎng)人員未佩戴安全帽和水位超限進(jìn)行自動(dòng)識(shí)別報(bào)警具有重要意義。利用現(xiàn)場(chǎng)視頻監(jiān)控獲取實(shí)時(shí)圖像，借助圖像識(shí)別技術(shù)，提出了基于改進(jìn)運(yùn)動(dòng)目標(biāo)識(shí)別方法的安全帽檢測(cè)和水庫水位自動(dòng)監(jiān)控方法，并基于OpenCV平臺(tái)開發(fā)了相關(guān)監(jiān)控程序，對(duì)進(jìn)入視頻監(jiān)控區(qū)域的現(xiàn)場(chǎng)工作人員以及水庫水位進(jìn)行實(shí)時(shí)檢測(cè)，實(shí)現(xiàn)了自動(dòng)實(shí)時(shí)監(jiān)控和報(bào)警，提升了水電站現(xiàn)場(chǎng)安全管理水平。

關(guān)鍵詞：安全管理； 安全帽佩戴； 水位監(jiān)控； 圖像識(shí)別； 視頻監(jiān)控； 水電站

中圖法分類號(hào)： TV512；TP315

文獻(xiàn)標(biāo)志碼： A

DOI：10.16232/j.cnki.1001-4179.2024.S1.047

0引 言

水電站現(xiàn)場(chǎng)環(huán)境復(fù)雜，存在諸多安全風(fēng)險(xiǎn)，如邊坡滾石、高處墜物、水位突變等，采用有效手段對(duì)現(xiàn)場(chǎng)人員未佩戴安全帽或水位超限進(jìn)行自動(dòng)識(shí)別報(bào)警和提醒具有重要意義。水電站場(chǎng)地范圍較大，目前現(xiàn)場(chǎng)一般都會(huì)布設(shè)視頻監(jiān)控系統(tǒng)對(duì)一些重要區(qū)域進(jìn)行重點(diǎn)監(jiān)控，通常情況下會(huì)安排專職人員在監(jiān)控室中集中監(jiān)視視頻監(jiān)控系統(tǒng)傳輸來的圖像畫面，并就發(fā)現(xiàn)的問題及時(shí)通知相關(guān)人員?；谝曨l圖像識(shí)別技術(shù)的現(xiàn)場(chǎng)安全監(jiān)控可以憑借自動(dòng)化程序識(shí)別代替人工監(jiān)視判斷，從而減輕人工監(jiān)視的工作量。圖像識(shí)別技術(shù)屬于人工智能的一個(gè)重要領(lǐng)域，以圖像主要特征（幾何形狀、顏色、面積、周長、體積等）的識(shí)別為基礎(chǔ)，目前已經(jīng)廣泛應(yīng)用于智能交通、裂縫識(shí)別、指紋識(shí)別、人臉識(shí)別、運(yùn)動(dòng)目標(biāo)識(shí)別、醫(yī)學(xué)研究等領(lǐng)域［1-2］。

本文針對(duì)水電站現(xiàn)場(chǎng)人員安全帽佩戴和水位監(jiān)控等安全管理，基于現(xiàn)場(chǎng)視頻監(jiān)控獲取的實(shí)時(shí)圖像，采用圖像識(shí)別技術(shù)，提出了改進(jìn)的運(yùn)動(dòng)目標(biāo)識(shí)別方法，利用OpenCV平臺(tái)開發(fā)了現(xiàn)場(chǎng)人員安全帽佩戴監(jiān)控程序和水庫水位監(jiān)控程序，實(shí)現(xiàn)自動(dòng)實(shí)時(shí)監(jiān)控和報(bào)警。

1現(xiàn)場(chǎng)人員安全帽佩戴監(jiān)控

本文提出的現(xiàn)場(chǎng)人員安全帽佩戴檢測(cè)流程包括基于圖像識(shí)別的運(yùn)動(dòng)目標(biāo)（人員）檢測(cè)、人員頭部檢測(cè)、人員佩戴安全帽識(shí)別等，并且針對(duì)現(xiàn)有圖像識(shí)別算法缺點(diǎn)進(jìn)行了改進(jìn)，以滿足現(xiàn)場(chǎng)視頻實(shí)時(shí)監(jiān)控的要求。

1.1基于ViBe算法的運(yùn)動(dòng)目標(biāo)檢測(cè)

基于圖像識(shí)別的運(yùn)動(dòng)目標(biāo)檢測(cè)方法包括幀差法［3］、背景減除法（如混合高斯、平均背景、均值漂移、ViBe等）、光流法［4］、運(yùn)動(dòng)模板法［5］等。

其中，ViBe法與其他算法相比具有計(jì)算內(nèi)存占用量低、性能較優(yōu)等特點(diǎn)，因此本文采用ViBe算法來實(shí)現(xiàn)視頻圖像中運(yùn)動(dòng)目標(biāo)（即移動(dòng)的現(xiàn)場(chǎng)人員）的實(shí)時(shí)檢測(cè)。

ViBe算法的工作原理是：通過建立一定的規(guī)則將圖像中各個(gè)像素點(diǎn)識(shí)別并歸類為背景點(diǎn)或是前景點(diǎn)。ViBe算法中，將背景模型定義為圖像中每個(gè)像素點(diǎn)對(duì)應(yīng)的像素值樣本集，在此基礎(chǔ)上將任意一幀圖像中每一個(gè)像素點(diǎn)新的像素值與其對(duì)應(yīng)的像素值樣本集進(jìn)行比較，來判斷該像素點(diǎn)是否屬于背景點(diǎn)，如果一個(gè)像素點(diǎn)新的像素值和樣本集中的采樣值比較接近，則它就應(yīng)該屬于背景點(diǎn)，反之則屬于前景點(diǎn)。

ViBe算法的計(jì)算流程如下：

（1） 背景模型的初始化。該步驟僅通過第一幀圖像完成，考慮到單幀圖像中不可能包含像素點(diǎn)的時(shí)空分布信息，因此可以隨機(jī)選擇像素點(diǎn)相鄰點(diǎn)位的像素值作為背景模型樣本值。

（2） 背景模型的更新。背景模型能夠隨著圖像背景的不斷變化而相應(yīng)動(dòng)態(tài)更新，比如光照的變化、背景物體的變更等。更新策略一般分為2種：① 保守的更新策略，即始終不用前景點(diǎn)來更新背景模型，這種策略會(huì)引起死鎖，比如當(dāng)初始化時(shí)如果一塊靜止的區(qū)域被錯(cuò)誤地檢測(cè)為前景，那么它始終會(huì)被當(dāng)做前景，這樣就會(huì)產(chǎn)生Ghost區(qū)域；② 盲目地更新策略，前景點(diǎn)和背景點(diǎn)都可以來更新背景模型，此種策略的缺點(diǎn)是緩慢移動(dòng)的物體會(huì)融入背景中無法被檢測(cè)出來。ViBe算法采用的是保守更新策略+前景點(diǎn)計(jì)數(shù)法。前景點(diǎn)計(jì)數(shù)法的規(guī)則是：對(duì)像素點(diǎn)連續(xù)被檢測(cè)為前景點(diǎn)的次數(shù)進(jìn)行統(tǒng)計(jì)，如果某個(gè)像素點(diǎn)連續(xù)N次被檢測(cè)為前景點(diǎn)，則將其更新為背景點(diǎn)。

背景模型的更新采用隨機(jī)的二次采樣策略，即當(dāng)一個(gè)像素點(diǎn)被判斷為背景點(diǎn)時(shí)，僅采用一定的概率去更新背景模型，具體來說，當(dāng)某個(gè)像素點(diǎn)被判斷為背景點(diǎn)時(shí)，采用1/P的概率去更新自己的像素值樣本值，并采用1/P的概率去更新其相鄰點(diǎn)位的像素值樣本值。更新相鄰點(diǎn)位的樣本值利用了像素值的空間傳播特性，有利于Ghost區(qū)域更快地被識(shí)別和消除。同時(shí)，當(dāng)前景點(diǎn)計(jì)數(shù)達(dá)到臨界值N時(shí)，則將該像素點(diǎn)判斷為背景點(diǎn)，并采用1/P的概率去更新自己的像素值樣本值，同時(shí)采用隨機(jī)方法隨機(jī)選取一個(gè)樣本值進(jìn)行更新。

OpenCV是一個(gè)開源的跨平臺(tái)計(jì)算機(jī)視覺分析方法庫，采用其提供的現(xiàn)有通用函數(shù)來實(shí)現(xiàn)特定需求的圖像識(shí)別程序開發(fā)，能夠較大程度地減輕開發(fā)量。本文基于OpenCV平臺(tái)，編寫了運(yùn)用ViBe算法的視頻圖像運(yùn)動(dòng)目標(biāo)檢測(cè)程序，程序偽代碼流程如下：

（1） 變量初始化。需要初始化的變量包括每個(gè)像素點(diǎn)的樣本個(gè)數(shù)變量pixSamples，存儲(chǔ)每個(gè)像素點(diǎn)對(duì)應(yīng)像素樣本值的三維數(shù)組samples，以及存儲(chǔ)每個(gè)像素點(diǎn)被連續(xù)檢測(cè)為前景點(diǎn)次數(shù)的數(shù)組count。判斷像素點(diǎn)為背景點(diǎn)的兩個(gè)重要閾值：像素差異difference和像素差異內(nèi)的匹配數(shù)matches。判斷像素點(diǎn)為前景點(diǎn)的閾值：連續(xù)判斷為前景點(diǎn)次數(shù)conCount，二次隨機(jī)采樣因子subSampFactor，背景像素值backGround和前景像素值foreGround。

（2） 背景模型初始化模塊。

即依次遍歷第一幀圖像中每個(gè)像素點(diǎn)的每個(gè)樣本，并對(duì)三維數(shù)組samples進(jìn)行賦值的過程。具體地，對(duì)于任意一個(gè)樣本，隨機(jī)選取以該像素點(diǎn)為中心，以2個(gè)像素距離為邊長的正方形范圍內(nèi)像素點(diǎn)位像素值進(jìn)行采樣，并存儲(chǔ)在三維數(shù)組samples中，同時(shí)將每個(gè)像素點(diǎn)被連續(xù)判斷為前景點(diǎn)的次數(shù)N賦值為0。

（3） 背景模型更新模塊。在此模塊中，依次遍歷當(dāng)前圖像幀上的每一個(gè)像素點(diǎn)，針對(duì)任意一個(gè)像素點(diǎn)，首先將其像素值依次與樣本值進(jìn)行比較，如果二者距離差異小于閾值difference的樣本個(gè)數(shù)，且大于或等于matches時(shí)，則判定該像素點(diǎn)為背景點(diǎn)，否則為前景點(diǎn)。

如果被判斷為背景點(diǎn)，首先將該像素點(diǎn)被連續(xù)判斷為背景點(diǎn)的次數(shù)N賦值為0，并將輸出圖像中該像素點(diǎn)位置處的像素值設(shè)置為backGround；然后啟動(dòng)二次采樣流程，依次采用二次隨機(jī)采樣因子subSampFactor隨機(jī)將該像素點(diǎn)的某一樣本值賦值為當(dāng)前幀圖像中該像素點(diǎn)的像素值，同時(shí)隨機(jī)將該像素點(diǎn)某一相鄰像素點(diǎn)的某一樣本值賦值為當(dāng)前幀圖像中該像素點(diǎn)的像素值。

如果被判斷為前景點(diǎn)，首先將該像素點(diǎn)被連續(xù)判斷為前景點(diǎn)的次數(shù)N+1，并將輸出圖像中該像素點(diǎn)位置處的像素值設(shè)置為foreGround；然后判斷該像素點(diǎn)連續(xù)被判斷為前景點(diǎn)的次數(shù)是不是小于conCount，如果是，則采用二次隨機(jī)采樣因子subSampFactor隨機(jī)將該像素點(diǎn)的某一樣本值賦值為當(dāng)前幀圖像中該像素點(diǎn)的像素值。

1.2ViBe算法的改進(jìn)

現(xiàn)有ViBe算法存在兩方面可以重點(diǎn)討論改進(jìn)之處：

（1） 現(xiàn)有ViBe算法對(duì)Ghost區(qū)域（圖1）的消除效率不高，具體表現(xiàn)在Ghost區(qū)域識(shí)別及消除較為緩慢，且Ghost區(qū)域消除后的范圍內(nèi)有運(yùn)動(dòng)物體經(jīng)過時(shí)也會(huì)被誤判為背景，如圖2所示。

（2） 現(xiàn)有ViBe算法對(duì)原始視頻幀圖像進(jìn)行了單通道處理，這樣雖然能提高算法分析處理的效率，但是因?yàn)閱瓮ǖ缊D像色域范圍較為局限，有些前景像素由于與背景差別不大依舊易被誤判為背景，如圖3所示。

經(jīng)分析，現(xiàn)有ViBe算法對(duì)Ghost區(qū)域消除效率不高的原因是：當(dāng)像素點(diǎn)被連續(xù)檢測(cè)為前景的次數(shù)conCount滿足成為背景點(diǎn)的條件后，采用二次隨機(jī)采樣因子subSampFactor，隨機(jī)將該像素點(diǎn)的某一樣本值賦值為當(dāng)前幀圖像中該像素點(diǎn)像素值的概率較低，導(dǎo)致該像素點(diǎn)的背景模型更新效率較低。針對(duì)這一問題有兩種改進(jìn)方法：① 降低conCount，同時(shí)采用更大的隨機(jī)采樣因子增大采樣概率；② 采用該像素點(diǎn)當(dāng)前幀圖像中相鄰的像素值對(duì)該像素點(diǎn)的樣本值進(jìn)行全面更新，以擴(kuò)大采樣范圍。上述2種改進(jìn)方法同時(shí)使用時(shí)需要注意：① 對(duì)于圖像前幾幀被判斷為Ghost的區(qū)域（以下簡稱為初始化Ghost區(qū)域），宜采用該像素點(diǎn)當(dāng)前幀圖像中相鄰的像素值對(duì)該像素點(diǎn)的樣本值進(jìn)行全面更新，這樣可以提高初始化Ghost區(qū)域的消除效率；② 對(duì)于因?yàn)榻档蚦onCount同時(shí)增大隨機(jī)采樣概率而增大了背景模型的更新頻率，導(dǎo)致將短暫靜止的物體錯(cuò)誤地判斷成背景而形成的Ghost區(qū)域（以下簡稱為過程中Ghost區(qū)域），此種情況下則適合采用該像素點(diǎn)第一幀圖像中相鄰的像素值對(duì)該像素點(diǎn)的樣本值進(jìn)行全面更新。

對(duì)于如何判斷圖像檢測(cè)過程中出現(xiàn)的是初始化Ghost區(qū)域還是過程中Ghost區(qū)域，可在前若干幀圖像中對(duì)各像素點(diǎn)被判斷為前景點(diǎn)的次數(shù)進(jìn)行統(tǒng)計(jì)后判定，如果前景點(diǎn)次數(shù)遠(yuǎn)大于背景點(diǎn)次數(shù)，則判斷其屬于初始化Ghost區(qū)域。

針對(duì)有些前景像素與背景差別不大而被誤判為背景的問題，可以將圖像處理為3通道圖像，根據(jù)RGB像素進(jìn)行判斷更加準(zhǔn)確。

其他改進(jìn)方面：① 縮小背景模型中像素點(diǎn)的樣本數(shù)量和采樣范圍，將采樣范圍縮小至像素點(diǎn)自身及上、下、左、右等5個(gè)像素點(diǎn)的位置；② 補(bǔ)充背景點(diǎn)的判定與更新條件，在經(jīng)過上述方法判定的背景點(diǎn)和前景點(diǎn)構(gòu)成的圖像中，依次判斷各像素點(diǎn)，若某一像素點(diǎn)四周均為背景點(diǎn)，則其也應(yīng)為背景點(diǎn)。

采用改進(jìn)后的ViBe方法對(duì)原視頻圖像進(jìn)行檢測(cè)，結(jié)果如圖4～5所示。

1.3人員頭部檢測(cè)

通過ViBe算法獲取視頻圖像中運(yùn)動(dòng)人員目標(biāo)后，需要在此基礎(chǔ)上進(jìn)一步識(shí)別人員頭部區(qū)域。本文提出兩種人員頭部區(qū)域檢測(cè)的實(shí)現(xiàn)方法：圓形檢測(cè)法和包圍盒檢測(cè)法。

在圓形檢測(cè)法中，首先識(shí)別出運(yùn)動(dòng)人員目標(biāo)所在區(qū)域內(nèi)的圓形以及人形輪廓，根據(jù)輪廓的像素面積，剔除一些不是人形的輪廓。同時(shí)為了剔除一些識(shí)別出來但不屬于頭部區(qū)域的圓形，需設(shè)置兩個(gè)篩選條件：① 圓形的圓心需在某一人形輪廓之內(nèi)；② 在滿足條件1的基礎(chǔ)上，同時(shí)需滿足圓心位于該輪廓頂部1/7輪廓高度范圍內(nèi)（人頭高度一般為人身體高度的1/7）。

在包圍盒檢測(cè)法中，首先識(shí)別出運(yùn)動(dòng)人員目標(biāo)的包圍盒以及人形輪廓，同樣可根據(jù)輪廓的像素面積剔除一些不是人形的輪廓。同時(shí)通過設(shè)置以下兩個(gè)篩選條件限定人員頭部區(qū)域的像素坐標(biāo)范圍：① 像素坐標(biāo)需在某一人形輪廓包圍盒頂部1/7高度范圍內(nèi)；② 該像素坐標(biāo)需在同一人形輪廓內(nèi)。

1.4佩戴安全帽識(shí)別

水電站現(xiàn)場(chǎng)不同類別的工作人員佩戴不同顏色安全帽，如白色為業(yè)主管理人員，紅色為承包商人員，藍(lán)色為監(jiān)理人員，這3種顏色與頭發(fā)的顏色有明顯區(qū)別，因此可通過對(duì)圖像顏色特征的識(shí)別來判斷現(xiàn)場(chǎng)人員是否佩戴了安全帽。

在確定了人員頭部位置的圓形以后，在圓形上半圓中的像素點(diǎn)對(duì)原視頻圖像該位置處的HSV值進(jìn)行采樣，若滿足白、紅、藍(lán)任一顏色HSV范圍（表1）的像素點(diǎn)數(shù)目大于像素點(diǎn)總數(shù)的30%，則表示該人員頭部位置佩戴了該顏色的安全帽，否則提示報(bào)警。

本文基于OpenCV平臺(tái)，編寫了基于ViBe算法的現(xiàn)場(chǎng)人員安全帽佩戴識(shí)別程序，整體程序的算法流程如圖6所示，識(shí)別效果如圖7～8所示。其中圖8所示的黃色圓圈表示該人員未佩戴安全帽，紅色圓圈表示該人員佩戴了紅色安全帽。

2現(xiàn)場(chǎng)水位監(jiān)控管理

為監(jiān)控水電站現(xiàn)場(chǎng)重要區(qū)域的水位情況，除在水中設(shè)置水位標(biāo)尺便于觀察讀數(shù)外，為實(shí)現(xiàn)遠(yuǎn)程監(jiān)控，現(xiàn)場(chǎng)通常會(huì)在該區(qū)域附近設(shè)置攝像頭。本文研究如何在現(xiàn)場(chǎng)設(shè)置視頻監(jiān)控和水位標(biāo)尺的基礎(chǔ)上，實(shí)現(xiàn)基于圖像識(shí)別技術(shù)的水位自動(dòng)讀數(shù)，以替代人工讀數(shù)。

2.1水位刻度定位

水位刻度的定位，是在視頻監(jiān)控圖像中識(shí)別出水面以上未被淹沒的水位刻度。

為此需根據(jù)水位刻度的一些顏色或形狀特征將其從圖像中識(shí)別出來。以圖9為例，其中水位刻度具有紅色的顏色特征，以及“E”形的形狀特征。本文基于紅色像素提取方法，實(shí)現(xiàn)圖像中水位刻度的定位，具體實(shí)現(xiàn)方法如下。

（1） 首先將圖像像素由RGB格式轉(zhuǎn)化成HSV格式。

（2） 循環(huán)HSV格式圖像的每個(gè)像素點(diǎn)，獲取各像素點(diǎn)對(duì)應(yīng)的H、S、V值，依據(jù)表1中紅色像素H、S、V值所在區(qū)間，將判斷出非紅色像素點(diǎn)的像素值統(tǒng)一賦值為H=0，S=0，V=0。處理后的圖像如圖10所示。

（3） 將上一步處理后的圖像轉(zhuǎn)換成GRAY格式。

（4） 采用局部自適應(yīng)閾值法［6］對(duì)圖像進(jìn)行二值化處理，將圖像中像素值大于自適應(yīng)閾值的像素點(diǎn)其像素值賦值為1，小于自適應(yīng)閾值的像素點(diǎn)其像素值賦值為0。

（5） 采用連通域識(shí)別方法［7］對(duì)二值化處理后的圖像中連通域進(jìn)行分析，并對(duì)各個(gè)連通域的包圍盒進(jìn)行識(shí)別（圖11）。

2.2水位分析計(jì)算

定位了圖像中的水位刻度之后，根據(jù)圖像中已知水位的刻度，以及圖像中露出水面以上刻度的形狀特征來檢測(cè)識(shí)別當(dāng)前水位。圖9攝像頭拍攝圖像范圍內(nèi)，位置最高的刻度頂部所對(duì)應(yīng)的水位為1 879.00 m，記為Hmax。水面以上的刻度個(gè)數(shù)可通過識(shí)別出的連通域個(gè)數(shù)來確定，將水面以上的各個(gè)刻度按照刻度包圍盒左下角點(diǎn)的y坐標(biāo)從大到小進(jìn)行排序，則當(dāng)前水位的計(jì)算公式如下：

H≥Hmax-1，n≤1H=Hmax－（n－1）－排序序號(hào)為1的刻度包圍盒面積排序序號(hào)為2的刻度包圍盒面積，n＞1式中：n為水面以上刻度連通域包圍盒個(gè)數(shù)。

根據(jù)上述公式計(jì)算，水位識(shí)別結(jié)果如圖12所示。

3結(jié) 語

本文運(yùn)用改進(jìn)的運(yùn)動(dòng)目標(biāo)識(shí)別方法對(duì)水電站現(xiàn)場(chǎng)視頻監(jiān)控系統(tǒng)獲取的視頻圖像進(jìn)行分析，開發(fā)了現(xiàn)場(chǎng)人員安全帽佩戴、水位變化等識(shí)別監(jiān)控程序，使得水電站現(xiàn)場(chǎng)管理工作更加安全、高效和智能。

同時(shí)，未來值得進(jìn)一步加強(qiáng)無人機(jī)、移動(dòng)互聯(lián)、機(jī)器人等技術(shù)與圖像識(shí)別技術(shù)在水電站現(xiàn)場(chǎng)安全管理中的深化應(yīng)用，多重手段、全方位保障現(xiàn)場(chǎng)生產(chǎn)安全。

參考文獻(xiàn)：

［1］陽恩慧，張傲南，丁世海，等.基于三維光影模型的公路路面裂縫自動(dòng)識(shí)別算法［J］.西南交通大學(xué)學(xué)報(bào)，2017，52（2）：288-294.

［2］崔鵬，張雪婷.一種基于塊共同特征值的人臉識(shí)別方法［J］.計(jì)算機(jī)工程與科學(xué)，2017，39（4）：777-784.

［3］鄧文浩，唐立才，張南鋒，等.基于改進(jìn)的幀差法和Mean-shift結(jié)合的運(yùn)動(dòng)目標(biāo)自動(dòng)檢測(cè)與跟蹤［J］.現(xiàn)代電子技術(shù)，2016，39（4）：108-111.

［4］陳添丁，胡鑒，吳滌.稀疏光流快速計(jì)算的動(dòng)態(tài)目標(biāo)檢測(cè)與跟蹤［J］.中國圖像圖形學(xué)報(bào)，2013，18（12）：1593-1600.

［5］黨曉軍，尹俊文.一種基于模板匹配的運(yùn)動(dòng)目標(biāo)跟蹤方法［J］.計(jì)算機(jī)工程與應(yīng)用，2010，46（5）：173-176.

［6］張帆，彭中偉，蒙水金.基于自適應(yīng)閾值的改進(jìn)Canny邊緣檢測(cè)方法［J］.計(jì)算機(jī)應(yīng)用，2012，32（8）：2296-2298.

［7］馬江林，趙忠明，孟瑜，等.海量遙感分類圖連通域標(biāo)記方法［J］.計(jì)算機(jī)工程，2008，34（1）：262-264.

（編輯：胡旭東）