人體及穿戴特征識(shí)別在電力設(shè)施監(jiān)控中的應(yīng)用

潘堅(jiān)躍，麻立群，彭 斌，李 敏，陳 希

（1.國(guó)家電網(wǎng)杭州供電公司 浙江 杭州310009；2.國(guó)家電網(wǎng)浙江臨安市供電公司 浙江 臨安 311300；3.西安交通大學(xué) 陜西 西安710049）

人體及穿戴特征識(shí)別在電力設(shè)施監(jiān)控中的應(yīng)用

潘堅(jiān)躍1，麻立群2，彭 斌2，李 敏3，陳 希3

（1.國(guó)家電網(wǎng)杭州供電公司 浙江 杭州310009；2.國(guó)家電網(wǎng)浙江臨安市供電公司 浙江 臨安 311300；3.西安交通大學(xué) 陜西 西安710049）

針對(duì)電力設(shè)施智能監(jiān)控系統(tǒng)中目標(biāo)人員及其穿戴特征，本文提出了一種高魯棒性的檢測(cè)方法。首先采集行人的目標(biāo)正樣本，以及所要監(jiān)控的場(chǎng)景中無(wú)行人目標(biāo)的負(fù)樣本，接著基于HOG(Histogram of Oriented Gradients)特征以及線性SVM(Support Vector Machine)訓(xùn)練行人檢測(cè)的分類器，檢測(cè)進(jìn)入場(chǎng)景中的行人目標(biāo)；對(duì)檢測(cè)到的行人的頭部、腰部區(qū)域，采用HSV色彩模型判斷人員是否進(jìn)行安全著裝，及時(shí)預(yù)警，避免危險(xiǎn)發(fā)生。本文將目標(biāo)識(shí)別及穿戴特征分析技術(shù)應(yīng)用于電力設(shè)施作業(yè)現(xiàn)場(chǎng)監(jiān)控中，可以更準(zhǔn)確的識(shí)別入侵的人員，也可以在應(yīng)急事故搶修時(shí)，加強(qiáng)工作人員規(guī)范操作，提前預(yù)警，避免危險(xiǎn)。

電力設(shè)施；監(jiān)控；檢測(cè)；行人；安全帽

行人檢測(cè)在計(jì)算機(jī)視覺領(lǐng)域是一個(gè)非常熱門的課題。但是，由于光照，衣著顏色多樣，行人姿勢(shì)的變換等因素，導(dǎo)致行人檢測(cè)是一個(gè)比較困難的問題[1]。目前關(guān)于行人檢測(cè)的問題，也有不少方法，如由Paul Viola提出Haar特征結(jié)合Adaboost方法訓(xùn)練分類器[2]，用于人臉檢測(cè)。Leibe等人建立了一個(gè)從上到下與自下向上相結(jié)合的方法，該方法基于關(guān)鍵點(diǎn)檢測(cè)、Hough投票和Chamfer距離模板匹配[3]。Ronfard等人用支持向量機(jī)(Support Vector Machine，SVM)訓(xùn)練出的分類器完成行人檢測(cè)[4]。在該分類器中，人體各部分用 “圖解結(jié)構(gòu)”來(lái)描述；各部分外部特征，用一階、二階梯度描述。

電力設(shè)施的周邊區(qū)域，尤其是無(wú)人值守的變電場(chǎng)區(qū)域，對(duì)于行人而言是及其危險(xiǎn)的。電力設(shè)施應(yīng)急事故搶修作業(yè)現(xiàn)場(chǎng)，由于工作人員疏忽大意未按照標(biāo)準(zhǔn)安全著裝，會(huì)引發(fā)觸電事故；桿上變工作人員未系好安全帶或者佩戴安全帽，誤操作而導(dǎo)致不可預(yù)料的后果。這些都是不可忽略的，需要及時(shí)檢測(cè)到并提前預(yù)警，避免危險(xiǎn)。

本文采用基于HOG(Histogram of Oriented Gradients)特征以及線性SVM分別訓(xùn)練了針對(duì)變電場(chǎng)的站立式行人目標(biāo)分類器以及針對(duì)桿上變工作人員的爬桿人員目標(biāo)分類器；在人體目標(biāo)識(shí)別的結(jié)果上，針對(duì)工作人員安全著裝的分析，設(shè)置了頭部，腰部ROI(Region of Interest)區(qū)域，在此區(qū)域中，采用HSV(Hue-Saturation-Value)色彩顏色模型判斷工作人員是否按照要求佩戴安全帽，以及桿上變工作人員佩戴安全帶，確保規(guī)范操作。

1 人體目標(biāo)識(shí)別

在人體目標(biāo)識(shí)別過程中，首先要進(jìn)行行人檢測(cè)分類器的訓(xùn)練學(xué)習(xí)，采集正負(fù)樣本，分別提取HOG特征，加入SVM分類訓(xùn)練，形成檢測(cè)分類器。

1.1 HOG特征

HOG特征是一種局部區(qū)域描述符，它通過計(jì)算局部區(qū)域上的梯度方向直方圖來(lái)構(gòu)成目標(biāo)特征，能夠很好地描述目標(biāo)的邊緣。它對(duì)光照變化和小量的偏移不敏感。HOG特征結(jié)合SVM分類器已經(jīng)被廣泛應(yīng)用于圖像識(shí)別中[5-6]，尤其在行人檢測(cè)中獲得了極大的成功。

HOG特征的計(jì)算步驟具體如下[7]：

1)輸入圖像：從樣本庫(kù)中選一個(gè)樣本，或者選定一個(gè)檢測(cè)階段得到的ROI區(qū)域，作為輸入圖像。

2)梯度計(jì)算：對(duì)輸入圖像進(jìn)行濾波，濾波核為[1,0,1]和[-1,0,1]，計(jì)算輸入圖像在水平和垂直兩個(gè)方向的梯度，可以獲得每個(gè)像素的梯度大小值和方向值。

梯度大小：

梯度方向：

3)把輸入圖像劃分為大小相同的小塊，把若干個(gè)小塊合成一個(gè)中塊。

4)選取方向通道：將360°平均分,可以生成n個(gè)通道。

5)獲取梯度直方圖：對(duì)于每個(gè)小塊中，統(tǒng)計(jì)出每一個(gè)像素梯度的方向的直方圖，該直方圖的橫坐標(biāo)是4)中生成的n個(gè)方向通道，該直方圖的縱坐標(biāo)是該方向通道的像素梯度值的和。最終，我們可以得到一組向量。

6)歸一化：該組向量所對(duì)應(yīng)像素所在的小塊為單位，對(duì)整組向量進(jìn)行歸一化。

7)生成HOG特征向量：將6）生成的向量連接，形成一組HOG特征向量。

在HOG特征計(jì)算完成后，要對(duì)行人進(jìn)行基于線性SVM的行人識(shí)別。首先，對(duì)SVM進(jìn)行離線訓(xùn)練。分類器的輸入向量就是將HOG特征向量作為分類器的輸入向量，并對(duì)其歸一化。訓(xùn)練結(jié)束后，得到存儲(chǔ)了SVM分類器的訓(xùn)練結(jié)果。SVM在線識(shí)別時(shí)，對(duì)于輸入的行人ROI，首先對(duì)其進(jìn)行歸一化處理，即將ROI窗口大小統(tǒng)一到行人訓(xùn)練樣本的窗口尺寸。接著，將ROI輸入線性SVM分類器，根據(jù)模型對(duì)ROI進(jìn)行判斷，分類器的輸出Y=1表示為行人，輸出Y=-1表示為非行人，保存行人的樣本信息。其基本框架圖如圖1所示。

1.2 分類器訓(xùn)練

分類器具體訓(xùn)練流程如圖2所示。實(shí)際應(yīng)用時(shí)，分別訓(xùn)練了32×64的站立式行人分類器，32×80的桿上變的行人分類器，以及24×8的腰帶分類器。以32×64的分類器為例說(shuō)明具體實(shí)現(xiàn)過程。

對(duì)于站立式行人，因?yàn)橛^察距離原因，訓(xùn)練窗口選擇大小為32×64，cell單元大小為4×4，block的大小為8×8，橫向和縱向分別以4個(gè)像素進(jìn)行滑動(dòng)掃描，則HOG特征的維數(shù)為3780。訓(xùn)練時(shí)，首先分別采集正負(fù)樣本，調(diào)整大小統(tǒng)一為32×64，正樣本采集了3090個(gè)，存放于pos文件夾，負(fù)樣本采集了5935存放于neg文件夾。然后進(jìn)行第一次訓(xùn)練，生成初始檢測(cè)子。

圖1 HOG特征計(jì)算步驟Fig.1 Calculation steps of HOG features

圖2 分類器訓(xùn)練流程Fig.2 Flowchart of classifier training

初次訓(xùn)練完成后，用訓(xùn)練好的分類器進(jìn)行測(cè)試，對(duì)于誤檢的區(qū)域，重新加入負(fù)樣本中，進(jìn)行樣本更新，重新訓(xùn)練，生成最終分類器，這是一個(gè)3 781維的數(shù)組，每一個(gè)數(shù)據(jù)代表著邊緣方向的閾值。

1.3 檢測(cè)流程

檢測(cè)過程中，首先選擇最小的尺度（即正負(fù)樣本尺度）以及尺度增量因子（1.1），然后從待檢測(cè)區(qū)域的左上方開始遍歷圖像。掃描完畢之后，將當(dāng)前的尺度乘以尺度增量因子，再重復(fù)進(jìn)行一遍圖像遍歷，知道所有的尺度都被檢測(cè)完備為止，如圖3所示。最后輸出所有的檢測(cè)結(jié)果。

圖3 多尺度掃描過程示意圖Fig.3 Schematic drawing of multi-scale scanning

2 HSV色彩模型

RGB色彩空間不均勻。采用RGB空間的圖像，其像素的顏色與人眼的感知特性有很大差別，不適用與彩色圖像分割的應(yīng)用。于是Alvy Ray Smith提出了HSV模型。HSV色彩空間是均勻的，其飽和度S（Sturation）和色相H（Hue）與人眼對(duì)色彩的感知方式相關(guān)，亮度V（Value）與色彩無(wú)關(guān)。

2.1 安全帽檢測(cè)

首先選擇人員目標(biāo)檢測(cè)結(jié)果的上半部分作為待檢測(cè)區(qū)域，然后將待檢測(cè)區(qū)域圖像由RGB模型轉(zhuǎn)為HSV模型。安全帽共有黃色、紅色、白色、藍(lán)色4種顏色，其中黃色、紅色和藍(lán)色在HSV模型中的取值范圍分別為：

黃色：H：37.5-67.5；S：0.4-1；V：0.5-0.8

紅色：H：0-15、330-360；S：0.4-1；V：0.5-0.8

藍(lán)色：H：225-255；S：0.35-1；V：0.6-0.8；

對(duì)于白色，只要亮度V接近1，不管H和S取值多少，都會(huì)變成白色，因此白色的取值范圍為：

白色：H：任意；S：任意；V：0.95-1；

根據(jù)以上取值范圍來(lái)設(shè)定閾值，將HSV圖轉(zhuǎn)化成為二值圖，只保留在閾值之內(nèi)的部分。然后將二值圖進(jìn)行腐蝕和膨脹，消除一些無(wú)關(guān)的區(qū)域。最后在膨脹之后的二值圖中尋找連通域，如果找到了連通域，就說(shuō)明該區(qū)域內(nèi)存在安全帽，由于待檢測(cè)區(qū)域只是人員目標(biāo)的頭部，因此根據(jù)檢測(cè)結(jié)果可以判定該工作人員是否佩戴了安全帽,如圖4所示。

圖4 基于HSV模型的閾值判定示意圖Fig.4 Threshold decision based on HSV model

2.2 桿上變?nèi)藛T安全帶檢測(cè)

工作人員爬上桿上變進(jìn)行作業(yè)的時(shí)候必須在腰部佩戴安全帶。檢測(cè)到人員目標(biāo)之后，首先選取人員目標(biāo)的腰部作為待檢測(cè)區(qū)域，之后使用基于HOG特征訓(xùn)練的SVM分類器檢測(cè)待檢測(cè)區(qū)域中是否有腰帶。由于腰帶目標(biāo)過小，因此分類器輸出結(jié)果不穩(wěn)定，誤識(shí)很多。和安全帽類似，安全帶同樣具有鮮明的顏色特征，即橘黃色，因此對(duì)于分類器輸出結(jié)果使用基于HSV模型的閾值加以判定。

在HSV模型中，橘黃色的取值范圍為：

橘黃色：H：30-40；S：0.4-1；V：0.5-0.8。

對(duì)于安全帶的分類器檢測(cè)結(jié)果，同樣使用上述的閾值進(jìn)行判定，判定方法同安全帽檢測(cè)。如果在待檢測(cè)結(jié)果中發(fā)現(xiàn)了連通域，那么說(shuō)明該區(qū)域存在安全帶，是正確的檢測(cè)結(jié)果，才會(huì)輸出作為最終的安全帶檢測(cè)結(jié)果。

在OpenCV函數(shù)庫(kù)中，HSV模型的取值和標(biāo)準(zhǔn)取值有所不同，其中H的取值范圍是0～180，S和V的取值范圍都是0～255，因此需要對(duì)前述的各種顏色在標(biāo)準(zhǔn)HSV模型下的取值范圍做修正，已適應(yīng)具體應(yīng)用過程。經(jīng)過修正后，各種顏色的閾值為：

表1 各顏色在OpenCV中的取值范圍Tab.1 Range of value of different color in OpenCV

根據(jù)表1中的取值范圍來(lái)設(shè)定各個(gè)顏色的閾值，根據(jù)所設(shè)定的閾值來(lái)對(duì)HSV圖進(jìn)行二值化，之后經(jīng)過形態(tài)學(xué)腐蝕和膨脹，消除無(wú)關(guān)的區(qū)域。最后在二值圖中尋找連通域，如果找到了連通域，就說(shuō)明在待檢測(cè)區(qū)域中存在目標(biāo)顏色區(qū)域，從而得到進(jìn)一步的分析結(jié)果。

3 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證本文中的人體目標(biāo)識(shí)別方法，以及針對(duì)檢測(cè)出的行人進(jìn)行的穿戴特征分析結(jié)果，在杭州電力局變電站以及街景實(shí)地進(jìn)行了測(cè)試。圖5為在杭州變電場(chǎng)內(nèi)，進(jìn)行的行人目標(biāo)識(shí)別，以及安全帽的檢測(cè)。其中3個(gè)矩形框分別準(zhǔn)確識(shí)別出了行人，其中安全帽區(qū)域都被準(zhǔn)確識(shí)別出來(lái)。

圖5 變電場(chǎng)檢測(cè)結(jié)果Fig.5 Detection result in an electricity substation

圖6 為在杭州街景中針對(duì)桿上變工作人員進(jìn)行的檢測(cè)。從圖中可以看出，桿上變工作人員，包括他的安全帽和安全帶都被準(zhǔn)確檢測(cè)到。

圖6 桿上變檢測(cè)結(jié)果Fig.6 Detection result of staff working on a pole

4 結(jié)論

文中提出了一種人體目標(biāo)識(shí)別及穿戴特征分析應(yīng)用于電力設(shè)施作業(yè)現(xiàn)場(chǎng)監(jiān)控中的方法。通過提取HOG特征加入SVM訓(xùn)練生成行人目標(biāo)識(shí)別分類器，再在識(shí)別出的行人目標(biāo)區(qū)域，劃定安全帽和安全帶的感興趣區(qū)域，最后采用HSV色彩模型進(jìn)行安全帽的檢測(cè)，安全帶在用分類器初步識(shí)別后再采用色彩模型排除誤判結(jié)果，提高檢測(cè)準(zhǔn)確率，對(duì)于工作人員的安全著裝進(jìn)行提取預(yù)警，避免危險(xiǎn)發(fā)生。實(shí)際場(chǎng)景的驗(yàn)證試驗(yàn)證明了該方法的準(zhǔn)確性。

[1]Bcrtozzi M，Broggi A，Del Rose M,et al.A pedestrian detector using histograms of oriented gradients and a support vector machine classifier[J].IEEE Intelligent Transportation Systems Conference，2007(10)：143-148.

[2]Viola P,Jones M,Snow D.Detecting pedestrians using patterns of motion and appearance[C].IEEE International Conference on Computer Vision(ICCV),October 2003(2):734-741.

[3]Leibe B,Leonardis A,Schiele B.Pedestrian detection in crowded scenes[J].IEEE Computer Society Conference on Computer Vision and Pattern Recognition,2005,878-885.

[4]Ronfard R,Schmid C,Triggs B.Learning to parse pictures of people[J].European Conference on Computer Vision，2002：700-714.

[5]Dalai N,Triggs B.Histograms of oriented gradients for human detection[C].International Conference on Computer Vision& Pattern Recognition，San Diego，CA，United states,2005:886-893.

[6]Enzweiler M,Gavrila D M.Monocular pedestrian detection：survey and experiments[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2009,31(12):2179-2195.

[7]程廣濤,陳雪,郭照莊.基于HOG特征的行人視覺檢測(cè)方法[J].傳感器與微系統(tǒng)，2011,30(7):67-70.CHENG Guang-tao,CHEN Xue,GUO Zhao-zhuang.Pedestrian detection method of vision based on HOG features[J].Transducer and Microsystem Technologies,2011，30(7):67-70.

Design of portable power control unit test system based on LabW indows/CVI

PAN Jian-yue1,MA Li-qun2,PENG Bin2,LI Min3,CHEN Xi3
（1.Hangzhou Power Bureau,Hangzhou 310009,China;2.Lin’an Power Bureau,Lin’an 311300,China; 3.Xi’an Jiaotong University,Xi’an 710049,China）

In order to detect pedestrian and his wear features in intelligent surveillance video of power equipment,a highly robust detection method was proposed.Firstly,collecting the positive samples and negative samples of pedestrians;secondly, HOG(Histogram of Oriented Gradients)features combined with linear SVM(Support Vector Machine)classifier were adopted for classifier training,and then the pedestrians who entered the scene were detected;thirdly,the head and middle region were scanned based on HSV color model for safety wearing.This paper not only achieves the pedestrian detection but also investigates the wear feature.It is useful for invader detection and keeping the staff safe in power equipment repairing.

power equipment;surveillance;detection;pedestrian;safety helmet

TN919

A

1674－6236（2015）10-0068-04

2014-09-04 稿件編號(hào)：201409038

國(guó)家自然科學(xué)基金資助項(xiàng)目（9092003）

潘堅(jiān)躍(1961—)，男，浙江杭州人，高級(jí)工程師。研究方向：信息化管理及信息技術(shù)。