視頻智能分析技術的應用

戴 濤，袁樹林，歐云波

(1.福能鴻山熱電有限公司，福州 362700；2.廈門世紀華安科技有限公司，福建 廈門 361000；3.深圳華威世紀科技有限公司，深圳 518000)

1 視頻智能分析技術研究現狀

智能視頻技術源自計算機視覺與人工智能的研究，是基于深度學習中計算機視覺的應用，其發展目標是在動態圖像與事件描述之間建立一種映射關系，使計算機從紛繁的視頻圖像中過濾掉“噪聲”，獲取數據并搭建出數據模型，再分辯、識別出關鍵目標物體，并對此結果進行存取與分析。從2010年開始，智能視頻技術已經在工業技術、智能交通、公共安全和企業安全等領域開始應用，并取得了驚人的效果。

在工礦企業中，隨著工礦設備越來越先進、復雜，以往以人工或單純視頻監控對設備以及人員生產等安全進行排查的方式，缺點也慢慢地凸顯出來。視頻圖像設點多,監管人員壓力大，監管難度高，當遇到異常情況時，往往無法及時進行報警并迅速處理異常，造成難以估計的損失。而智能視頻分析技術恰好可以在一定程度上緩解這類問題。此技術可以從實時視頻圖像中監控分析，提取關鍵信息，可對事故進行預警與處理取證，大大減小了安全監管人員的工作壓力與企業的用人壓力。再配合傳感器與跨平臺技術，可實現集安保、人員生產安全、人員管理、材料管理的企業安全綜合管理網絡。

2 產品實踐歷程

在福能鴻山電廠進行試驗應用，已開發的應用功能有：人員在規定區域佩戴安全帽的識別、人員越界的識別、人員單獨在規定區域徘徊的識別、基于紅外攝像的明暗火識別、在規定區域物品遺留的識別等。在鴻山電廠內的各個主干道均設置了配置安全帽檢測算法的攝像頭，用于檢測員工安全帽佩戴情況，若發現有員工未佩戴安全帽在劃定區域內走動，即時報警并對員工進行抓拍，并將圖片傳給客戶端，錄入報警日志，配合人臉識別系統還可以將其捕捉到的人臉與名單樣本對比，相似率達到一定閾值后，記錄人員詳細數據。在電廠內幾個危險源區域也設置了配置越界檢測算法的攝像頭，當有人形穿越區域內提前畫出的警戒線時，即時報警抓拍并嘗試捕捉人臉進行比對。

在應用實踐中遇到了一些現場問題。諸如：電廠網絡負載高，交換機容量小，導致在客戶端大屏幕上獲取4路以上視頻時卡頓嚴重，影響監視人員的判斷，也導致報警的實時性降低；電廠提供的攝像頭過舊，而電廠部分地區的環境光照弱，減弱了報警系統的判斷能力及其可使用性。對此給出了增加交換機進行網絡擴容，攝像頭換新且部分監控地區適度補光的建議。建議被電廠采納并實施后，安全帽檢測的正確率達到70.4%，而越界檢測正確率達到81.3%。電廠監管人員的壓力也大大減少，管理成本降低，效率大幅提升。

3 部分視頻圖像算法分析簡介

3.1 安全帽檢測算法簡介

3.1.1算法流程

安全帽檢測算法是先通過前景檢測將工人和背景分離，再根據人體膚色與其他顏色有很大的區別,通過膚色定位出人臉部位。定位出人臉后向上掃描，根據提前訓練好的卷積神經網絡，判別頭部是否是安全帽的顏色。如果不是，可以報警提示, 記錄此人沒有佩戴安全帽。對于佩戴安全帽以外的帽子等同未帶安全帽的情況：由于安全帽常用的顏色包括紅、黃、藍 3 種顏色，根據不同色彩的安全帽建立閾值選取范圍。然后逐點統計安全帽估測區域的像素點，若像素點的RGB值滿足安全帽顏色閾值表中某種安全帽的顏色閾值范圍，則說明該點屬于安全帽，將該點記錄下來。最后對統計點進行分類，判斷記錄的安全帽顏色點的數量占整個統計區域像素點數量的比例，若超過某一比例則判定其佩戴相應顏色的安全帽，若均達不到要求，則判定其未佩戴安全帽，觸發報警，并將當時的圖像抓拍保存。

3.1.2算法核心

檢測算法核心為深度學習中的卷積神經網絡，用于判斷定位出來的人臉部位是否佩戴安全帽，其分為輸入層、卷積層、池化層、全連接層與輸出層，主要公式如下。

卷積運算：

激活函數采用ReLU(Rectified Linear Units)函數：

f(x)=max(0,x)

反向傳輸調整權重：

使用平方誤差函數，對與一個C個類和N個訓練樣本的例子，總誤差如下：

通過誤差反向傳輸，根據梯度最速下降法，找到各個神經元的權值w與偏置b的最快下降方向，并將w與b分別乘以學習率，得到調整后的權值w′與偏置b′。

3.2 越界檢測算法簡介

3.2.1算法流程

越界檢測算法的核心是背景差分法，它是一種對靜止場景進行運動分割的通用方法，它將當前獲取的圖像幀與背景圖像做差分運算，得到目標運動區域的灰度圖，對灰度圖進行閾值化提取運動區域，而且為避免環境光照變化影響，背景圖像根據當前獲取圖像幀進行更新。

3.2.2算法核心

根據前景檢測，背景維持和后處理方法，存在幾種不同的背景差方法。若設It，Bt分別為當前幀與背景幀圖像，T為前景灰度閾值，則其中一種方法流程如下：

首先取前幾幀圖像的平均值，將其作為初始的背景圖像Bt，再用當前幀圖像與背景圖像作灰度減運算，并取絕對值，公式如下：

|It(x,y)-Bt(x,y)|

若對當前幀的像素(x,y)，有：

|It(x,y)-Bt(x,y)|>T

則該像素點為前景點，接著對前景像素圖進行形態學操作(腐蝕、膨脹、開閉操作等)，最后用當前幀圖像對背景圖像進行更新。

4 未來研發方向

今后將在反向傳輸方向提高樣本的輸入，精確參數，降低誤報，爭取近期將各項正確率都提高到90%以上。同時也將對電廠安全帶高空作業，蒸汽泄漏等智能功能利用深度學習進行研究，將大大提高電廠的技防能力。