陳晗 周強(qiáng)

摘要：針對傳統(tǒng)水域救生過程無落水人體檢測先驗(yàn)知識、檢測效率低的現(xiàn)狀，提出了一種基于倒影圖像檢測的水域落水人員判斷方法。該方法以水面倒影檢測為核心，將倒影與真實(shí)落水目標(biāo)進(jìn)行比對，通過水紋特征實(shí)現(xiàn)對兩者的區(qū)分檢測，并采用方向梯度直方圖（histogram of oriented gradient，HOG）特征以及支持向量機(jī)（Support Vector Machine，SVM）的人體檢測算法對真實(shí)落水目標(biāo)進(jìn)行最終人體識別檢測。實(shí)驗(yàn)表明，該方法對落水人員檢測準(zhǔn)確率為98.2%，達(dá)到了對真實(shí)落水人員的有效檢測，提升了水面救援檢測的效率和速度。

關(guān)鍵詞： 水域救生；落水人員檢測；倒影圖像檢測；HOG-SVM

中圖分類號：TP311 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2018）26-0175-04

Abstract：Focusing on the problems that caused from no prior knowledge of human detection and the low detection efficiency in the traditional waters lifesaving process， a method for judging the persons falling into the water basin Based on reflection image is proposed. This method uses water surface reflection detection as the core， compares the reflection with the real falling water target， realizes the distinguish detection between the two through the water pattern feature， and uses the HOG and SVM human body detection algorithm to perform the final human body recognition detection on the real falling target. Experiments show that the accuracy rate of this method is 98.2% for the drowning personnel， which can achieve effective detection of real drowning personnel and improve the efficiency and speed of water surface rescue detection.

Key words：Water life-saving； Detection of falling personnel； Reflection image detection； HOG-SVM

我國國土幅員遼闊，對外開放的公園人工湖、水庫和湖泊數(shù)量巨大，但實(shí)際生活中由于安全措施不到位、監(jiān)控存在盲區(qū)和死角，以及湖泊區(qū)域水上應(yīng)急救助設(shè)施配置較為薄弱等原因[1]，導(dǎo)致溺水死亡事故頻繁發(fā)生，產(chǎn)生了惡劣社會影響，故而落水人員的救生問題就顯得尤為重要。

目前，我國水上救生市場主要存在人員設(shè)備不足、研發(fā)體系不完善以及技術(shù)含量較低等問題，整體處于有待開發(fā)的狀態(tài)。常見的針對人員落水問題的救生裝置主要包括：傳統(tǒng)救生裝置和新型救生裝置，其中傳統(tǒng)救生裝置主要包括救生筏和救生圈等[2]，主要依靠人力進(jìn)行救援行為，并存在浮力不足、體積大、救援投擲準(zhǔn)確性不高等問題，而新型裝置則主要包括潛航器應(yīng)急救生裝置、智能救生網(wǎng)、彈射救生裝置、STS超級救生艇、iSwimband救生裝置、Self Rescue Bracelet 溺水自救手環(huán)和HEXA 六角形膨脹充氣式救生墊等[3-4]，較傳統(tǒng)救生裝置，新型救生裝置輔助性功能更加完善，但新型裝置大多針對地理環(huán)境完整的大型區(qū)域或需人員穿戴檢測設(shè)備的游泳池可控區(qū)域，因此存在局限性大、救援效率低、成本高昂等問題。同時，在戶外水域中現(xiàn)有的救生救援在智能報警方面依然多依賴于人力巡檢，從而導(dǎo)致對水面險情不能及時做出報警。

針對當(dāng)前國內(nèi)外水上救生裝置和設(shè)備的現(xiàn)狀，為提供更加智能、高效的水面救援應(yīng)對方案，提出了一種中小型水域智能控制救生系統(tǒng)，該系統(tǒng)主要由落水人員檢測模塊、主控制模塊、救援船模塊、岸邊語音報警模塊和警衛(wèi)室模塊組成。該系統(tǒng)通過落水人員檢測模塊進(jìn)行圖像數(shù)據(jù)采集以及人員落水險情監(jiān)測，并將檢測結(jié)果傳送至主控制模塊，通過主控制模塊進(jìn)行信息融合，生成自主導(dǎo)航信息控制救生小船模塊完成自主救援，同時生成險情報警控制，控制岸邊語音報警模塊和警衛(wèi)室模塊完成自主報警。系統(tǒng)設(shè)計具有自動實(shí)時監(jiān)控、實(shí)時自主救援、實(shí)時險情報警等功能，可以彌補(bǔ)當(dāng)前國內(nèi)外在中小型水域救生方面人力不足的問題。其中落水人員檢測模塊能夠最先感知到待監(jiān)測水域是否存在人員落水的險情，保證系統(tǒng)及時對后續(xù)救援任務(wù)做出反應(yīng)，因而是確保整個系統(tǒng)救援動作準(zhǔn)確性的重中之重。

因此，本文主要針對復(fù)雜背景下基于圖像的落水人體目標(biāo)實(shí)時、準(zhǔn)確地檢測問題，提出一種落水人員在線檢測算法，首先通過紅外相機(jī)采集水面圖像，并對采集到的圖像做圖像預(yù)處理提取運(yùn)動目標(biāo)，將得到的運(yùn)動目標(biāo)區(qū)域先進(jìn)行倒影檢測，排除倒影干擾，再進(jìn)行基于HOG-SVM的人體檢測，最終達(dá)到對落水人體的在線檢測任務(wù)。該算法在水域救生中人體辨識這一問題上具有較強(qiáng)的準(zhǔn)確性和快速性，對盡快確定落水人員的準(zhǔn)確位置，縮短救助時間，提高落水人員的生存概率具有一定效果。

1 檢測系統(tǒng)及工作難點(diǎn)

1.1 在線檢測系統(tǒng)

根據(jù)系統(tǒng)要求，搭建的智能救生系統(tǒng)硬件框架落水人員檢測模塊、主控制模塊、救援船模塊、岸邊語音報警模塊和警衛(wèi)室模塊，硬件系統(tǒng)框架如圖1所示：

1） 落水人員檢測模塊：為實(shí)現(xiàn)二十四小時對水域的實(shí)時監(jiān)控，系統(tǒng)采用紅外攝像頭對水面圖像數(shù)據(jù)進(jìn)行實(shí)時采集，并完成在監(jiān)控范圍中人員落水的檢測任務(wù)。

2） 主控制模塊：融合落水人員檢測模塊檢測結(jié)果，對救援船作相應(yīng)的導(dǎo)航路徑規(guī)劃及對岸邊語音報警模塊做對應(yīng)控制，并完成整個水域水面的監(jiān)控畫面融合并在警衛(wèi)室模塊中進(jìn)行實(shí)時顯示。

3） 警衛(wèi)室模塊：實(shí)時顯示整個監(jiān)控水域水面圖像。

4） 岸邊語音報警模塊：當(dāng)接收到主控制模塊發(fā)來信號為水中無人員落入時，處于休眠狀態(tài)，無動作；當(dāng)信號為水中有人員落入時，觸發(fā)語音報警模塊進(jìn)行岸邊語音報警。

5） 救援船模塊：通過無線傳輸模塊，接收主控制模塊發(fā)送的路徑導(dǎo)航信息，根據(jù)導(dǎo)航信息進(jìn)行自主救援任務(wù)，并完成返航過程。

1.2 系統(tǒng)控制流程及難點(diǎn)問題

1.2.1 系統(tǒng)控制流程

該智能控制救生系統(tǒng)的基本思想為：系統(tǒng)首先對待監(jiān)控水面進(jìn)行落水人體檢測，再將檢測到的落水人員信息傳送至主控制模塊，并產(chǎn)生相應(yīng)的救援和報警操作。系統(tǒng)控制流程圖如圖2所示。

其中落水人員檢測是本系統(tǒng)的核心部分，落水人員檢測的最基本問題是找出落水目標(biāo)，進(jìn)而對落水目標(biāo)進(jìn)行人體判斷，最終確定監(jiān)控水域是否存在落水人員，根據(jù)檢測結(jié)果進(jìn)行后續(xù)救援任務(wù)。

1.2.2 落水人體檢測及其難點(diǎn)

目前的落水人體檢測主要參考地面人體檢測方法對人體進(jìn)行識別。在實(shí)際落水人體識別過程中，存在以下幾個難點(diǎn)：

1） 運(yùn)動目標(biāo)的提取

在對落水人體進(jìn)行檢測時，待監(jiān)控水域普遍存在背景復(fù)雜，且易受光照影響使水域出現(xiàn)動態(tài)變化等問題，這些問題會導(dǎo)致前景運(yùn)動目標(biāo)難以提取，因而運(yùn)動目標(biāo)的提取是本系統(tǒng)的一大難點(diǎn)。

2） 倒影與真實(shí)落水目標(biāo)的區(qū)分

人體在岸邊時會在水面產(chǎn)生倒影，而倒影和實(shí)際落水目標(biāo)具有相同的形狀、速度及方向等特征，從而導(dǎo)致倒影與真實(shí)落水目標(biāo)難以區(qū)分，使落水救援工作難以進(jìn)行，故而倒影與真實(shí)落水目標(biāo)的區(qū)分是本系統(tǒng)的另一難點(diǎn)問題。

3） 落水人體的特征提取

落水人體的檢測主要依據(jù)于人體特征。而人體為非剛體，且落水人體應(yīng)對落水情況時的處理方式不同，故而有效選取落水人體特征也是本系統(tǒng)的難點(diǎn)問題。

2 落水人體檢測改進(jìn)算法

基于以上難點(diǎn)，本文提出了一種落水人體檢測方法。該過程包括對水面倒影去除、水面疑似人體的提取和疑似人體目標(biāo)的模式識別與分類三部分。如圖3所示，人員落水檢測具體流程為：

1） 在檢測系統(tǒng)的前端運(yùn)用紅外攝像頭采集監(jiān)控水面圖片；

2） 對采集到的圖片進(jìn)行中值濾波處理，去除噪聲的干擾；

3） 對降噪過的圖片進(jìn)行背景去除，得到運(yùn)動目標(biāo)；

4） 對運(yùn)動目標(biāo)進(jìn)行倒影判斷，得到真實(shí)落水目標(biāo)；

5） 對真實(shí)落水目標(biāo)各特征進(jìn)行提取，使用HOG-SVM算法完成對落水人體和非人體目標(biāo)的識別和分類處理；

6） 輸出人體目標(biāo)識別結(jié)果。

2.1 運(yùn)動目標(biāo)提取

經(jīng)過初始濾波后，為方便后續(xù)計算工作的進(jìn)行，需要對攝像頭采集到的圖片做灰度處理。由第1章中監(jiān)測系統(tǒng)可知，攝像頭相對水域靜止，所以本文檢測屬于靜態(tài)背景下運(yùn)動目標(biāo)檢測，常見的運(yùn)動目標(biāo)檢測方法有光流法、立體視覺分析法、幀間差分法以及背景差分法等[5-7]。參考實(shí)時性要求，又因?yàn)樗虮尘皬?fù)雜，背景建模難度非常大，所以本文采用幀間差分法對水域運(yùn)動目標(biāo)進(jìn)行檢測。幀間差分法如式（1）所示。

[minΔ=x=1Ny=1NIi（x，y）-Ii-1（x，y）] （1）

其中[Ii（x，y）]表示第i幀M×N[M×N]的圖像，min△為第i幀圖像與上一幀圖像灰度值的差分結(jié)果。

差分后的運(yùn)動目標(biāo)輪廓提取過程容易受到噪聲和背景變化的干擾[8]。所以獲得[Δ]后，通過采用形態(tài)學(xué)方法對[Δ]進(jìn)行處理，在去除細(xì)小的差分干擾時，以便得到較完整的運(yùn)動目標(biāo)所對應(yīng)的連通域[Ni（x，y）]。形態(tài)學(xué)方法處理如式（2）所示：

[Nix，y=minΔΔ>TΘS⊕S] （2）

其中S為開運(yùn)算算子，[Θ]為腐蝕運(yùn)算運(yùn)算符，[⊕]為膨脹運(yùn)算運(yùn)算符，[T]為差分閾值。

又因?yàn)閹g差分法易出現(xiàn)空洞，易導(dǎo)致后續(xù)特征提取時特征缺失，而運(yùn)動目標(biāo)周圍背景對目標(biāo)的特征判斷也能提供一定幫助，所以考慮到非運(yùn)動目標(biāo)的作用[9]，本文采用截取最小外接矩形的方式確定運(yùn)動目標(biāo)。即最后在運(yùn)動目標(biāo)的連通域[Ni（x，y）]基礎(chǔ)上求其最小外接矩形，此時外接矩形所在區(qū)域即為運(yùn)動目標(biāo)，處理如式（3）所示：

[Li（x，y）=Ii（x，y）（x，y）∈M] （3）

其中[Li（x，y）]為運(yùn)動目標(biāo)部分，[M]為最小外接矩形。

2.2 倒影檢測

倒影是光照射在平靜的水面上所成的虛像。在水域人體檢測中，倒影的判斷是水域人體檢測中必不可少的一環(huán)。對于一般水域來說，倒影與實(shí)際存在落水情況如圖4所示。

目前倒影檢測方法有基于模糊自適應(yīng)直方圖法以及基于亮度、紋理、視差多特征檢測等方法。前者需借用用毫米波雷達(dá)儀進(jìn)行輔助測量，真實(shí)目標(biāo)有返回值，倒影目標(biāo)無返回值，檢測過程較為復(fù)雜；后者則主要立足于雙目視覺所得三維圖像，處理難度較大[10-11]。如圖4可知，由于實(shí)際落水人員存在不斷運(yùn)動過程，水面附近會持續(xù)存在水花，運(yùn)動目標(biāo)較實(shí)際人體大，并且人體周圍水面紋路較多；而倒影相比于實(shí)體，亮度較低，且周圍無明顯水花。所以基于此特征，提出一種新的倒影檢測方法，用于對2.1中所得運(yùn)動目標(biāo)部分進(jìn)行倒影檢測，流程如下所示：

1） 先進(jìn)行Soble算子邊緣檢測參數(shù)m1，對運(yùn)動目標(biāo)部分進(jìn)行一次邊緣檢測，得到第一次邊緣特征；

2） 再改變Soble算子邊緣檢測參數(shù)m2，對運(yùn)動目標(biāo)部分再進(jìn)行一次邊緣檢測，得到第二次邊緣特征；

3） 由于水紋與水面背景之間的邊緣較真實(shí)人體與水面背景之間的邊緣緩慢，所以改變Soble算子檢測參數(shù)，對運(yùn)動目標(biāo)進(jìn)行檢測后所得的邊緣特征不同，真實(shí)落水目標(biāo)兩次邊緣特征相差較大，所以，對兩次所求邊緣進(jìn)行差分，得到的便是邊緣較緩和的水花或水紋邊緣特征。目標(biāo)表示如式（4），△為圖像邊緣差分差分結(jié)果。

[Δ（m1，m2）=x=1Ny=1M?fm1（x，y）-?fm2（x，y）]

[=x=1Ny=1M?2f?x2+?2f?y2m=m1-?2f?x2+?2f?y2m=m2] （4）

4） 水紋檢測

由于水花邊緣不連續(xù)且繁雜，所以對上式邊緣差分結(jié)果進(jìn)一步做連通域分析，將連通域面積大于A的連通域個數(shù)num作為特征量，送入SVM分類器中進(jìn)行訓(xùn)練分類，此處分類規(guī)則采用線性分類核函數(shù)k（x，y）并以最大邊緣距離為準(zhǔn)，分類結(jié)果T計算公式如式（5）所示：

[T=numk（x，y）=x·y=∑iΔ（m1，m2）k（x，y）=x·ys.t.Δ（m1，m2）≥A] （5）

5） 判定結(jié)果輸出

根據(jù)SVM分類結(jié)果，判斷圖像為倒影或真實(shí)落水目標(biāo)，若該運(yùn)動目標(biāo)部分確為倒影，直接結(jié)束對該運(yùn)動目標(biāo)的檢測，否則則為真實(shí)落水目標(biāo)，并令該運(yùn)動目標(biāo)部分進(jìn)入2.3進(jìn)行進(jìn)一步人體判斷。真實(shí)落水目標(biāo)部分如式（6）所示。

[fi（x，y）=Li（x，y）s.t.Li（x，y）T=1] （6）

2.3 落水人體檢測

目前基于HOG特征的方法在人體檢測方面具有良好的效果，其出色的語義表達(dá)能力使其一直作為各種先進(jìn)檢測算法的重要組成部分[12]，所以本文以HOG+SVM的方法為核心對人體進(jìn)行檢測分類，并應(yīng)實(shí)時性要求，在檢測過程對HOG進(jìn)行改進(jìn)。

人體檢測過程如下所示：

1） 輸入疑似人體目標(biāo)區(qū)域圖像，并對圖像進(jìn)行濾波、灰度化以及Gama校正；

2） 通過式（7）、（8）梯度算子對圖像進(jìn)行計算，獲得每個像素點(diǎn)的水平和垂直方向上的梯度、梯度幅值和梯度方向：

[Gi=Gix2+Giy2=?2fi?x2+?2fi?y2] （7）

[θi（x，y）=arctanGixGiy] （8）

3） 通過式（9）根據(jù)梯度幅值進(jìn)行篩選，去除梯度幅值較小區(qū)域特征量，保留邊緣特征明顯區(qū)域，從而達(dá)到保留主要特征的同時大幅度減少后續(xù)計算數(shù)據(jù)，減少時間，提高計算效率：

[Hi=GiGi≥M30Gi

4） 把窗區(qū)域圖像分割為若干個互不重疊的 8 * 8像素的 cell。由于邊緣梯度方向差 均勻劃分成 9 份，并以各像素點(diǎn)的梯度幅度為權(quán)重，統(tǒng)計各cell 的梯度方向加權(quán)直方圖；

5） 將各個cell組合成大的塊（block），并將各 cell統(tǒng)計到的直方圖相連得到 block 的直方圖向量，并將塊的直方圖向量相連作為待檢測目標(biāo)的HOG特征：

[Bi=iCi] （10）

6） 將提取到的特征量送入SVM分類器，進(jìn)行最終的人體辨識部分。通過一個非線性映射p，把樣本空間映射到一個高維乃至無窮維的特征空間，并最終尋找到一個超平面對落水人體與非人體目標(biāo)進(jìn)行區(qū)分。

3 實(shí)驗(yàn)分析

3.1實(shí)驗(yàn)過程

如圖5所示，為了驗(yàn)證本文所提出的落水人體檢測算法的效果性能，本文以岸邊倒影、水面觀賞湖鴨以及游泳館模擬人體溺水三類視頻進(jìn)行了仿真研究，實(shí)驗(yàn)過程如下所示：

1） 預(yù)處理：對視頻圖像中幀圖像進(jìn)行中值濾波、灰度轉(zhuǎn)換操作；

2） 運(yùn)動目標(biāo)提?。豪?.1中所述方法對圖像進(jìn)行幀間差分、形態(tài)學(xué)處理、取最小外接矩形以及提取運(yùn)動目標(biāo)操作；

3） 倒影檢測：利用2.2中所述方法，選取Soble算子檢測參數(shù)，對運(yùn)動目標(biāo)進(jìn)行兩次邊緣檢測，并求差分后送入SVM分類器中進(jìn)行倒影檢測，完成倒影與真實(shí)落水目標(biāo)的分類，將真實(shí)落水目標(biāo)出送入后續(xù)人體檢測處理部分；

4） 人體檢測：利用2.3中所述方法，對整個水域有無落水人員檢測進(jìn)行檢測，并最終輸出人體檢測結(jié)果。

3.2 實(shí)驗(yàn)結(jié)果

3.2.1 倒影檢測

此處以圖5中兩張待檢測圖像為例，進(jìn)行倒影檢測結(jié)果顯示。其中，圖6為倒影檢測實(shí)驗(yàn)過程圖，圖7為SVM倒影檢測分類結(jié)果圖，其中類別1為真實(shí)落水目標(biāo)，2為人體倒影。

3.2.2 人體檢測

以在將倒影目標(biāo)除去后的真實(shí)落水目標(biāo)圖像（泳池模擬溺水人員、觀賞湖鴨）為例，采用2.3人體檢測方法對落水目標(biāo)進(jìn)行落水人體檢測實(shí)驗(yàn)，檢測分類結(jié)果如圖8所示。

3.2.3 實(shí)驗(yàn)精度

同時為了避免隨機(jī)性的影響，本文對三類視頻中500幀水面圖像進(jìn)行了檢測，檢測結(jié)果如表1所示。

實(shí)驗(yàn)證明，由于水中倒影的存在，本文提出的倒影檢測方法能消除倒影誤檢并準(zhǔn)確檢測出真實(shí)落水目標(biāo)，其中對落水人員的檢測正確率為98.2%，保證了落水人員檢測的精度，更有利于水面救生后續(xù)工作的進(jìn)行。

4 結(jié)論

本文以水域落水人員為對象，針對目前水域救生存在的無落水人體檢測先驗(yàn)知識、檢測效率低的現(xiàn)狀，提出了一種基于倒影圖像檢測的水域落水人員判斷方法，該方法以水面倒影檢測算法為核心對真實(shí)落水目標(biāo)進(jìn)行檢測，同時采用HOG-SVM方法對真實(shí)落水目標(biāo)進(jìn)行落水人員識別，并通過大量實(shí)驗(yàn)證實(shí)了本文所提出算法在水域救生方面的準(zhǔn)確性及其可行性。

其中，倒影檢測算法是本文的核心，它彌補(bǔ)了傳統(tǒng)人體檢測算法忽略與人體相似背景的影響。它能夠較為便捷準(zhǔn)確的區(qū)分水面倒影與真實(shí)落水目標(biāo)，進(jìn)而對二者進(jìn)行區(qū)分。從而便于后續(xù)HOG-SVM方法對真實(shí)落水目標(biāo)中落水人體的檢測，最終達(dá)到了對水域中落水人員檢測可靠性的保障，對實(shí)際水面救生實(shí)施具有一定指導(dǎo)意義。

參考文獻(xiàn)：

[1] 張進(jìn)峰，劉永森，牟軍敏， 等.庫區(qū)水上應(yīng)急救助設(shè)施多因素P-median選址模型[J].中國安全科學(xué)學(xué)報，2016，26（11）：163-168.

[2] 肖紅，施楣梧.水上個體救生具的概念、種類和結(jié)構(gòu)分析[J].中國安全科學(xué)學(xué)報，2003（12）：42-46+100.

[3] 徐峻楠，魏崗，杜輝，等.一種新型潛航器應(yīng)急救生裝置——爆漲式氣囊工作原理初探[J].船電技術(shù)，2018，38（02）：8-12+17

[4] 曹忠亮，張旭亮，胡佳偉，等.一種彈射救生裝置的設(shè)計與分析[J].齊齊哈爾大學(xué)學(xué)報：自然科學(xué)版，2016，32（02）：70-72.

[5] XIA Y Q，NING S H ，SHEN H. Moving targets detection algorithm Based on background subtraction and frames subtraction[C]//Proc of the 2nd International Conference on Industrial Mechatronics and Automation. Wuhan，China，2010：122-125.

[6] WANG Z Y，XU H，SUN L F，et al. Background subtraction in dynamic scenes with adaptive spatial fusing[C]//2009 IEEE International Workshop on Multimedia Signal Processing. Rio de Janeiro，Brazil，2009：1-6.

[7] LI W，WU X J，MATSUMOTO K，et al. Foreground detection Based on optical flow and background subtract[C]//InternationalConference on Communications，Circuits and Systems. Chengdu，China，2010：359-362.

[8] 胡瓊，秦磊，黃慶明.基于視覺的人體動作識別綜述[J].計算機(jī)學(xué)報，2013，36（ 12）：2512-2524.

[9] 張杰，吳劍章，湯嘉立，等.基于時空圖像分割和交互區(qū)域檢測的人體動作識別方法[J].計算機(jī)應(yīng)用研究，2017，34（01）：302-305+320.

[10] 劉茜. 水面移動機(jī)器人目標(biāo)檢測與定位方法研究[D].沈陽理工大學(xué)，2013.

[11] 徐棟. 基于多特征融合的復(fù)雜野外環(huán)境下水體障礙物的檢測[D].浙江工商大學(xué)，2007.

[12] 劉保真，蘇衛(wèi)華，陳卓，等.傷員搜尋任務(wù)中人體的視覺檢測方法研究[J].醫(yī)療衛(wèi)生裝備，2017，38（2）：118-121.

[通聯(lián)編輯：唐一東]