顏廷良

南京南瑞信息通信科技有限公司，江蘇 南京 210000

0 引言

考慮到電力生產(chǎn)作業(yè)是集危險(xiǎn)性和復(fù)雜性為一體的工作，其中的多數(shù)生產(chǎn)環(huán)節(jié)都會(huì)產(chǎn)生危險(xiǎn)[1-2]。例如，對(duì)電力機(jī)械實(shí)施高壓試驗(yàn)時(shí)，應(yīng)對(duì)現(xiàn)場(chǎng)施工人員與機(jī)械兩者的間距加以嚴(yán)控。另外，鑒于當(dāng)前電力施工場(chǎng)所多采取人為監(jiān)護(hù)的模式，容易受到外界各類因素的干擾，如果監(jiān)護(hù)人員的專注力不足，將出現(xiàn)安全問(wèn)題，甚至造成安全事件。為此，文章研究依托機(jī)器人設(shè)施實(shí)施安全監(jiān)控，借助機(jī)器人設(shè)施加以監(jiān)視，以大幅提升安全性。該研究的核心思路是讓擁有自主導(dǎo)航能力的機(jī)器人搭載視頻監(jiān)控作業(yè)設(shè)備，通過(guò)現(xiàn)場(chǎng)采集圖像的方式來(lái)識(shí)別作業(yè)人員是否存在不安全行為。

1 HOG特征提取

方向梯度直方圖（HOG）特征提取技術(shù)是借助軟件配置管理（SCM）技術(shù)對(duì)動(dòng)作加以甄別和分類。根據(jù)電力現(xiàn)場(chǎng)施工的特征可知，應(yīng)當(dāng)對(duì)分類設(shè)施加以練習(xí)，為此應(yīng)增添恰當(dāng)比重的電力市場(chǎng)施工樣本，從而有效提升現(xiàn)場(chǎng)檢測(cè)的準(zhǔn)確性[3]。同時(shí)，在完全幀檢測(cè)結(jié)束后，需要采用OpenCV圖像處理技術(shù)明確警戒區(qū)域和警戒線，并借此分析作業(yè)人員所處的區(qū)域。

（1）對(duì)輸入影像的灰度進(jìn)行處置。輸入的影像資料為RGB格式，不過(guò)HOG特征期間無(wú)須圖片的彩色相關(guān)數(shù)據(jù)。為此，將圖像轉(zhuǎn)變?yōu)槠渌袷?，如XYZ立體圖片，從而降低工作的難度，提高工作效率。

（2）可以采用Gamma校正法來(lái)完成對(duì)圖片顏色空間的歸一，即調(diào)節(jié)和優(yōu)化對(duì)比度，以減少光照或者局部陰影對(duì)圖像數(shù)據(jù)產(chǎn)生的影響。

（3）對(duì)圖像梯度進(jìn)行計(jì)算。在應(yīng)用HOG算法的過(guò)程中，應(yīng)當(dāng)核算圖像的梯度。例如，應(yīng)當(dāng)核算圖像的垂直梯度數(shù)值與水平梯度數(shù)值。

縱向梯度值屬于Gy(x,y)=H(x,y+1)-H(x,y-1)像素點(diǎn)(x,y)處的梯度幅值，即

則梯度方向角為

（4）Cell單元格分割。操作人員需將圖像分成諸多單獨(dú)的互相不交錯(cuò)的Cell單元格，其中，應(yīng)當(dāng)保證所有Cell單元格的規(guī)格占據(jù)8×8個(gè)像素，這是HOG特性檢驗(yàn)的最低單位。

（5）建立Cell單元梯度方向?yàn)橹狈綀D。

（6）構(gòu)建8×8的Cell單元格。要求將Cell單元格均勻地劃定成12份，即劃分成12處bin塊，這種情況下所有的bin塊均占30°。將第三步的每個(gè)像素的梯度依照雙線性內(nèi)插的方式投影到歸屬于本身的bin塊中，每個(gè)加權(quán)投影數(shù)值便是第三步所得到的梯度幅值。梯度方向塊劃分如圖1所示。

圖1 梯度方向塊劃分

（7）塊（block）內(nèi)歸一化梯度方向直方圖。需要將所有位置的Cell單元格連為整體的塊，然后在塊的中心逐漸組成歸一化梯度直方圖。在這個(gè)過(guò)程中，應(yīng)當(dāng)深入剖析對(duì)光照與陰影狀況產(chǎn)生作用的關(guān)鍵要素。需要注意的是，部分像素被某些Cell單元格共同使用，并且在開(kāi)始?jí)K歸一化的過(guò)程中，部分Cell單元格的性能會(huì)被反復(fù)應(yīng)用。另外，HOG特性表述符便是塊歸一化之后的內(nèi)容。

（8）形成特征向量。將上述過(guò)程中所形成的HOG特征描述符加以梳理，進(jìn)而形成諸多圖像的特性向量。

2 人員闖入檢測(cè)算法

人員闖入檢測(cè)算法依托于OpenCV技術(shù)，屬于一種比較典型的圖像處理技術(shù)。通常來(lái)說(shuō)，相關(guān)人員根據(jù)流程將其劃分成兩個(gè)區(qū)域，即警戒區(qū)域和非警戒區(qū)域[4]。在計(jì)算期間，通過(guò)采取漫水填充算法進(jìn)一步得到與原視頻幀數(shù)統(tǒng)一的掩膜圖形。警戒區(qū)域呈現(xiàn)為白色，非警戒區(qū)域則呈現(xiàn)為黑色。掩膜圖形是評(píng)判電力現(xiàn)場(chǎng)工作者有無(wú)處在警戒范圍中的關(guān)鍵性指標(biāo)之一。此外，還需全面地考量多方面的干擾性因素。例如，需要利用分析識(shí)別點(diǎn)在掩膜圖形中的坐標(biāo)點(diǎn)來(lái)鎖定人員方位，換而言之，倘若識(shí)別點(diǎn)的像素值處在原點(diǎn)，即(0,0)處，則在非警戒范圍中，而倘若識(shí)別點(diǎn)的坐標(biāo)值為(255,255,255)，處在警戒范圍中。人員闖入示意圖如圖2所示。

圖2 人員闖入示意圖

在完全幀的背景下，檢驗(yàn)出人員有關(guān)數(shù)據(jù)，且以長(zhǎng)方形框代表辨識(shí)點(diǎn)的辨識(shí)點(diǎn)。由于檢測(cè)得到的長(zhǎng)方形框大于個(gè)體的面積，而文章將矩形框的1/4長(zhǎng)與者寬來(lái)比作人體實(shí)際大小的誤差值，所以將矩形框的長(zhǎng)設(shè)為x，寬設(shè)為y。使用A、B、C、D 4個(gè)識(shí)別點(diǎn)模擬人們是否進(jìn)入警戒區(qū)，如圖3所示，在警戒區(qū)內(nèi)存在一處識(shí)別點(diǎn)則表示有人闖入。

圖3 人員檢測(cè)矩形框

3 試驗(yàn)

3.1 SVM分類器訓(xùn)練

訓(xùn)練的運(yùn)行條件為VS2017+OpenCV2.4.1。SVM類別劃分設(shè)備所參與的訓(xùn)練便是INRIA樣本集。其中，包含正樣本和負(fù)樣本圖像，數(shù)量分別為2 416張和1 218張。此次訓(xùn)練的基本流程概括如下：首先，相關(guān)人員要求獲取正樣本和負(fù)樣本，利用正樣本HOG特征和負(fù)樣本HOG特征，再整合儲(chǔ)存其主要的HOG特征。其次，相關(guān)人員需適時(shí)調(diào)節(jié)SVM參數(shù)，才能開(kāi)展訓(xùn)練工作，從而獲得SVM分類器。同時(shí)，有效載入亟待檢測(cè)的相關(guān)圖像，采取新獲取的分類器提供精細(xì)化檢查。如果準(zhǔn)確率處在標(biāo)準(zhǔn)值范圍，需進(jìn)一步儲(chǔ)存結(jié)果；如果準(zhǔn)確率與期望值不相匹配，則退回上個(gè)過(guò)程，獲取誤檢地區(qū)的圖像，將其作為主要的負(fù)樣本，對(duì)分類設(shè)施再次進(jìn)行訓(xùn)練。提取誤檢位置的圖像，將其當(dāng)作關(guān)鍵的負(fù)樣本，再基于INRIA（行人數(shù)據(jù)集）樣本集加以練習(xí)，最后獲取到SVM類別劃分設(shè)備。

3.2 試驗(yàn)結(jié)果

檢測(cè)人員利用上述有關(guān)流程對(duì)電力作業(yè)現(xiàn)場(chǎng)的圖像數(shù)據(jù)展開(kāi)檢測(cè)，獲取檢測(cè)結(jié)果。分類器對(duì)人員資料信息的檢查狀況，筆者用綠色框進(jìn)行標(biāo)記，按照這種操作出現(xiàn)了部分誤檢的綠色框。由此可以判定，該檢測(cè)信息的精準(zhǔn)度有待考察。針對(duì)這一情況，為了進(jìn)一步提高精確率，要求相關(guān)人員對(duì)所有圖像展開(kāi)檢測(cè)，最終保證精確率超過(guò)76%。

由于該檢測(cè)設(shè)備主要應(yīng)用在電力作業(yè)現(xiàn)場(chǎng)，容易受到環(huán)境因素的影響，為了有效提升設(shè)備的精確率，可以將誤檢測(cè)結(jié)果放入樣本進(jìn)行集中訓(xùn)練，從而得到相應(yīng)的分類區(qū)，在電力現(xiàn)場(chǎng)作業(yè)中，這些分類區(qū)的魯棒性較好。因此，可以將誤檢區(qū)域圖像進(jìn)行截取，共截取圖像200張，集中到負(fù)樣本中進(jìn)行反復(fù)訓(xùn)練，最終得到了第3.1節(jié)的分類器。經(jīng)再次檢測(cè)，沒(méi)有出現(xiàn)誤差。對(duì)50個(gè)場(chǎng)景圖形進(jìn)行檢測(cè)，圖像中都只有人體。經(jīng)過(guò)最終的統(tǒng)計(jì)分析得出該檢測(cè)方式的準(zhǔn)確度高達(dá)90%以上。

4 結(jié)束語(yǔ)

綜上所述，文章結(jié)合實(shí)際情況對(duì)電力現(xiàn)場(chǎng)作業(yè)過(guò)程中存在的安全監(jiān)督問(wèn)題展開(kāi)了分析和研究。為了有效提升現(xiàn)場(chǎng)作業(yè)人員的安全，需要對(duì)作業(yè)人員的位置進(jìn)行圖像識(shí)別。文章所提檢測(cè)方式的精準(zhǔn)度在90%以上，但是若檢測(cè)對(duì)象未完全顯露，則會(huì)降低檢測(cè)的精準(zhǔn)度。同時(shí)，人的身體和固定物體的相對(duì)位置也會(huì)改變，即目標(biāo)的姿態(tài)改變。對(duì)此，該方法可根據(jù)語(yǔ)義模型不斷改進(jìn)提取相對(duì)位置信息的方法來(lái)進(jìn)行檢測(cè)調(diào)整。