一種基于目標分塊的建筑活動板房識別方法

楊文明+孫大任+李得第+謝正偉

【摘 要】 活動板房作為施工過程中的標志建筑，若能對其進行準確識別，將有助于提升施工智能監控系統的性能。本文針對建筑工地目標復雜，光照，遮擋等因素多的特點，提出一種基于目標分塊的建筑活動板房識別方法。算法將板房分為房頂，墻體與窗體三部分，首先在監控場景圖中檢測藍色房頂區域，通過形態學操作與外接矩形計算，自適應獲取板房墻體的候選區域。然后對候選區進行局部閾值處理，腐蝕處理與連通域檢測，得到板房窗體中心點集合。再通過窗體縱坐標直方圖統計與滑窗求和，判別是否為板房。實驗表明，該法對光照，角度，尺度有一定的魯棒性，對墻體清楚的活動板房有較高的識別率，達到了83.0%。

【關鍵詞】 板房檢測 ?目標分塊 ?形態學處理

1 引言

國土監察對打擊違法侵占國有土地的行為，切實保障國有儲備土地的安全有重要的作用。然而現有的監察方法多是通過人工來周期性或不定時的進行巡查，這樣不僅會耗費巨大的人力、財力及物力，對邊遠地區的土地也難以做到實時監管，同時還存在著監察區域狹小等問題。

隨著計算機視覺[1]的不斷發展，諸多使用攝像頭進行智能監控的嘗試也應運而生。目前的智能監控多是根據施工過程的特點及建筑工地中標志性物體進行分析，Ehsan Rezazadeh Azar[2]等人通過檢測液壓挖掘機來判別施工活動，J.Teizer， P.A.Vela[3]等人通過追蹤工地上的人員來分析施工行為，A.Peddi等人[4]通過人物姿態分析實時判定施工活動。

以上研究中的檢測對象多是施工人員，施工工具及地表變化，關于施工過程中標志性建筑的檢測卻很少。觀察國內的施工過程可以發現，工程開展初期，往往要先搭建起活動板房，以供施工人員住宿使用。因此，若能準確識別出監控區域中是否存在板房，無疑對整個系統性能的提升有很大幫助。

但實際視頻中，由于光照，角度，尺度的劇烈變化，使用單一特征很難界定什么是板房。因此，本文針對通用活動板房的特點，提出了一種基于目標分塊的板房檢測方法。該法通過對可疑區域進行圖像切塊，將板房分割為房頂，窗體及墻身三部分，利用顏色，結構，方向等信息，通過分析各塊的特點及塊與塊間的關系，對板房進行識別。因為較多的利用相對信息，此法對光照，角度，尺度有很好的魯棒性，可以實現板房的精確檢測，如圖1所示。

2 特征提取

由于尺度，角度的影響，不同視頻中板房呈現出的姿態千差萬別，因此很難獲取普適的整體特征，對板房進行描述。

然而，通用的板房存在著固有的結構信息，由于結構是相對的，不管視頻間的差異有多大，同一視頻中的板房，各部分間的關系仍保持穩定。本文提出的算法便是基于這種特性的。

2.1 目標切塊

算法的第一步是對可疑目標進行分塊，然后根據先驗知識，利用塊與塊間的聯系，對每一塊進行識別。

分塊的目的在于克服不同場景中板房尺度，角度的差異給分類器帶來的影響。

對板房來說，房頂和墻身在色度，紋理上具有顯著的差異。但單純依據這兩者進行識別，很難取得理想的效果。由于窗體與墻體間有穩定的位置關系，而窗體的方向與房頂的方向也有很強的相關性，因此算法將板房分割為房頂，墻面，窗體三部分，如圖2所示。

2.2 房頂檢測與板房提取

相對于場景中的其它物體，活動板房的房頂區域在顏色上有顯著的特征，可以作為目標提取的依據。

算法在HSV空間上進行房頂檢測。HSV是一種比較直觀的顏色模型，便于選取合適的顏色閾值。對人工截取的房頂樣本進行顏色分布統計[5]，得到的統計結果為：H空間分布在[170，240]之間，V空間分布在[0.6，1]之間。

因為在光照不是很極端的情況下，板房的房頂與墻面的顏色有很大的區別，寬泛的閾值就足以精確的區分兩者。而房頂與墻面的分界線被清楚的檢測出之后，后續的房頂角度檢測就不會受到太大的影響。

檢測到房頂候選區后，對候選區做形態學處理。具體上，先進行連通域檢測，排除較小的連通域，以去除明顯不是房頂的區域。之后再進行閉運算，以連接檢測結果中的斷點。

形態學處理后，得到較為完整的房頂區域。對該區域求取最小外接矩形，可以獲得板房屋頂的高，寬，屋頂最小外接矩形的中心和旋轉角度。

板房墻體的大小可以根據房頂信息進行自適應搜索：

（式2.2.1 ）

（式2.2.2 ）

（式2.2.3 ）

（式2.2.4 ）

（式2.2.5 ）

其中板房墻體外接矩形的中心，，為板房墻體外接矩形的高與寬，為墻體的旋轉角度，為自定義的放大尺度，如圖3，圖4所示。

獲取墻體區域后，由于實際應用中的板房墻體大多會包含一些旋轉，這會給后續程序帶來干擾，因此需要對獲取到的墻體進行反旋轉處理。

由于已經獲得房頂的旋轉角度，墻體與房頂必定是平行的，因此將ROI中的圖片按反旋轉，即可提取出正面無旋轉的墻體。

2.3 窗體檢測

2.3.1 自適應閾值操作

對2.2中得到的墻體候選圖進行自適應的閾值操作，二值化公式為：

（式2.3.1.1）

為閾值化后的二值圖，為原灰度圖。為閾值，為符號函數。

通過計算鄰域內均值得到：

（式2.3.1.2）

為以為中心的鄰域內的像素值，N為鄰域內像素總數。

2.3.2 腐蝕

腐蝕操作的定義為：

（式2.3.2.1）

其中為腐蝕后的圖像，為自定義的結構元素[6]。

該處進行腐蝕的目的是消除除窗體與墻面的粘連，以獲得獨立的窗戶，便于精確檢測其輪廓。算法使用的結構元素為大小的矩形小塊。endprint

2.3.3 輪廓檢測與最小外接矩形

對腐蝕后的二值圖進行輪廓檢測，得到輪廓集合，對該集合中的每一個元素計算其最小外接矩形，得到矩形集合Rect。對Rect中的元素進行篩選，篩選的條件如下：

（式2.3.3.1）

（式2.3.3.2）

其中為集合中的元素，表示外接矩形的寬，表示外接矩形的高，表示連通域的面積，為人為設定的比例系數。最后，取篩選后的矩形中心得到最終的窗體集合，如圖5所示。

2.4 板房判定

依據房頂傾斜角度旋轉后的板房，窗戶排列近似為一條水平線。因此可以統計Window中元素縱坐標的直方圖，若為板房，則直方圖中的點應該會集中分布在某幾個區域，且每個區域點數占總點數的比例應大于某一閾值。

對獲取的直方圖進行滑窗計數，窗體寬度d決定了檢測的精度。當滑窗內點數和超過總點數一定比例后，即可判定存在平行的窗體，也就是判定為板房，如圖6所示。

3 實驗結果與分析

在自建的施工工地監控數據庫上，使用本文提出的算法進行活動板房識別。數據庫中圖片大致可分為4類：

（1）板房墻體清晰，每個板房房頂較獨立。

（2）板房墻體清晰，但多個房頂相互粘連。

（3）墻體模糊。

（4）無板房。

識別結果如表1所示。

對多數窗體朝向正面，同一圖片中板房分布相對獨立的樣本，算法有很好的識別率，實際應用中能達到83.0%。但對圖片中板房分布擁擠，房頂互相粘連的情況，識別率會顯著下降，同時漏警率大大上升。這是由于房頂粘連導致對墻體大小和位置的估計失準，使算法未能工作在設想的狀態下。

實際應用中，由于系統的實時監控性以及板房建設需要有一定過程，板房大多只會以單個或兩個的形式出現，突然出現大量板房的概率很低，因此對單個板房的識別率將主導系統的性能。雖然算法在房頂粘連的情況下表現不佳，但在實際的監控場景下仍可以正常工作。

而由于場景中的其它物體與活動板房特征有較大的區別，算法虛警率很低，如圖7所示。

4 結語

本文提出一種基于目標分塊的建筑活動板房識別方法，算法依據先驗知識將目標切分為三塊，運用色度分析，形態學處理，連通域分析及直方圖統計等方法，著重研究不同塊之間的相對信息，以提升識別率，克服不同監控場景中尺度，角度的干擾。算法在自建的數據庫上，在圖片中各板房獨立分布的情況下取得了83.0%的識別率，且虛警較低，可以滿足一般監控的需求。

對房頂粘連導致識別率顯著下降的情況，由于實際使用時是實時監控，同時出現大量板房的幾率很小，因此不會大幅度影響系統的性能。該部分的改進重點將落在房頂連通域檢測上面，作為日后的研究方向。

參考文獻：

[1]Vernon D.Machine vision-Automated visual inspection and robot vision[J].NASA STI/Recon Technical Report A，1991，92： 40499.

[2]Rezazadeh Azar E，McCabe B.Part based model and spatial–temporal reasoning to recognize hydraulic excavators in construction images and videos[J].Automation in construction， 2012，24：194-202.

[3]Teizer J，Vela P A.Personnel tracking on construction sites using video cameras[J].Advanced Engineering Informatics，2009， 23（4）：452-462.

[4] Peddi A，Huan L，Bai Y，et al.Development of human pose analyzing algorithms for the determination of construction productivity in real-time[C]//Construction Research Congress， ASCE， Seattle，WA.2009：11-20.

[5]郭煒強.基于運動特征的林火煙霧圖像檢測技術研究[D].北京林業大學，2012.

[6]Gonzalez R C，Woods R E.Digital image processing[J].2002.endprint

2.3.3 輪廓檢測與最小外接矩形

對腐蝕后的二值圖進行輪廓檢測，得到輪廓集合，對該集合中的每一個元素計算其最小外接矩形，得到矩形集合Rect。對Rect中的元素進行篩選，篩選的條件如下：

（式2.3.3.1）

（式2.3.3.2）

其中為集合中的元素，表示外接矩形的寬，表示外接矩形的高，表示連通域的面積，為人為設定的比例系數。最后，取篩選后的矩形中心得到最終的窗體集合，如圖5所示。

2.4 板房判定

依據房頂傾斜角度旋轉后的板房，窗戶排列近似為一條水平線。因此可以統計Window中元素縱坐標的直方圖，若為板房，則直方圖中的點應該會集中分布在某幾個區域，且每個區域點數占總點數的比例應大于某一閾值。

對獲取的直方圖進行滑窗計數，窗體寬度d決定了檢測的精度。當滑窗內點數和超過總點數一定比例后，即可判定存在平行的窗體，也就是判定為板房，如圖6所示。

3 實驗結果與分析

在自建的施工工地監控數據庫上，使用本文提出的算法進行活動板房識別。數據庫中圖片大致可分為4類：

（1）板房墻體清晰，每個板房房頂較獨立。

（2）板房墻體清晰，但多個房頂相互粘連。

（3）墻體模糊。

（4）無板房。

識別結果如表1所示。

對多數窗體朝向正面，同一圖片中板房分布相對獨立的樣本，算法有很好的識別率，實際應用中能達到83.0%。但對圖片中板房分布擁擠，房頂互相粘連的情況，識別率會顯著下降，同時漏警率大大上升。這是由于房頂粘連導致對墻體大小和位置的估計失準，使算法未能工作在設想的狀態下。

實際應用中，由于系統的實時監控性以及板房建設需要有一定過程，板房大多只會以單個或兩個的形式出現，突然出現大量板房的概率很低，因此對單個板房的識別率將主導系統的性能。雖然算法在房頂粘連的情況下表現不佳，但在實際的監控場景下仍可以正常工作。

而由于場景中的其它物體與活動板房特征有較大的區別，算法虛警率很低，如圖7所示。

4 結語

本文提出一種基于目標分塊的建筑活動板房識別方法，算法依據先驗知識將目標切分為三塊，運用色度分析，形態學處理，連通域分析及直方圖統計等方法，著重研究不同塊之間的相對信息，以提升識別率，克服不同監控場景中尺度，角度的干擾。算法在自建的數據庫上，在圖片中各板房獨立分布的情況下取得了83.0%的識別率，且虛警較低，可以滿足一般監控的需求。

對房頂粘連導致識別率顯著下降的情況，由于實際使用時是實時監控，同時出現大量板房的幾率很小，因此不會大幅度影響系統的性能。該部分的改進重點將落在房頂連通域檢測上面，作為日后的研究方向。

參考文獻：

[1]Vernon D.Machine vision-Automated visual inspection and robot vision[J].NASA STI/Recon Technical Report A，1991，92： 40499.

[2]Rezazadeh Azar E，McCabe B.Part based model and spatial–temporal reasoning to recognize hydraulic excavators in construction images and videos[J].Automation in construction， 2012，24：194-202.

[3]Teizer J，Vela P A.Personnel tracking on construction sites using video cameras[J].Advanced Engineering Informatics，2009， 23（4）：452-462.

[4] Peddi A，Huan L，Bai Y，et al.Development of human pose analyzing algorithms for the determination of construction productivity in real-time[C]//Construction Research Congress， ASCE， Seattle，WA.2009：11-20.

[5]郭煒強.基于運動特征的林火煙霧圖像檢測技術研究[D].北京林業大學，2012.

[6]Gonzalez R C，Woods R E.Digital image processing[J].2002.endprint

2.3.3 輪廓檢測與最小外接矩形

對腐蝕后的二值圖進行輪廓檢測，得到輪廓集合，對該集合中的每一個元素計算其最小外接矩形，得到矩形集合Rect。對Rect中的元素進行篩選，篩選的條件如下：

（式2.3.3.1）

（式2.3.3.2）

其中為集合中的元素，表示外接矩形的寬，表示外接矩形的高，表示連通域的面積，為人為設定的比例系數。最后，取篩選后的矩形中心得到最終的窗體集合，如圖5所示。

2.4 板房判定

依據房頂傾斜角度旋轉后的板房，窗戶排列近似為一條水平線。因此可以統計Window中元素縱坐標的直方圖，若為板房，則直方圖中的點應該會集中分布在某幾個區域，且每個區域點數占總點數的比例應大于某一閾值。

對獲取的直方圖進行滑窗計數，窗體寬度d決定了檢測的精度。當滑窗內點數和超過總點數一定比例后，即可判定存在平行的窗體，也就是判定為板房，如圖6所示。

3 實驗結果與分析

在自建的施工工地監控數據庫上，使用本文提出的算法進行活動板房識別。數據庫中圖片大致可分為4類：

（1）板房墻體清晰，每個板房房頂較獨立。

（2）板房墻體清晰，但多個房頂相互粘連。

（3）墻體模糊。

（4）無板房。

識別結果如表1所示。

對多數窗體朝向正面，同一圖片中板房分布相對獨立的樣本，算法有很好的識別率，實際應用中能達到83.0%。但對圖片中板房分布擁擠，房頂互相粘連的情況，識別率會顯著下降，同時漏警率大大上升。這是由于房頂粘連導致對墻體大小和位置的估計失準，使算法未能工作在設想的狀態下。

實際應用中，由于系統的實時監控性以及板房建設需要有一定過程，板房大多只會以單個或兩個的形式出現，突然出現大量板房的概率很低，因此對單個板房的識別率將主導系統的性能。雖然算法在房頂粘連的情況下表現不佳，但在實際的監控場景下仍可以正常工作。

而由于場景中的其它物體與活動板房特征有較大的區別，算法虛警率很低，如圖7所示。

4 結語

本文提出一種基于目標分塊的建筑活動板房識別方法，算法依據先驗知識將目標切分為三塊，運用色度分析，形態學處理，連通域分析及直方圖統計等方法，著重研究不同塊之間的相對信息，以提升識別率，克服不同監控場景中尺度，角度的干擾。算法在自建的數據庫上，在圖片中各板房獨立分布的情況下取得了83.0%的識別率，且虛警較低，可以滿足一般監控的需求。

對房頂粘連導致識別率顯著下降的情況，由于實際使用時是實時監控，同時出現大量板房的幾率很小，因此不會大幅度影響系統的性能。該部分的改進重點將落在房頂連通域檢測上面，作為日后的研究方向。

參考文獻：

[1]Vernon D.Machine vision-Automated visual inspection and robot vision[J].NASA STI/Recon Technical Report A，1991，92： 40499.

[2]Rezazadeh Azar E，McCabe B.Part based model and spatial–temporal reasoning to recognize hydraulic excavators in construction images and videos[J].Automation in construction， 2012，24：194-202.

[3]Teizer J，Vela P A.Personnel tracking on construction sites using video cameras[J].Advanced Engineering Informatics，2009， 23（4）：452-462.

[4] Peddi A，Huan L，Bai Y，et al.Development of human pose analyzing algorithms for the determination of construction productivity in real-time[C]//Construction Research Congress， ASCE， Seattle，WA.2009：11-20.

[5]郭煒強.基于運動特征的林火煙霧圖像檢測技術研究[D].北京林業大學，2012.

[6]Gonzalez R C，Woods R E.Digital image processing[J].2002.endprint