張健華 劉海萍 李 鋒
(廣東交通職業技術學院 廣州 510650)
近五年,我國高危作業事故頻發,一旦發生事故將帶來巨大的經濟損失和人員傷亡[1~3]。目前,業界一般采用射頻器對作業人員打卡考勤,因作業區域較大,定位精度十分有限[4~5],嚴重影響人員救援效率。如何準確把握事故現場人員信息和具體位置,對事故救援和人員搜索起到重要作用[6]。
文章設計人臉識別定位管理系統,結合傳感模塊標簽安全帽實現身份識別和數據定位的融合。首先,基利用小波分析的改進HOG 特征提取算法對施工人員進行臉部識別;其次,基于RSSI 受信號強度對佩戴傳感標簽的安全帽施工人員進行精確定位。
人臉各個器官形態、位置、大小和結構的差異使得每張臉千差萬別,只要對這些器官結構進行幾何描述,便可以作為人臉識別的特征點。然而傳統特征點提取算法容易受到視角、表情、光照等因素影響識別效率。
HOG 是一種對物體進行檢測的特征描算法,其通過統計圖像局部區域內的HOG 來構成特征[7~8]。目前業界將HOG 算法用于人臉特征提取,對臉部圖像采集中亮度變化、噪聲、不同視角有相當高的容忍度[9~10]。HOG 算法復雜,為提高算法效率,每個像素點梯度方向和幅值大小只考慮其垂直和水平方向上4 個像素點的影響,而忽略了其對角線上4 個像素點幅值大小和梯度方向發生變化時的影響[11~12],在某些特定條件下會導致誤識別或無法識別。
文章提出一種基于小波分析的改進HOG 特征提取算法,利用離散的正交、雙正交小波變換對人臉圖像進行分解得到多張逼近子圖,水平、垂直以及對角線上8 個像素點對子圖降維并進行傅里葉變換提取特征值。
新算法將臉部影響通過分辨率像素分為塊。假設像素點為f(x,y),其周圍8個像素點的梯度幅值為f(xi,yi),i=1.2,…8,見圖1。

圖1 改進HOG梯度像素圖
設Gx(x)、Gy(x)、H(xi)分別為點f(x,y)處水平方向、垂直方向和像素值,有

則點f(xi,yi)的梯度向量為

梯度向量中包含了局部灰度的變化信息,其梯度幅度為


根據式(3)對梯度幅度函數e(x,y)伸縮和平移:為小波函數,a 為尺度因子,b 為平移因子。為有利于特征點提取,應在不丟失信號信息前提下盡量減少小波變換系數的冗余度,此時應將小波函數尺度按冪級數進行離散化。

從而像素點為f(x,y)t對應的離散小波變換為

文章利用梯度幅值生成的離散小波方法對人臉圖像進行分解得到多幅逼近子圖和細節子圖,水平、垂直以及對角線上8 個像素點對子圖降維并進行傅里葉變換提取特征值,再對特征進行分類和識別。
設H0(ω)和H1(ω)分別為h0與h1的傅里葉變換,則:

則二尺度方程的頻域為

其中φ(ω)和φ(ω)分別為φ(t)與φ(t)的傅里葉變換。根據傅里葉變換幅值,采用直方圖方式統計傅里葉梯度信息,從而確定像素點f(x,y)的直方圖,最后對直方圖縱坐標值量化后得到特征點參數,納入人臉特征數據庫。當檢測時通過與人臉特征數據庫進行匹配,如多個特征值匹配即判為是同一人。
對人臉識別后,文章通過將無線傳感模塊集成于標簽安全帽中實現對作業人員的精確定位。無線傳感網絡(WSN)是一種由大量節點以多跳中繼方式組成的無線網絡,其定位算法分為無需測距和測距算法兩類[13~14]。無需測距算法實現簡單,穩定性好,但定位精度較差[15],文章采用接受信號強度的RSSI算法對作業人員節點進行定位。
首先基于RADAR建立信號源與傳輸距離的傳播損耗模型,其關系見圖2。

圖2 RADAR傳播損耗模型圖

RSSI(d)是為距離信號源d處安全帽接收的信號強度,β為路徑衰減系數,取值見表1,Xδ為δ的標準偏差。
在作業區建立多個傳感網絡信號源,分別建立傳播損耗模型,在依據模型估算安全帽與信號源之間的距離,以多變定位法以求解方程組計算安全帽節點坐標,信號源數量越多,定位精度越精確,求解方程組如下:

仿真實驗采用ORL 人臉數據庫,每幅圖分辨率為112×92,灰度值為256,重復實驗20 次,取平均值為實驗結果,不同的小波基函數對識別算法的識別率有較大影響,見表2。

表2 識別測試結果表

圖3 定位結果測試圖
定位精度仿真環境為100m×100m 二維區域,最大信號源節點數量100,通信半徑30m,β=2.5,平均定位誤差評價公式為

定位偏差隨信號源節點數量增加而迅速減小,平均定位偏差為1.62%,滿足實際過程需求。
文章利用基于小波分析的改進HOG 特征提取算法對施工人員進行臉部識別,再基于RSSI 受信號強度對佩戴傳感標簽的安全帽施工人員進行精確定位,滿足高危區域人員考勤、定位和事故救援工作需求。