復雜光照下掛籃監控圖像識別技術分析

鄭孝強

四川龍光瀘貴高速公路有限公司，四川 瀘州 400037

0 引言

在識別圖像與視頻方面，需要重點關注圖像對比度、光源方向等，然而，如何看待照片并消除其對識別的負面影響是計算機領域尚未解決的問題之一，通常采用矩形平衡法、同態濾波器、GR 來解決照明問題。常用的算法有直方圖對齊法、Retinex 算法、同態濾波法等[1]。在實踐運用中，這些算法都存在不足，局限性較強。例如，直方圖對齊法忽略了圖像頻率信息；Retinex 算法強調了圖像頻率信息的重要性，但是圖像過濾信息沒有得到充分利用，導致圖像邊界模糊；同態濾波法需要高空采樣，對圖像參數的要求較高[2]。

圖像局部值的變化，以及照片對物體元素和紋理的扭曲，將極大地影響識別的有效性和準確性[3]。在此基礎上，很難進一步識別圖像與視頻。為了突破瓶頸問題，人臉識別、條紋控制等領域的科學家們進行了研究。人們試圖弱化光輻射的影響，希望逐漸提高識別的精準性。在現有識別方法的基礎上將深入學習的方法推廣到光領域，利用神經網絡中光束動態平衡效應，是解決復雜光照條件下識別分類問題的可行方案[4]。

1 掛籃結構簡介

某橋梁上部結構共5 跨：（95+3×180+95）m。橋面為單向2%橫坡；左幅梁體位于半徑為4 050 m 的左偏曲線上，右幅梁體位于半徑為6 500 m 的右偏曲線上；橋梁縱坡為1.95%上坡。下部結構30#～35#為連續梁橋墩，單肢空心薄壁結構，墩臺基礎采用樁基礎及承臺。

掛籃系統主要由主桁系統、行走系統、錨固系統、底籃系統、提吊系統、平臺及防護系統、模板系統等組成。各系統既獨立又聯系，滿足了懸澆施工的需求。掛籃設計結構如圖1 所示。

圖1 掛籃設計結構圖(單位：mm)

2 掛籃監控圖像存在的問題

掛籃監控圖像的光線復雜，因此照片處理難度較大[5]。掛籃監控圖像最常見的問題是圖像照明過多或過少，導致圖像清晰度較低，可利用價值較差。在圖像觀測中，光源種類、光源位置、反射程度、對能見度的影響、反射光可能完全不同。在這樣復雜的照明條件下，傳統的光處理方法難以滿足圖像識別的要求。因此，有必要找到一種能夠對復雜的光條件進行處理的方法[6]。

3 光照補償方法

傳統的光補償法以直方圖或Retinex 算法為主，這些方法在部分場景下具有良好的應用效果，但是在實踐中，圖像的特征往往復雜多樣，這些算法難以滿足圖像識別需求。

針對復雜照明中的照明補償問題，文章介紹了一種改進的網絡—CycleGAN，并介紹了具體的結構。從本質上講，這種方法需要借助CycleGAN 遷移樣式，把光照當成特殊的物體進行傳輸，能高效處理復雜照片，使之產生正常光照圖像的效果。

3.1 對抗網絡的建立

對抗網絡是GAN 網絡的變形。與基本的GAN 網絡相比，每個網絡有2 個發電機和1 個鑒別器。對抗結構在訓練過程中，圖像可以單獨使用，不必成對出現，從而在應用上有更好的適應性。完整的對抗網絡由2 個單向網絡組成，組成方式如圖2 所示。兩個單向網絡共用2 個生成器，各自有1 個判別器。圖中X與Y分別表示要進行轉換的兩個類中的真實輸入，G、F分別是由X類真實樣本轉換成Y類樣本和由Y類真實樣本轉換成X類樣本的生成器。在生成樣本之后，分別通過D（X）和D（Y）對生成的樣本的真實性進行判斷。

圖2 單向網絡組合方式

3.2 圖像的生成

生成器共由3 個通道構成了圖像輸入格式，彩色圖像分辨率為256×256。輸入圖像被發送到卷積層提取元素；提取元素后，將通過包含11 層的殘差塊執行轉換，以確保其他元素在樣式轉換過程中不會受到影響；然后將元件移至反向卷積層，將高維元件還原為低維元件；最后，將獲得的屬性發送到卷積層以創建新圖像。

4 掛籃監控圖像的識別

考慮到掛籃監控事件變化緩慢、動態事件與靜態事件并存的特點，文章設計了利用卷積神經網絡進行圖像提取的方法，然后將一系列圖像特征引入神經網絡，實現掛籃圖像的精確識別。

4.1 模型訓練流程

文章將光照掛籃中復雜觀測事件的識別過程分為訓練和識別兩部分。訓練部分包括三個數據采集設備，用于監視圖像集、圖像對抗數據集和圖像特征集；在識別部分中，從一個觀測點均勻識別出的五個幀被傳輸到三個模型中的照片處理、特征提取和分類模塊中，最終獲得圖像識別結果。模型訓練部分的主要流程如圖3 所示。

圖3 訓練部分的算法流程

4.2 模型識別過程

在識別過程中，需要用到三種模型：Cyclegan 模型、CNN 模型、RNN 模型。除了第一種模型，后面兩種模型都是根據需求調整模型結構。

CycleGAN 模型使用復雜光照和正常光照圖像對抗數據集進行訓練，以得到一個能夠有效處理光照的收斂模型；然后，將掛籃監控圖像數據集輸入CycleGAN模型進行光照處理，減弱光照的影響，為下一步的特征提取做準備；其后，使用光照處理后的掛籃監控圖像數據集訓練CNN，使其能更準確地提取圖像的高級特征；訓練完成后，將光照處理后的掛籃監控圖像數據集按5 個一組輸入CNN 提取特征，得到掛籃監控圖像特征數據集，該數據集包含圖像的特征變量，且保留了連續圖像的時序信息；最后利用掛籃監控圖像特征數據集，再訓練RNN 模型，得到訓練后的RNN模型；訓練完成后，開始圖像識別。需要把數據輸入CycleGAN 模型中，分三次處理：首先使用Cyclegan 模型（按時間順序排列的5 個控制圖像）進行圖像處理；然后將處理后的圖像依次傳輸到CNN 模型中提取特征；所獲得的特征將被導出到RNN 模型中進行分類。識別過程如圖4 所示。

圖4 識別部分的算法流程

5 連續監控圖像識別

首先，創建一個數據集，每個數據集包含多個視頻圖像；其次，將收集到的數據輸入訓練模型，利用RESnet 提取特征，使用LSTM 進行訓練；最后，將視頻按兩種訓練模式進行分類，一次性從視頻中提取幀，將其發送到RESnet 中提取特征，并將其發送到LSTM進行最終分類。識別過程如圖5 所示。

圖5 連續監控圖像識別過程

6 結束語

文章首先介紹了掛籃圖像存在光照復雜的問題，然后介紹了光照補償過程，之后詳細介紹了掛籃監控圖像的訓練和識別過程，并分析了連續監控圖像識別過程。文章有望為提高圖像識別效果提供參考。