高危作业中人脸识别和传感标签安全帽定位方法∗

时间：2024-05-04

张健华刘海萍李锋

（广东交通职业技术学院广州 510650）

1 引言

近五年，我国高危作业事故频发，一旦发生事故将带来巨大的经济损失和人员伤亡［1～3］。目前，业界一般采用射频器对作业人员打卡考勤，因作业区域较大，定位精度十分有限［4～5］，严重影响人员救援效率。如何准确把握事故现场人员信息和具体位置，对事故救援和人员搜索起到重要作用［6］。

文章设计人脸识别定位管理系统，结合传感模块标签安全帽实现身份识别和数据定位的融合。首先，基利用小波分析的改进HOG 特征提取算法对施工人员进行脸部识别；其次，基于RSSI 受信号强度对佩戴传感标签的安全帽施工人员进行精确定位。

2 人脸特征点的提取

人脸各个器官形态、位置、大小和结构的差异使得每张脸千差万别，只要对这些器官结构进行几何描述，便可以作为人脸识别的特征点。然而传统特征点提取算法容易受到视角、表情、光照等因素影响识别效率。

2.1 算法参照和改进思路

HOG 是一种对物体进行检测的特征描算法，其通过统计图像局部区域内的HOG 来构成特征［7～8］。目前业界将HOG 算法用于人脸特征提取，对脸部图像采集中亮度变化、噪声、不同视角有相当高的容忍度［9～10］。HOG 算法复杂，为提高算法效率，每个像素点梯度方向和幅值大小只考虑其垂直和水平方向上4 个像素点的影响，而忽略了其对角线上4 个像素点幅值大小和梯度方向发生变化时的影响［11～12］，在某些特定条件下会导致误识别或无法识别。

文章提出一种基于小波分析的改进HOG 特征提取算法，利用离散的正交、双正交小波变换对人脸图像进行分解得到多张逼近子图，水平、垂直以及对角线上8 个像素点对子图降维并进行傅里叶变换提取特征值。

2.2 梯度幅值建模

新算法将脸部影响通过分辨率像素分为块。假设像素点为f(x，y)，其周围8个像素点的梯度幅值为f(xi，yi)，i=1.2，…8，见图1。

图1 改进HOG梯度像素图

设Gx(x)、Gy(x)、H(xi)分别为点f(x，y)处水平方向、垂直方向和像素值，有

则点f(xi，yi)的梯度向量为

梯度向量中包含了局部灰度的变化信息，其梯度幅度为

2.3 小波变换降维

根据式（3）对梯度幅度函数e(x，y)伸缩和平移：为小波函数，a 为尺度因子，b 为平移因子。为有利于特征点提取，应在不丢失信号信息前提下尽量减少小波变换系数的冗余度，此时应将小波函数尺度按幂级数进行离散化。

从而像素点为f(x，y)t对应的离散小波变换为

2.4 特征点量化

文章利用梯度幅值生成的离散小波方法对人脸图像进行分解得到多幅逼近子图和细节子图，水平、垂直以及对角线上8 个像素点对子图降维并进行傅里叶变换提取特征值，再对特征进行分类和识别。

设H0(ω)和H1(ω)分别为h0与h1的傅里叶变换，则：

则二尺度方程的频域为

其中φ(ω)和φ(ω)分别为φ(t)与φ(t)的傅里叶变换。根据傅里叶变换幅值，采用直方图方式统计傅里叶梯度信息，从而确定像素点f(x，y)的直方图，最后对直方图纵坐标值量化后得到特征点参数，纳入人脸特征数据库。当检测时通过与人脸特征数据库进行匹配，如多个特征值匹配即判为是同一人。

3 无需测距的定位

对人脸识别后，文章通过将无线传感模块集成于标签安全帽中实现对作业人员的精确定位。无线传感网络（WSN）是一种由大量节点以多跳中继方式组成的无线网络，其定位算法分为无需测距和测距算法两类［13～14］。无需测距算法实现简单，稳定性好，但定位精度较差［15］，文章采用接受信号强度的RSSI算法对作业人员节点进行定位。

首先基于RADAR建立信号源与传输距离的传播损耗模型，其关系见图2。

图2 RADAR传播损耗模型图

RSSI（d）是为距离信号源d处安全帽接收的信号强度，β为路径衰减系数，取值见表1，Xδ为δ的标准偏差。

在作业区建立多个传感网络信号源，分别建立传播损耗模型，在依据模型估算安全帽与信号源之间的距离，以多变定位法以求解方程组计算安全帽节点坐标，信号源数量越多，定位精度越精确，求解方程组如下：