第39第1期2021年3月
Vol.39No.1
Mar.2021海南大学学报自然科学版
NATURAL SCIENCE JOURNAL OF HAINAN UNIVERSITY
文章编号：1004-1729(2021)01-0036-08
李伟，陈泰星，李哲
(海南省气象探测中心，海南省南海气象防灾减灾重点实验室，海南海口570203)摘要：针对我国区域气象站屡遭人为破坏的现象，结合区域气象站的建设情况，基于智能视频监控分析技
术和行人攀爬围栏的特点，提出了一种采用HOG-LBP联合特征和AdaBoost-SVM分类器的攀爬图像检测方
法，经测试验证，该方法具有良好的识别效果，能快速识别出围栏攀爬这种异常行为，可广泛应用于区域气象
站场景.
关键词：视频图像分析；区域气象站安全；围栏攀爬；支持向量机
中图分类号：TP391.41文献标志码：A DOI：10.15886/jki.hdxbzkb.2021.0006
经过多年的快速经济发展，科技进步日新月异，气象站也在不断地发展和变化,2020年4月1日，我
国地面气象观测全面实现了自动化，这标志着自动观测全面取代了人工观测.目前，我国区域自动气象站超过了40000个，海南区域部分自动气象站的外貌如图1所示，这些自动气象站为气象部门“精密监测、
精准预报、精细服务”的战略任务提供了保障MT.然而，随着城市的快速发展，气象设施和气象探测环境屡遭破坏的情况日益突出，某些区域的气象站因遭受到人为破坏而被迫搬迁，这严重影响了气象预报的准确性，直接制约了防灾减灾的能力和为经济社会服务的能力.
为保护气象站不受破坏，按照相关规范，各地气象局在管辖区域内的气象站设置了坚固的防护围栏⑶，
同时设立了用于防护的告示牌，尽管如此，在全国各地仍有民众随意攀爬围栏并进入区域气象站的现象，甚至出现了雨量筒被当成垃圾桶、温度传感器被触摸、气象设备被盗窃等人为破坏的现象.
目前，我国各地的区域自动气象站有一部分装有视频监控设备，这些区域的自动气象站有的位于人流密集的闹市、有的位于人迹罕至的偏远山区，它们对该地区的气象观测有不可替代的作用•气象站的视频监控需要24小时人工值守，这大大消耗了人力和财力；除此之外，当破坏气象设备的犯罪事件反生后,
仍需要执法部门投入大量的人力来观看和回放视频，以便对各类异常行为进行取证，这样就无法充分发挥视频监控的功能“7 •将智能视频分析技术运用到气象站的监控系统中，能充分发挥视频监控的作用，这不仅能减少人为破坏行为的发生，保障气象设备的安全，而且还节省了大量的人力、物力和财力.实践理性批判>尾崎秀实
夏木尼
当前，国内外众多学者和专家对视频监控进行了研究和分析，例如：孙宝聪⑺提出了在机场环境下用
YOLO v3模型对人员进行目标识别，同时采用SK-CNN行为识别模型识别围栏攀爬行为，该方法能较为准确地检测出异常行为，但其算法比较繁琐，且运行时间较长；又如：胡正平等囲提出，在室外环境下对运动
收稿日期：2020-11-13
基金项目：国家自然科学基金(41775011)；海南省自然科学基金(2017CXTD014)；海南省气象局科研项目(HNQXJS202009)
作者简介：李伟(1993男，海南文昌人，硕士，工程师，研究方向：气象装备的保障与检定,E-mail：738361363@ qq
第1期李伟等：基于智能视频分析的区域气象站异常事件的检测37
异常目标的图像进行检测与数据解剖，同时采用图像识别技术来识别视频监控系统中的异常行为，该方法虽然能够有效地检测到异常行为，但是在较为复杂的场景下，其检测的准确率却不高•针对上述问题，本研究提出了一种基于HOG-LBP的联合特征和AdaBoost-SVM分类器的检测方法，该方法在区域气象站场景具有良好的识别效果，能快速识别出围栏攀爬这种异常行为.
图1海南部分区域的自动气象站
1运动目标的提取
气象站视频监控画面中含有各种各样的运动目标，如飘落的雨滴、运动的行人、飞过的鸟儿，如果每时每刻对气象站监控视频进行检测和分析，那么将会严重地占用系统的内存，甚至会因为占用系统内存过大而导致系统崩溃.
常见的对运动目标快速提取的方法有：帧差法、背景差分法、光流法等•经过多次实验研究，本文提出可根据区域自动气象站视频监控的特点采用帧差法来检测和提取运动目标⑼.为了进一步减小系统的数据分析量，本文提出将围栏的正上方作为感兴趣区域并对其进行运动目标检测，当感兴趣区域检测到运动目标时，此运动目标还需有一定的大小和比例，这才能说明运动目标出现，此法在实际应用中效果更佳.
帧差法的原理是：对相邻两帧或多帧间隔的图像序列做差分运算，然后再通过二值化处理、形态学处理和阈值分割处理来提取出图像中的运动目标•相邻图像的差分运算可以表示为：
爾(5+1)=$5"八心"+5>A,(1)
I0,otherwise
其中，△表示人为定义的阈值+1)表示/+1时刻的图像帧表示/时刻的图像帧.当+1)的值为0时表示前景,1表示背景•当运动目标的运动速度较为缓慢，并趋近于静止时，相邻帧的差别不大，此时对运动目标的检测效果不好•为此，本文提出可以适当加大相隔的帧数并籍此来进行检测，故对公式修改如下：
爾(莎…)=「心3八心川+e>人.(2)
L0,otherwise
2围栏攀爬的检测
HOG特征和LBP特征均能有效描述运动行人的底层特征，所以本研究经过多次试验，决定采用两者的结合来描述行人攀爬围栏的特征「训•
2.1HOG特征HOG(Histogram of Oriented Gradient)为方向梯度直方图，将图像局部梯度的方向信息
38海南大学学报自然科学版2021 年统计值作为特征值，从而可计算出图像的HOG 值，该特征可广泛运用于行人识别中⑴〕.
根据以下五个步骤，可提取出图像的HOG 特征问，如图2所示：
图2提取HOG 特征的流程图
(1) 首先对自动气象站的监控视频进行帧处理并进行标准化处理，如(3 )式所示:
十, (3)
H(x,y)表示图像在像素点］&』)处的像素值，经多次试验，此处的gamma 值取0.5时，能解决图像 照度不均匀的问题.
(2) G ”&,y)表示图像中各像素点的水平方向梯度，则表示像素点的垂直方向梯度•模板运 算时，水平方向和垂直方向分别选取［-1,0,1］和［-1,0,1 ］7，各方向的梯度计算公式如(4)式所示：
= H(x + l,y) - H(x - l,y)
(4)
LG'%』)=H(x,y + 1) - H(x,y - 1)
根据公式(5)及(6)所示，计算每点的梯度幅值和方向：G(%,y) = \/G x (x,y)2 + G y (x,y)2a(x,y).-i Gy(%,y)
beijingreview上玄11⑸
⑹在［-乎，劄范围内被均匀划分成9个区间，因此每个像素点的HOG 特征梯度方向可用一个9维向量来表示，其公式如⑺ 所示:
、 [G(x,y)a(x,y) ebin k l k ^9
汪光焘
V k {x,y)=I 0，其他(3) 将每个像素划分成Block 块和Cell 块，然后收集每个 Block 中的Cell 的特征向量，对Cell 内的每个像素依据梯度方向和 梯度大小进行加权投影，即可得梯度方向的直方图，如图3所示:
(4) 为减小因对比度而引起的误差，通过归一化因子对图像的 局部梯度进行标准化处理：
T V 一 norm ,v <———+ e ,
V (8)L[ - sqrt,v <—厶/(© + £) ,(9)
‘2 - norm , v <—丿◎/ ( / + g ) ,(10)
1如2打2 -
(11)图3梯度方向投影本文采用乙-Hys 的方式进行处理，其中,e = 0. 002.
(5)级联特征向量是根据人体攀爬姿势的特点，采用64 x 128大小的检测窗口，进一步将窗口分割成块(Block)和单元(Cell)，然后定义每个Cell 为16x16的像素大小，每2 x2个Cell 组成一个Block，由于
⑺
第1期李伟等：基于智能视频分析的区域气象站异常事件的检测39每个Cell 包含9个特征，故每个Block 就包
含了 36个特征，再由于步长包含了 8个像
素，因此水平方向和垂直方向就分别有7个
和15个扫描窗口，所以64 x 128的图片于是
总共有3 780个特征(36 x7 X15 =3 780)，图 4表示的就是Cell 与Block 之间的关系.
2.2 LBP 特征 LBP (local binary pattern )
具有旋转不变性和灰度不变性等优点，它能
有效度量行人攀爬姿势的纹理信息「⑶.B 4{b 3Bi ^^1Cl c 2C 5c 6C9C10
Cn C12C13C14C15C16017C18C19C20图4 Block 与Cell 之间的关系
于此，所提取的图像特征是通过LBP ；模式算子来处理的，其流程图如图5所示「⑷:
图5提取LBP 特征的流程图图6计算LBP 特征值
(1) 第一步，对图像进行灰度化处理，然后按照16x16的大小进行分割.
(2) 第二步，将切割后的中心像素与其周围8个像素进行比较，若后者大，该值为1，反之则为0，如此 可得到256维向量的LBP 值，经降维处理后，每个像素点的LBP 值为59维向量.
(3) 第三步，采用归一化因子进行处理，以降低噪声、光线等其他外界因素的干扰，然后计算每个Cell 的直方图.
(4) 本文采用了 64 x 128的检测窗口，该窗口包含了 32个Cell ，每个Cell 包含了 59维的特征向量，则 每个检测窗口最终可以得到1 888维的特征向量(59 x32 =1 888).
昂达v711图6描述了 LBP 纹理特征的计算过程，图7则描述了对图像中的每个像素求取LBP 特征值的过程.
图7 LBP 纹理特征图
2.3 支持向量机(SVM) 支持向量机SVM( Support Vector Machine)是一种二分类模型，由于很多多维 数据在二维层面上不是线性可分的，因此可采用常用的线性、高斯径向、多项式等核函数类型，以此来将
40海南大学学报自然科学版2021年
原来不可分的低维空间转换为线性可分的高维空间.
支持向量机的原理是在"维空间上通过构造满足最大化几何边缘区与最小化经验误差的超平面，将其简单映射到y=-1和y=1上实现分类，这种方法常被广泛应用于数据分类、统计处理等应用中3-阁，如图8所示：
图9所示为SVM超平面的构造过程.对于训练样本集｛（也加），&2，坨），…，（％，兀）｝，其中忆€丘", y日-1,1｝，最优分类面（如-x）+6=0可等比例地缩放•最优分类面的建立标准是使两类情况在相应的约束条件下满足5•%+6I M1，且样本在0和禺上满足\wx+b\=1，因此，间隔Margin可表示为2/||w||[19]，在此，本文仅介绍支持向量机的基本原理，同时
侧重运用SVM到围栏攀爬检测中，更深层次的原理于此就不
赘述了.
2.4基于图像分析的围栏攀爬检测首先将区域气象观测
站围栏的中上位置划分为感兴趣区域，然后通过帧差法检测
出运动目标，再将AdaBoost分类器作为第一级分类器，在判
别为异常事件后，通过SVM分类器进行第二级检测，若检测
仍为异常事件，则判定围栏攀爬行为发生，其总体框架流程图
如图10所示：
3实验与分析
3.1实验环境与样本库为验证本文算法的有效性，笔者
在海南海口多个区域的气象站进行了实验.
硬件环境：HIKVISION130W同轴摄像头、戴尔PRECI
SION TOWER3620塔式工作站.
软件环境:Microsoft Visual Studio2013、Open CV3开发
软件,Windows7操作系统.
本文中的攀爬检测SVM分类器和AdaBoost分类器的训图10围栏攀爬的检测流程图
练样本来源于INRIA行人数据库与自有数据集，两个分类器的正/负样本数量均各为800和2000,SVM 分类器为Open CV3中的线性支持向量机（lin_SVM）[20].
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议