校園公共安全智能視覺平臺建設初探

摘 要：校園公共安全智能視覺平臺對校園中敏感場所實行不間斷實時監控，以跟蹤目標的質心位置、質心移動距離的均方差及圖像前景概率密度等信息作為特征值，運用CamShift目標跟蹤算法和VIBE背景建模、前景檢測等視頻分析技術對攝像機拍錄的圖像序列進行前景提取和目標跟蹤，從而維護和確保校園環境安全、穩定，保護學生生命、學校財產安全。

關鍵詞：智能視覺；校園公共安全

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1674-7712 （2014） 22-0000-01

隨著社會的進步和我國城市化建設進程的加快，人口越來越多地聚集在城市中，特別是校園中由于學生眾多、人群密集，是踩踏等安全事故頻發的場所，而現實社會又是紛繁復雜的，各種不同人格、性格的學生和外來人員同處在一個擁擠的空間內，很容易發生各種矛盾和意外，且校園會經常遭到不法分子的入侵，校園安全由此面臨嚴峻挑戰。然而目前校園內的視頻監控系統通常是將攝像機的輸出結果記錄下來，當異常情況發生后，保安人員才通過記錄的結果觀察發生的事實或用來當作事后證據，在智能性上體現較差，沒有充分發揮其實時主動的監督作用。以信息、智能化、網絡化技術應用為先導，發展校園安全多功能、一體化應急保障技術，形成科學預測、有效防控與高效應急的校園安全技術體系，是當前非常迫切需要解決的問題。監控是進行科學預測和防控的重要技術手段。但隨著監控點位的不斷增加，監控要求的不斷提高，傳統的，通過人看監控屏幕的方式已經遠遠不滿足現代安全監控的要求。智能化、數字化、網絡化是安全監控發展的必然趨勢，智能視頻監控的出現正是這一趨勢的直接體現。

校園公共安全智能視覺平臺對校園中教學樓、宿舍樓的走廊、樓梯、財務室、實驗室、機房和樓前空地、停車場等敏感場所實行24小時無間斷實時監控，以跟蹤目標的質心位置、質心移動距離的均方差及圖像前景概率密度等信息作為特征值，運用CamShift目標跟蹤算法和VIBE背景建模、前景檢測等視頻分析技術對攝像機拍錄的圖像序列進行前景提取和目標跟蹤，進行突然入侵、物品遺失、遺留物體、可疑徘徊走動和人群密集程度的檢測與判斷。從而提高管理效率，減少人力浪費，減輕安保人員工作量，避免由于疲勞、疏忽造成的漏報，預防和制止犯罪，提前阻止校園中踩踏、財務室被盜、不法分子非法跨越圍墻偷盜等安全事故的發生，維護和確保校園環境安全、穩定，保護學生生命、學校財產安全。

視頻監控具有廣泛的應用前景和潛在的經濟價值，目前在國內的研究機構中，中國科學院北京自動化研究所模式識別國家重點實驗室的視覺監控研究組處于領先地位。他們對交通場景的視覺監控（基于三維線性模型定位、基于擴展卡爾曼濾波器的車輛跟蹤算法）、人的運動視覺監控（基于步態的遠距離身份識別）和行為模式識別（提出了對目標運動軌跡和行為特征學習的模糊自組織神經網絡學習算法）進行了深入研究，取得了一定的研究成果。

目前視頻分析技術研究主要集中在初級的目標檢測算法和中級的目標跟蹤算法，對于行為分析技術的研究較少，因此很少形成實物產品應用于實際監控中；而視頻監控公司則更注重實際中的應用，產品中之運用實用性強的算法，而忽視了對優良的算法的應用研究。而校園公共安全智能視覺平臺則初步的將優良的檢測、跟蹤算法和實際應用相結合，并加以簡單行為分析技術，構成了一套較為全面的智能視頻監控系統，并在實際中得以應用。

本平臺的檢測模塊采用的是背景建模法中的VIBE算法，此算法運用了數學建模思想，對客觀事物投影的圖像序列進行了像素域在時間尺度上的建模。由于它是基于背景樣本的統計學特征，因此能更客觀、更科學地表征背景信息。與目前常用的運動目標識別方法背景差法、光流法和幀差法相比，從歷史值收集采樣值，當采樣值加入到模型中時，更新模型并丟棄采樣值。這種策略可保證像素模型的采樣值在生命周期中呈平滑指數衰減的形式，并且能夠使該方法在單模型、變速度、可接受的內存消耗的條件下，可以處理每個像素的伴隨事件。

本平臺的目標跟蹤模塊采用的是CamShift算法，是一種運動跟蹤算法。它主要通過視頻圖像中運動物體的顏色信息來達到跟蹤的目的。Camshift利用目標的顏色直方圖模型將圖像轉換為顏色概率分布圖，初始化一個搜索窗的大小和位置，并根據上一幀得到的結果自適應調整搜索窗。Camshift算法就是將meanshift算法擴展到連續圖像序列。Camshift能有效解決目標變形和遮擋的問題，對系統資源要求不高，時間復雜度低，在簡單背景下能夠取得良好的跟蹤效果?？梢詼蚀_的得到運動目標的位置、大小及運動方向，相比Mean-shift算法更加完善、準確。

平臺主要功能：

（1）越線報警。此功能主要實現對特定區域的監測，利用混合高斯背景建模檢測出前景，通過設定閾值排除較小前景并將其填充為背景，然后對檢測出的較大輪廓運用camshift算法進行跟蹤，計算出每個輪廓的大小、方向和質心位置。如有運動目標的質心進入警戒線內，則立即通過語音提示報警，提醒安保人員對對象予以關注并管理。

（2）聚集檢測。此功能將實現當特定區域人員過于密集時，通過提示音提醒安保人員對該區域予以關注，并及時進行人員疏散，防止踩踏等意外事件發生。求出混合高斯背景建模檢測出的前景所占背景的比例，如果比值大于某一閾值（閾值可調，根據實際場景經實驗計算后獲得），則說明場景中的運動目標過于密集，出現擁擠或踩踏的可能性較大，此時系統會自動提醒安保人員及時對人流進行疏導，防止意外的發生。

（3）徘徊檢測。在如銀行、金店、停車場、幼兒園等敏感區域，長時間逗留或徘徊的人員很可能是伺機實施犯罪活動的可疑分子，由于安保人員往往需要觀察多個場景，因而很難注意到這些人員的可疑走動，從而遺漏掉這些可疑行為，無法在案發前阻止犯罪。徘徊檢測模塊可疑實時、連續地監視指定場景，通過對人員質心位置均方差的計算，獲取人員的行為信息，若均方差小于某一閾值便判斷此人的正在敏感區域逗留或是徘徊，系統會自動提醒保安對可疑人員予以關注。目前，系統可以完成對場景中固定人數的徘徊檢測。

參考文獻：

[1]張宏志.基于CamShift的目標跟蹤算法[J].計算機工程與設計，2006（11）：2012-2014.

[2]OpenCV參考[OL].http：//docs.opencv.org/modules/video/doc/motion_analysis_and_object_tracking.html？highlight=camshift#cv.CamShift

[作者單位]吳強（1975-），男，網絡教研室主任，副教授，碩士，信息工程系，研究方向：計算機網絡技術應用。