移動智能終端視頻監控系統設計與實現

張鑫晟+陳娟+孔堯+孫海威+高亞紅+汪羚

摘要摘要：隨著信息化進程不斷加快，信息技術極大促進了視頻監控技術的發展。可利用計算機視覺方法自動分析攝像機拍錄的圖像序列，從而有效跟蹤、識別和檢測動態場景中的目標。研究移動智能終端視頻監控系統及其相關技術，提出一種適用于移動終端的智能視頻監控系統，搭建視頻監控服務器，設計快速行人檢測算法。

關鍵詞關鍵詞：移動視頻監控；跟蹤識別；行人檢測

DOIDOI：10.11907/rjdk.162189

中圖分類號：TP319文獻標識碼：A文章編號文章編號：16727800（2017）001006004

針對上述傳統監控系統中存在的各種缺陷，智能監控系統（Intelligent Video Surveillance， IVS）能夠很好地解決這些問題。通過計算機對視頻場景中的大量圖像信息數據進行實時、快速處理，并濾除不需要的背景信息，抽取與監控場景相關的前景信息，進而對感興趣的目標進行分析和描述。

1移動智能視頻監控系統關鍵技術1.1智能視頻監控算法框架

智能視頻監控研究的主要內容就是如何從原始視頻數據中提取出符合人類認知的語義理解[4]，即希望計算機能和人一樣自動分析理解視頻數據。一般而言，智能視頻監控對視頻圖像的處理可以分為以下3個層次：

（1）底層。從視頻圖像采集終端獲取圖像序列，對感興趣目標進行檢測和跟蹤，以便對目標進行后續處理分析，主要解決目標在哪里的問題。

（2）中層。在底層的基礎上提取運動目標的各種信息，并進行相關判斷及目標識別。目標識別是為了對目標進行分類，進而識別目標的身份，可分為目標分類和個體識別。中層分析為底層處理到高層行為理解搭建了橋梁，填補了底層與高層之間的語義間隔，主要是為了解決目標是什么的問題。

（3）高層。高層處理完成對目標的行為進行分析和理解。高層的語義蘊含著特定的語義場景，往往和具體的應用緊密相關。行為分析可以分為姿態識別、行為識別和事件分析，主要是為了解決目標在干什么的問題。

總之智能視頻監控研究的主要目的就是要讓計算機回答感興趣目標在哪里？是什么？在干什么？甚至預測感興趣目標下一步的行為。

1.2移動智能視頻監控系統的關鍵算法

1.2.1CENTRIST算法的具體計算步驟

（1）對待處理圖像進行灰度化、平滑濾波濾波器為Sobel算子（見圖2），可以看出濾波后能夠消除局部紋理特征并提取出基本的邊緣信息。

（2）根據步驟Step1所得圖像I像素間的大小關系構造一個新的圖像I′，只需要關注像素大小的關系，如式（1）所示。圖像I有2<8、32、38、96、64，則圖像I′

1.2.2支持向量機分類算（SVM）

在實際監控預警中，如果對每一張圖都進行描述符提取以及通過線性分類器判決是否包含行人，無疑浪費運算資源和存儲資源。本文將行人檢測分為以下幾個主要部分：

（1）圖像采集以及參數設定。本算法中主要是設定用于運動檢測的計數器i；初始設置為0值。

（2）圖像預處理：包括色彩空間變換、去噪以及灰度化等。本算法檢測前需要對彩色視頻圖像進行灰度化處理，并采用Gamma公式壓縮圖像大小。

（3）運動檢測：判斷視頻圖像中是否有運動物體闖入，為了防止由于亮度突變等環境變化影響判斷，需要連續多幀圖像檢測到運動目標闖入才會進行下一步行人檢測。此時需要將計數器i重新設置為0，以便于下次檢測重新開始計數。

（4）行人檢測：當步驟3連續檢測出運動物體i值超過設定的閾值后，開始進行行人檢測。主要通過提取當前幀的CENTRIST描述符，并用已經訓練好的線性SVM分類器[10]判決闖入的運動物體是否是行人。

3實驗結果

本實驗采用INRIA的標準行人數據庫，其包括一個訓練庫和一個測試庫。其訓練庫共包含2 416個正樣本和3 000多個負樣本；測試庫包含1 126個正樣本。所有樣本的尺寸大小都為108×36個像素如圖4所示。測試集中包括各種不同光照條件、多種行走姿態、不同穿著和視角的行人。

首先使用INRIA庫訓練出線性SVM分類器，并重新檢測圖像源圖像（見圖5（a）），結果如圖5（b）所示。對比實驗結果可以發現，對于正常高度的行人以及遮擋不是很明顯的圖像CENTRIST+SVM檢測效果要明顯好于默認樣本訓練的。

4結語

本文主要分析了行人檢測經典算法HOG+SVM，并分析對其在視頻監控系統中運算速度慢以及檢測效果不理想等缺點，在此基礎上提出了兩項改進：①用CENTRIST代替HOG描述符，實驗表明在行人檢測中分類效果沒有明顯降低的情況下，前者的提取速度是后者的7倍左右；②針對行人檢測中支持向量維數太高嚴重影響檢測速度的缺點，提出了一種快速SVM分類方法，通過轉換矩陣的映射降低支持向量的維數，從而加快分類決策的速度。

圖5實驗對比

參考文獻：

[1]黃凱奇.智能視頻監控技術綜述[J].計算機學報，2015，38（6）：12251224.

[2]高素萍.智能小區安防系統的設計與實現[J].電氣應用， 2006， 25（6）： 120124.

[3]蔣馨.淺析國外智能視頻監控技術的發展及應用[J].中國安防， 2011 （10）： 105108.

[4]T MATSUYAMA.Cooperative distributed vision：dynamic integration of visual perception， action， and communication[Z].KI'99， 1999：7588.

[5]RUAZ I， PIAO J， SHIN H.Human detection by using CENTRIST features for thermal images[C].International Conference Computer Graphics， Visualization， Computer Vision and Image Processing，2013.

[6]YANG H Y， WANG X Y， WANG Q Y， et al.LSSVM based image segmentation using color and texture information[J].Journal of Visual Communication and Image Representation， 2012， 23（7）： 10951112.

[7]HWANG Y S， KWAK J C， LEE K Y.Implementation of a pedestrian detection device based on CENTRIST for an embedded environment[J].Advanced Science and Technology Letters Embedded Ubiquitous， SERSC， 2014（46）：123127.

[8]LIU Q， ZHUANG J， KONG S.Detection of pedestrians at night time using learningbased method and head validation[C]//Imaging Systems and Techniques （IST）， 2012 IEEE International Conference on.IEEE， 2012： 398402.

[9]DU Y， LU X， CHEN L， et al.An interval type2 TS fuzzy classification system based on PSO and SVM for gender recognition[J].Multimedia Tools and Applications，2014（12）：111.

[10]ZHAO J， CHAI J， MEN G.A fast quasidense matching algorithm with an adaptive window[C].Control and Decision Conference， 2009.CCDC'09.Chinese.IEEE， 2009： 43754379.