基于圖像處理和模式識別的網絡圖像監控系統

吳志芳，劉 昕

(1.武漢科技大學 計算機科學與技術學院，武漢 430081；2.華中科技大學 計算機學院，武漢 430081)

基于圖像處理和模式識別的網絡圖像監控系統

吳志芳1，劉 昕2

(1.武漢科技大學 計算機科學與技術學院，武漢 430081；2.華中科技大學 計算機學院，武漢 430081)

隨著科學技術和生活水平不斷的提高，人們的財產和人身安全問題已經不僅僅來自于傳統的經驗，而是逐漸的轉變到虛擬的網絡當中;為此，提高人們的隱私安全和財產安全需要加強網絡監控，其中圖像監控是較為主要的方面;加強圖像監控的可靠性和實時性，是實現社會穩步發展和人民網絡隱私安全的首要目標;應用計算機網絡技術和現代化通訊技術相結合，綜合圖像處理技術和模式識別技術的應用，設計應用于網絡圖像監控系統是當前社會發展的安全技術保障之一;文章通過對圖像監控進行簡析，闡述圖像處理技術和模式識別技術的相關方面，探討研究網絡圖像監控中圖像識別和處理方面的技術;通過對圖像處理中的色彩均化和模糊識別實驗，得出其對于網絡中傳播的圖片辨識度和提取信息能力具有很高的發展。

圖像處理；模式識別；網絡圖像監控

0 引言

近些年，隨著計算機網絡技術不斷應用和發展，科技水平的不斷提高和革新，對公眾安全問題的方面也出現了網絡安全部分。這其中涉及到了個人隱私安全、財產安全等方面。而且隨著公眾對于網絡安全的重視程度的不斷提高，對此加強網絡安全監控提高網絡環境的安全性是非常有必要的。

另一方面，在以往的監控形式方面，已經很難滿足當今大眾的需求，而可以承載著大量信心而且表現形式更加直觀和確切的圖像監控漸漸地出現在人們的眼前。并且逐漸應用到各個領域[1]，而研究圖像監控和網絡監控相結合，設計出網絡圖像監控系統可以更加有效地加強網絡圖像方面監控的力度和安全度提高。

通過對目前的圖像處理技術和模式識別技術進行分析，表現出其主要是利用數字、圖像、文字等形式，對相對具體的事物或者圖像進行處理、分析、描述以及辨識的工作過程。而隨著科學技術和網絡技術的不斷進步和發展，模式識別技術的功能和識別方向得到了提高，可以應用于文字、指紋、語言識別甚至到遙感技術當中。面對現在圖像處理和模式識別的應用程度增加，對這一熱點技術進行研究，分析其在網絡圖像監控中的應用方式，提出其可以提高圖像監控的準確性以及穩定性[2]。

本文通過對網絡安全監控當中的圖像監控方面進行分析，研究圖像處理技術和模式識別在技術中的應用。通過實驗進行分析，利用圖像處理技術當中對于圖片色彩均衡調整和模式識別技術的模擬實驗結果，得出其應用的可靠性和這種系統研發的必要性。

1 圖像監控的概念與網絡圖像監控

1.1 圖像監控概念

網絡圖像監控以其直觀、方便、信息內容豐富而被廣泛應用于許多重要場合,成為安全監控的主要手段。由于網絡圖像監控系統實現了對遠程目標的監視、遙控等功能,從而為無人值守場合提供了新手段。網絡圖像監控系統可廣泛應用不方便進行施工布線的場合,如抗震救災臨時指揮監控系統,臨時會展安全監控系統,洪澇、干旱和蟲害等自然災害的提供發現和預防監控系統;同時也可用于小區安防、邊防監視、油田、水利保護、風景區、旅游區和自然保護區監控。網絡圖像監控具有遠距離、免維護和自動即時監控等特點。

圖像監控技術的工作流程一般性的都是依靠在現場安裝的圖像收集裝置或是視頻錄制設備，將收集到的圖像或視頻文件通過計算機終端進行網絡傳輸，完成分散式的現場監控與控制。而其中不斷得到應用的計算機技術、圖像處理技術、信息通信技術的不斷發展，為現在的圖像監控技術提出了新的發展方向和定義。而圖像監控技術則是由通信媒體、硬件系統、軟件系統這三個方面所組成的一個整體操作和監控系統，并且每一個方面都將發揮作用才可以使得系統得以運行[3]。整個工作流程則為圖像采集-圖像輸入-圖像處理-圖像輸出-圖像管理。并且隨著發展其融合了網絡技術、計算機技術、圖像處理技術的新型技術，擴展為網絡圖像監控系統。

1.2 網絡圖像監控的發展

隨著技術的不斷發展，圖像監控技術逐漸發展為多媒體網絡圖像監控的階段上。隨著圖像處理和模式識別技術的不斷應用，用戶對于所傳遞的信息要求也來越高，不僅僅局限于以往的文本或圖形的信息，而是要求信息數據可以更加完全立體以及多角度。而且對于信息的質量，圖片和視頻的分辨率要求也逐漸增加，為此對于圖像監控技術的要求也越來越大。現在利用計算機軟硬件的支持，和數字視頻壓縮解碼技術的成熟使得多媒體網絡圖像監控技術得以產生，滿足了受眾對于圖像信息的所有要求[4]。其中，為了達到這類系統的開發，需要添加進去許多功能，利用大量的軟件編程工作和高速計算能力的計算機處理芯片的支持，才得以實現如今的網絡圖像處理技術，完成其數字化、集成化、自動化的發展成就。而且現在的技術環境也為網絡圖像監控系統提供了很好的平臺支持和發展土壤。

2 圖像處理和模式識別簡析

圖像處理技術和模式識別技術都是現在用于遠程視頻監控的主要技術手段，而且這兩者的關系是先有圖像處理后進行模式識別的遞進關系。其中這兩者的操作流程用圖1來進行表示。

圖1 圖像處理和模式識別框圖

2.1 圖像處理技術

圖像處理技術當中首先要進行的就是圖像的獲取工作?，F在一般性的都是使用攝像機或者是照相機等設備通過將收集到的圖像通過采集卡將數據轉變為模擬信號并且量化生成數字信號進行傳輸。將這些數據傳送到處理系統當中。然而一般性的數據都會比較大，所以需要進行壓縮工作，這一點都是利用通過設備的硬件來進行的[5]。而現在網絡圖像監控中可以省去前面的環節，圖像提取工作可以從網絡中傳播的圖片進行直接提取以進行下面的工作。

其次，這是圖像處理工作，這些工作主要細分為圖像色彩增強、圖像分割、邊緣提取等等。而在進行詳細的處理工作前需要進行預處理工作，將圖像中可能存在的干擾項進行抓取和刪除，對原始圖像進行初步性質的簡單處理，便于下一步的重要特征提取工作。其中預處理中都是多想處理工具結合進行的，有灰度變換和銳度調整等等。

接下來就是對處理后的圖片進行特征提取和識別工作了。而要進行識別首先要將圖像中的特種可以提取出來并且直觀的顯示。因為一般的圖片中都會存在大量的數據需要進行解析和識別，有相當一部分適不適合所需工作是別的，所以，利用圖像特征提取的工作，將工作中需要得到的數據顯示出的特征進行提取，并且統一為數據顯示。而接下來的識別工作則要將圖像中選取出來的特征與工作需要所匹配的特征進行對比，識別出所需要的信息。

2.2 模式識別的簡析

模式識別從字面上理解就可以知道，其是對某種模式進行識別，所以決定這模式識別技術可以應用于各個方面[6]。其中包括語音、人臉、指紋、字符、故障等各個功能。而在圖像分析中其實圖像處理技術的更加深入的技術，其基本框圖如圖2所示。

圖2 模式識別流程圖

而方法也分為4種：統計識別方法、模板匹配法、模糊識別法、神經網絡識別法。而這些方法都是采用了貝葉斯分類器。但是其算法卻不盡相同[3]。

其中統計識別法是利用直方圖來進行圖像中信息展示，通過均值、方差、差值平方等數據輸入到計算機中進行運算得出結果。而且這種方法也是最為簡便的方法還可以做到客觀的對圖像進行描述。其算法如下：

(1)

式中，X為特征向量；p(X/wi)則表示特征向量情況下的概率密度函數；p(wi)則表示類比處于wj的時候所出現的先驗概率。

模板匹配法則是將樣本圖像和標準模板中的最小方差進行計算，根據兩種模板的最小方差來分析樣本圖像的屬性和所屬類別[4]。其應用到的算法公式如下：

(2)

式中，Iij(m,n)則是代表著樣本圖像的模板；T(m,n)則是代表著所取得標準模板圖像；M,N都代表著兩個圖像的寬和高的數值。

因為在圖像處理中會遇到模糊的圖像數據，為此，進行識別的時候需要進行模式識別方法。其主要的方法是將圖像中可以采集到的特征和較為明顯的特征輸入到計算機當中的學習流程，并且將這個數據作為識別用的標準數據，通過對網絡中或數據庫當中所儲存的圖像進行特征類比，將相似度較高的圖像數據分揀出來，從而得出樣本圖像的基本數據。其應用到的算法公式如下[7-9]：

(3)

神經網絡識別法一般性的都是采用誤差反傳播法進行監督學習環節的算法。它可以做到自主學習和自助識別的效果。在進行樣本圖片輸入的過程中可以更好完成學習模仿過程[5]。而其這種算法的公式如下：

Wij(t+1)=Wij(t)+ηδpjopj+

α[Wij(t)-Wij(t-1)]

(4)

式中，η代表著學習因子；opj則表示一個單元j的實際輸出量。

3 實驗與結論

通過以上對于圖像處理技術和模式識別技術的分析，研究其應用狀況，分別通過兩個實驗來分析這種技術在與網絡圖像監控當中所可以起到的作用和其優越性[10]。

3.1 圖像處理技術色彩調整實驗

所謂的色彩調整主要是對圖像進行灰度調整，對原圖像進行適當的色彩增加或者減弱，使得圖像顯得更加清晰和數據顯示的穩定性[11]。本次實驗通過在系統中輸入一個樣本圖像，對于灰度值的調節觀察圖片變化情況。

3.1.1 實驗步驟

首先對于原圖像的灰度值進行統計，將等級標注為j=0，1，2，…，k，…，L-1。統計各個灰度級像素的數量，j=0，1，2，k，…，L-1。接著計算原始圖像中在直方圖中顯示出來的頻度并且累計分布函數，利用公式來計算出處理后的圖像灰度等級，統計出處理后的灰度級像素的數量并且輸出城直方圖，利用處理前和處理后的灰度等級對比獲得這圖像所適合的灰度等級，并且調節至這個等級進行處理和輸出圖像[12-15]。

3.1.2 實驗結果

通過以上的步驟先進行的灰度等級統計，原圖像中的各個像素點灰度等級統計成直方圖如圖3。

圖3 原圖像中各個像素點灰度等級統計

通過進行處理后的各個像素點灰度等級圖如圖4。

圖4 處理后圖像內各像素點的灰度等級

從直方圖中可以很明顯的看出在處理后各個像素點的灰度等級都處于平均，此為最佳的狀態。但是在圖表中很難看出處理后的狀態，為此利用圖5中的(a)(b)兩個圖對比顯示出處理后的狀況。

圖5 原圖像和處理后圖像對比圖

通過對實際圖像的觀測，可以發現原圖像中存在這較暗的光線北京，并且有些位置處于陰影，許多信息和數據無法進行提取，而在經過灰度值調節后，圖片整體結構變亮，并且許多細節可以從圖像中直接看出。很容易進行圖像內部特征和信息的提取。

3.1.3 結果分析

在網絡圖像監控運作當中傳播著許多的圖像，而對這些圖像可以做到很好的分析和解讀，是完成網絡圖像監控的首要工作[16]。而對于圖像的還原和加工，得出圖像內部的重要信息在整個過程中是第一位的。為此，通過圖像處理中的灰度值調節，很清楚的可以看出可以將圖像最大程度的還原和處理，可以提高網絡圖像監控的準確度和可靠性。

3.2 模式識別實驗

模式識別實驗的工作是將圖像中的特征組成一個模式，而將這種模式與數據庫當中所存在的模式進行對比，分析出樣本是屬于哪個模式的。而實驗中采用的分類器則是貝葉斯分類器，利用條件函數概率和設定好的判別函數進行對比，得出結果。實驗則是探討模式識別所用的貝葉斯分類器是否可以很好的做到數據分類。

3.2.1 實驗步驟

將收集好的樣本構成一個函數模式，并且將其反映到分類器當中，而且將其他的標準函數模式也輸入到分類器當中，利用函數極值解析函數并且得到相應的對比數據。設樣本數據和標準數據都有n個數量，然后計算各自的均值和斜插陣值，最后分類出樣本屬于哪一個模式。

3.2.2 實驗結果

可以看到在這個投影方向上(從(4,0)到(0,4)的直線)，兩類數據點除個別點之外，都顯示出較為良好的劃分界限。而且在投影后零坐標附近基本不會出現數據之間的混雜現象，而且大部分的數據之間的距離相差都比較遠，完美的達到分類的要求[17-18]。如圖6中在進行分類前后各個數據函數的坐標位置圖。

圖6 分類前后數據函數散點位置圖

3.2.3 結果分析

在進行模式識別過程中進行的貝葉斯分類，可以將圖像數據中的函數值很完善的分類出來，并且做到很具體的對比工作，對網絡圖像監控所收集來的圖像可以達到準確度95%的特征分類，保證對于圖像的解析和監控有較高的準確度。

最后利用以上的實驗又進行了多種不同圖像的實驗分析，因為實驗所選取的圖像都是已知數據的圖像，所以與實驗結果的數據進行對比，研究其圖像進行處理后的提高程度百分比，制成表1。其中圖像有景觀圖、人物圖、夜間圖、高速移動圖4種圖像。

表1 不同圖像處理后結果對比表

表格中可以看出在進行處理之后，圖像的完成度都相對的提升，并且對于具體特征的提取更加準確。這也在網絡圖像監控當中對于所需要監控的圖片有更高的辨識度和辨識準確度，為網絡圖像監控系統提高了性能和功能。

4 結論

通過圖像處理技術和模式識別技術的簡要闡述并且將其操作和運算過程進行分析。研究了圖像處理技術和模式識別技術在網絡圖像監控中有很大的利用空間了利用度，并且利用后的效果極為明顯，提高了網絡監控設備的相關功能和性能，加強了這項技術在未來發展中的提高可能。通過兩種技術分別實驗后所得出的表現成果來看，其應用于網絡圖像監控系統中是非常實用和可行性的辦法。

[1] 柴繼貴.圖像監控技術的研究與應用[J].電腦知識與技術,2012，8(3):677-678.

[2] 姜雅慧.基于模式識別的圖像處理方法[J].通訊世界,2016，2(2):262-265.

[3] 邊肇棋，張學工.模式識別(第二版)[M].北京：清華大學出版社,2002.

[4] 王 強，宋京民，胡建平.一種快速模板匹配目標識別算法[J].計算機工程與應用,2006，2(6):42-43.

[5] 孟 斌，馮永杰，翟玉慶.前饋神經網絡中BP算法的一種改進[J].東南大學學報(自然科學版),2001,31(4):40-42.

[6] 管菊花, 郭 波. 基于DaVinci技術的嵌入式智能監控系統[J]. 計算機測量與控制, 2014, 22(9):2754-2757.

[7] 瞿婷婷. 基于圖像處理和模式識別的舌苔分析研究[D]. 上海：華東理工大學, 2016.

[8] 薛志文. 基于模式識別的圖像處理及其在車牌識別中的應用[J]. 呂梁學院學報, 2016, 6(2):15-18.

[9] 鄧淇英. 基于數字圖像處理的織物組織結構自動識別研究[D]. 西安：西安工程大學, 2016.

[10] 劉奕博. 模式識別+閾值處理圖像快速二值化[J]. 發現:教育版, 2016，10(9):25-29.

[11] 王 欣, 高煒欣, 武曉朦,等. 基于模糊模式識別的焊縫缺陷圖像檢測[J]. 西安石油大學學報自然科學版, 2016, 31(4):115-121.

[12] 張蕓峰. 檢測自動化中的數字圖像處理及識別探討[J]. 同行, 2016,3(4):55-56.

[13] 劉 浩, 杜倩云, 張 可,等. 基于視頻處理技術的路網交通運行狀態模糊識別[J]. 公路, 2016,1(2):166-171.

[14] 高 亮. 基于圖像處理技術的非織造纖網木棉/棉混紡含量的測定[D]. 上海：東華大學, 2016.

[15] 胡麗喬. 復雜條件下人臉識別特征提取算法的研究[D]. 上海：東華大學, 2016.

[16] 李彥飛. 基于圖像處理的字符識別方法研究[J]. 當代教育實踐與教學研究:電子版, 2016,3(8):163-164.

[17] 商 磊. 基于動作特征的視頻監控網絡行人識別算法[D]. 杭州：浙江大學, 2016.

[18] 楊盧強, 韓通新. 基于高清圖像處理的弓網檢測識別算法[J]. 鐵道機車車輛, 2016, 36(5):82-84.

Network Image Monitoring System Based on Image Processing and Pattern Recognition

Wu Zhifang1,Liu Xin2

(1.Wuhan University of Technology School of Computer Science and Technology,Wuhan 430081,China;2.Huazhong University of Science and Technology School of Computing,Wuhan 430081,China)

In the continuous improvement of science and technology and living standards, people's property and personal safety problem has not only come from the traditional practical, but gradually transformed into the virtual network. In order to improve people's privacy and security, we need to strengthen the network monitoring, in which the image monitoring is the most important aspect. Strengthen the reliability and real-time performance of image monitoring in the community to achieve steady development and people's network privacy security and property safety of the primary objectives. The application of computer network technology and modern communication technology, the application of comprehensive image processing technology and pattern recognition technology, applied to the design of network image monitoring system is one of the technical support of the social development. In this paper, the image processing technology and pattern recognition technology are analyzed, and the technology of image recognition and processing in network image monitoring is discussed. Through the experiment of color equalization and fuzzy recognition in image processing, it can be concluded that the ability of image recognition and information extraction can be very high.

image processing; pattern recognition; network image monitoring

2016-12-08；

2017-01-18。

吳志芳(1972-)，女，湖北武漢人，碩士，講師，主要從事圖像處理和模式識別、互聯網應用方向的研究。

1671-4598(2017)03-0085-03

10.16526/j.cnki.11-4762/tp.2017.03.024

TP317

A