基于移動智能的視頻監控系統關鍵技術研究

李國偉

摘要：視頻監控系統作為一種安全防范的有效手段，正越來越受到人們的重視。其中視頻監控技術在安全、交通、軍事等領域已取得較為廣泛的應用。文章結合監控系統在實時性和可控性上的性能進行關鍵技術研究，為類似技術提供參考。

關鍵詞：智能視頻監控；關鍵技術；關鍵算法

0引言

移動互聯網的飛速發展促進了生活生產方式的飛躍，人們可以隨時隨地，透明地獲取數字化的服務，實現了信息空間與物理空間的融合。移動視頻監控采用了更新的技術，是計算機，移動網絡，視頻編碼技術和視頻傳送器的結合。本文對移動智能終端視頻監控系統設計技術進行介紹，以期為解決相關視頻監控業務在移動互聯網上傳輸的帶寬瓶頸。

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，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（如圖1所示）。

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，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像素問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有0<1、2、3；同樣圖像I有8<96、64/8>2，則圖像I有1<2、3/1>0；所以圖像I和圖像I/有鄰域大小一致的關系。

1.2.2支持向量機分類算（SVM）

考慮一個用某特征空間的超平面對給定訓練數據集作二值分類的問題。對于給定樣本點：

（3）

其中，向量x可能是從對象樣本集中抽取某些特征直接構造的向量，也可能是原始向量通過某個核函數映射到核空間中的映射向量。在特征空間中構造分割平面：

（4）

（5）

（6）

（7）

其中，a>0為Lagrange乘數。約束最優化問題的解由Lagrange函數的鞍點決定，并且最優化問題的解在鞍點處滿足對w和b的偏導為0，將該二次型規劃（QP）問題轉化為相應的對偶問題，即：

（8）

（9）

（10）

（11）

（12）

（13）

（14）

（15）

（16）

（17）

由式（15）和式（16）可以得出，FCSVM算法將支持向量的個數從N個通過變換矩陣映射為m個，由此可以降低支持向量的維數。

2實驗過程

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

（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2416個正樣本和3000多個負樣本；測試庫包含1126個正樣本。所有樣本的尺寸大小都為108×36個像素。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。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

綜上所述，智能化已成為視頻監控發展的必然趨勢，并且受到越來越多的關注。移動智能視頻監控作為監控技術發展的主要方向之一，結合網絡技術帶來新的變革，在不斷滿足市場競爭的同時，趨向于一種理性思考，其正是以一種高姿態，高要求進入我們的世界，具有廣泛的應用前景。