基于安卓的遠程智能監控系統設計

古靜 陳瑋

摘 要：傳統視頻監控系統要求監控人員時刻緊盯畫面，很容易造成監控人員視覺疲勞與疏忽，為克服該弊端，設計一種遠程智能監控系統。通過客戶端與服務器端的實現過程，重點闡述了智能監控系統的設計，通過對出現在監控場景中的運動物體進行檢測，實現了對運動目標跟蹤，使用感知哈希算法可以保證在光照變化時不丟失追蹤目標，并開發了Android移動設備應用程序。用戶在有網絡的情況下可以查看監控場景，在應用程序退出后能夠接受服務器傳輸過來的報警提醒。

關鍵詞：人工智能；目標跟蹤；遠程監控；感知哈希；智能監控

DOI：10.11907/rjdk.172436

中圖分類號：TP319

文獻標識碼：A 文章編號：1672-7800（2018）005-0072-04

Abstract：This paper descripes the development of artificial intelligence and intelligent monitoring system in China and designs a system with both client and server. This paper realizes the tracking of moving objects after detecting the moving objects that appear in the monitoring scene， and the perceptual hash algorithm used in this paper avoids losing the tracking target when the illumination changes. Android application is also developed to view the monitoring scene wherever network is available， and users will receive the alarm via the application when moving objection is detected.

Key Words：artificial intelligence； target tracking； remote monitoring； perceptual hash； intelligent monitoring

0 引言

近年來，人工智能在中國發展非常迅猛。李克強總理在2017年3月5日政府工作報告中首次指出要加快發展包括人工智能在內的新興產業。國內BAT三大互聯網巨頭大力發展人工智能：百度建立商業智能實驗室（BIL）、深度學習實驗室（IDL）、機器人與自動駕駛實驗室（RAL）、硅谷人工智能實驗室（SVAIL）、大數據實驗室（BDL）等五大人工智能實驗室；騰訊發布了快速讓硬件具備語音和視覺圖像能力的智能服務平臺“小微”，小微還是一種可以擴展硬件能力的智能解決方案；阿里巴巴建立了數據科學與技術研究院，該研究院現在是阿里負責智能技術研發的核心團隊、阿里巴巴NASA計劃的人工智能大腦。由此可見，人工智能行業在中國得到了政府與企業的大力支持。 前微軟全球副總裁、創新工場董事長兼首席執行官李開復預測中國不久后將在人工智能行業處于領先地位[1]。

智能監控系統是一種基于人工智能、可以分析監控畫面的新型監控系統，隨著移動終端的普及以及人工智能的飛速發展，智能監控系統已經成為安防領域研究的新熱點。我國監控系統研究機構中，中科院自動化所處于領先地位。中科院自動化所在研究中主要對人的動作進行檢測識別，同時還可對交通場景進行視覺監控[2]。2002年，中科院自動化所舉辦了第一屆全國智能視覺監控學術會議，重點探討了目標識別、序列圖像分析以及高層語義理解等相關內容[3]；2016年10月19日，中科院自動化所又舉辦了第四屆全國智能視覺監控學術會議，重點討論了智能監控系統在生產實踐中的應用。

視頻監控是現代安防系統的重要組成部分，而傳統的視頻監控系統要求監控人員時刻緊盯畫面，很容易造成監控人員的視覺疲勞并造成疏忽。智能監控系統通過自動采集實時監控圖像，對獲取的圖像進行智能分析，判斷畫面是否有異常，可以檢測出實時監控畫面中的運動物體，并進一步跟蹤運動物體[4]。本文的遠程監控系統可以減少大量監控過程中的人工勞動，并大大提升監控效率，具有極高的應用價值[5]。

1 系統總體結構

遠程智能監控系統的總體結構設計如圖1所示，主要包括圖像采集設備（攝像頭）、服務器（個人電腦）和移動設備3部分。

2 服務器端

2.1 系統配置

系統采用個人計算機進行實時監控視頻獲取與圖像處理，利用C++語言在VS2010上進行開發，利用OpenCV進行圖像處理。OpenCV包含少量C++類和大量C 函數，可以用于實現圖像處理方面的很多通用算法，大大提高圖像處理程序的開發效率[6]。要想使用OpenCV提供的各個接口，需要在VS2010新建項目中添加程序文件后，在屬性管理器中添加OpenCV的依賴項，將OpenCV的庫文件全部添加到VS2010項目的附加依賴項。添加方式如圖2所示。

2.2 運動物體檢測

實現對異常物體的追蹤首先要實現對異常物體的檢測。幀間差分法檢測速度快、計算簡單，對動態環境具有很好的適應性，可以用于在視頻監控中檢測運動物體。如圖3，幀間差分法對視頻中連續的若干幀圖像做差分運算，從而獲得視頻中出現的異常物體輪廓。通過對連續幀之間圖像對應位置像素點進行運算得到目標檢測結果[7]。如果兩幀圖像運算后的結果大于設定好的閾值時，設置對應位置的像素值為 1，否則設置為0，從而可以得到一個二值圖像，再對二值圖像進行一次閉運算，使輪廓上斷開的部分融合，填補輪廓上的間隙。再使用對噪聲具有平滑作用的sobel算子消除部分點對輪廓提取的影響，在得到的二值圖像中進行輪廓檢測。

2.3 運動物體跟蹤

在檢測到運動物體之后，監控系統使用感知哈希算法對物體進行持續跟蹤。感知哈希算法利用DCT域中的低頻系數，只要圖像中物體的整體結構不變，哈希值就不會有變化，從而避免了光照變化對物體跟蹤效果的影響[8]。

感知哈希算法可以提取具有圖像特征的指紋，該指紋十分簡單，可以用于畫面相似度比較[9]。監控系統通過不斷進行窗體掃描，利用指紋相似度找到與運動物體最像的目標，從而達到跟蹤目的。如圖4，感知哈希值的步驟為：

（1）圖片預處理。縮小圖片尺寸，并將彩色圖片變為黑白圖片。

（2）計算DCT。計算圖片的DCT（離散余弦變換）變換，得到32*32的DCT矩陣。

（3）縮小DCT。左上角的矩陣位低頻信息，具有代表性，提取矩陣左上角的8位矩陣。

（4）計算平均值。計算DCT矩陣的平均值。

（5）計算hash值。將矩陣中大于等于系數均值的系數值設為“1”，小于系數均值的設為“0”。

（6）將哈希值組合成一個64位列向量，即圖片指紋。

對檢測到的目標按照圖5所示方法計算哈希值，對傳輸的下一幀圖像進行掃描并計算每一個掃描窗口的哈希值。選擇其中與上一幀哈希值漢明距離最小的窗口作為運動物體的最新位置。對傳入的圖像重復該步驟，更新目標位置與哈希值，實現對目標的跟蹤。

2.4 跟蹤效果檢測

當視頻中沒有運動物體時，監控界面沒有檢測到運動物體輪廓，如圖6所示。

當物體運動時，跟蹤到物體，界面中出現目標輪廓，如圖7所示。

光線變暗，移動物體依舊被鎖定，如圖8所示。

3 客戶端及通信

在實現對目標的檢測與跟蹤之后，可以進一步擴展設計，實現客戶端報警功能以及遠程視頻傳輸功能。如果監控系統具備這兩個功能，監控人員就不必時刻停留在監控電腦前，只需要隨身攜帶手機即可掌握監控現場的實時情況。

3.1 報警與圖像傳輸功能設計

監控系統使用Socket跨平臺協議實現報警功能和遠程視頻傳輸功能[10]。遠程監控系統在啟動之后建立服務器端Socket，一旦檢測到異常運動物體，就通過Socket向客戶端手機APP發送警報信號，客戶端通過Socket對象與服務器建立連接，服務器即可將實時監控畫面傳輸到客戶端[11]。監控人員在處理完異常后，可以通過客戶端中斷連接。Socket通信流程如圖9所示。

APP使用JAVA語言編寫，用來接收服務器發送的報警信號和視頻圖像。客戶端總體設計見圖10，包含了4個模塊：①UI模塊用于向用戶展示監控畫面；②Activity模塊為Android的活動，主要功能為控制UI的顯示內容，接收服務器的實時畫面數據以及解碼顯示圖像；③Service模塊是應用程序在退出后仍然會運行的部分，這個模塊用來與服務器建立連接，等待服務器推送報警消息，當接收到服務器推送的消息后，Service模塊會在安卓手機上提示報警；④Notification是Android平臺提供的通知欄接口，創建之后無論系統處于桌面還是應用程序中其它界面，都可以顯示報警消息。

3.2 報警與圖像傳輸功能實現

當監控系統發現運動物體時，通過Socket對客戶端APP進行報警，報警信息會出現在通知欄，如圖11所示。

此時，可以通過APP，從服務器端接收實時畫面，如圖12所示。

4 結語

智能目標跟蹤系統實現了對運動物體的檢測跟蹤，提升了監控效率，在對倉庫、保管室等靜態環境的監控中可以發揮巨大作用，同時客戶端的使用讓監控方式靈活起來，監控人員可以更加便捷地掌握現場情況。近幾年隨著

人工智能的迅速發展，我國安防行業可以借這股浪潮變得更加智能化，從而實現更高效、更精確的智能監控。

參考文獻：

[1] PAUL T， 李開復. 中國的人工智能革命：理解中國的結構性優勢[J].機器人產業，2018（1）：83-95.

[2] 李川.淺述視頻監控系統的經歷與發展[J].電大理工，2009（4）：49-50.

[3] BUCH N， VELASTIN S A. ORWELL J. A review of computer vision techniques for the analysis of urbantraffic[C]. IEEE Transactions on Intelligent Transportation Systems， 2011：920-939.

[4] 王素玉.智能視覺監控技術研究進展[J].中國圖像圖形學報，2007，12（9）：1505-1514.

[5] 吳曉陽.基于OpenCV的運動目標檢測與跟蹤[D].杭州：浙江大學，2008.

[6] 熊英.基于背景和幀間差分法的運動目標提取[J].計算機時代，2014（3）：38-41.

[7] FEI M J， LI J， LIU H H. Visual tracking based on improved foreground detection and perceptual hashing [J]. Neurocomputing ， 2015，152：413-428.

[8] FRIDRICH J，GOLJAN M. Robust hash functions for digital watermarking[C].IEEE Proceedings International Conference on Information Technology： Coding and Computing， 2000：178-183.

[9] ZHAO Y B. A low cost GSM/GPRS based wireless home security system[J]. Consumer Electronics，2008，54（2）：567-572.

[10] 王韋樺.智能視覺監控中運動目標檢測與行為識別方法[D].西安：西安電子科技大學，2014.

（責任編輯：何 麗）