基于網絡攝像頭的實驗室運動目標檢測系統

王珍珠, 王玉靜, 康守強, 魏兆祥, 章 璜, 徐安彤

(哈爾濱理工大學 電氣與電子工程學院, 哈爾濱 150080)

0 引 言

隨著國內各個高校實驗室建設的不斷發展，監管問題日益突出，如何快速有效的獲取有用監控內容，減少監管人員查看監控內容的負擔，實現對實驗室的監控管理，是現階段研究的重點內容之一[1-5]。

目前視頻監控已經在各種商業應用中普遍存在，但卻往往并沒有充分發揮它的實時主動監督的作用[6-8]。因為現存的大部分視頻監控系統一般都是通過兩種方法運用監控的結果：(1)將攝像頭拍攝的視頻記錄下來，當有異常情況發生后通過回放所保存的視頻，觀察發生的事實，得到關鍵的視頻段信息，但這將耗費大量時間和精力。如2016年某高校實驗室發生的丟失電腦事件，由于沒有第一時間查找到重要視頻段，錯失了最佳處理時間，造成了較大的損失。不能有效的利用視頻監控系統的主動性，不利于案件預防和偵破[8]。(2)把多個視頻監控畫面集中到監控室，通過監控室內數十個，甚至數百個顯示器同時顯示各個場景畫面，以供監控人員觀看。當監控人員通過顯示畫面發現某些異常時，人工通知相關人員前去處理。這樣的系統能防范事件的發生，但據專家的分析調查，發現每小時一個人能集中注意力的時間低于20 min，通常監控人員平均觀看每個攝像頭的時間低于每小時5 min，從而導致視頻監控效率十分低下[9]。文獻[10-11]中研究了實驗室目標檢測，文獻[12]中采用圖像增強模塊改善圖片質量，利用FPGA和DSP對圖像進行了快速的采集與處理，文獻[13]中設計了一種基于FPGA的無線視頻監控系統，文獻[14]中研究了實時監控實驗室，但都沒有進行有用視頻的存儲，而是把所有的監控內容全部保存。

基于普通USB攝像頭、供電模塊、ARM主控模塊、外部存儲電路、DUSB串口電路、USB電路和網卡電路，利用嵌入式Linux和OpenCV函數庫，采用混合高斯模型的背景減除法和JPEG壓縮技術，實現了一種實驗室運動目標檢測攝像頭，結合路由器、服務器和客戶端實現一種實驗室網絡攝像頭運動目標檢測系統。實驗測試驗證了本系統在目標檢測的同時大大縮減視頻存儲空間，并能快速有效的獲取有效的監控內容。

1 運動目標檢測方法

實驗室運動目標檢測攝像頭中的ARM主控模塊運用混合高斯模型的背景減除法來進行運動目標檢測。

背景減除法的基本思想：首先獲取、設定背景圖像，將當前幀圖像與背景圖像進行差分，獲得前景圖像，然后二值化前景圖像。

背景減除法可用下列公式來表示：

Dk(x,y)=|fk+1(x,y)-Bk(x,y)|

(1)

(2)

式中：fk為視頻像序列中的視頻圖像；Bk為背景圖像；Dk為差分后的圖像，Rk為二值化后的二值圖像。

二值化后的Rk(x,y)用1代表前景區域像素點，表示為白色；用0代表背景區域像素點，表示為黑色。但是由于噪聲的存在，即使視頻中沒有運動物體，二值化圖像里仍會存在一些白的噪聲。因此，通過設置閾值T，將白色像素點個數與閾值的大小進行比較，判定是否有運動物體出現。當Dk(x,y)的灰度差值小于閾值，認為是背景點，此時前景畫面是全黑的，大于或等于閾值時，即為前景點，畫面中會出現白色部分，則判定視頻中有運動畫面。

背景減除法進行運動目標檢測的主要優點是算法簡單，實時性強，能夠精確地提取目標完整信息特征。由于該方法對環境比較敏感，背景減除法的難點是如何獲取準確的背景圖像并及時的更新背景圖像。

混合高斯模型可以自適應學習和表示分布復雜的背景模型，背景減除法常用它作為背景模型進行目標檢測，目標檢測的核心在于混合高斯模型參數的確定[15]。

混合高斯模型由k個高斯分布η(Xt,μi,t,Σi,t)i=1,2,…,k的線性組合來模擬背景圖像的每一個像素點，其定義式：

(3)

式中：k為混合高斯模型中高斯分布的個數，一般設定為3到5個；ωi,t是模型中第i個高斯分布函數在t時刻的權重；Xt表示圖像像素點在t時刻的RGB值，其均值和方差分別為μi,t和Σi,t；η(Xt,μi,t,Σi,t)是第i個高斯分布的概率密度函數。可有下式求得：

(4)

(5)

式中：I為3階單位矩陣。

混合高斯背景模型建立首先模型參數初始化，本系統最大高斯分布函數的個數為kmax=5，高斯分布的初始均值μk,0設置為第一幀各點像素值，σk,0=50，高斯權重ωk,0初始化為1/kmax。當輸入新的一幀視頻序列圖像時，判斷新像素與混合高斯模型是否匹配。若匹配，將其判定為背景區域，進行匹配像素點的更新；若不匹配，則將其判定為前景區域，更新背景模型參數。

2 圖像壓縮

壓縮視頻采用幀內處理技術，對每一幀圖像采取JPEG方式進行壓縮，通過有損壓縮的方式使用空間模型去掉圖像中的冗余度，JPEG壓縮方式主要有3個階段：離散余弦變換(Discrete Cosine Transformation, DCT)、量化和熵編碼。DCT變換先將原圖劃分為8×8的像塊的集合，然后將像素塊經過編碼器編碼成壓縮數據。

DCT的計算公式如下：

(6)

(7)

式中，syx(x,y=0,1,…,7)為塊內像素值，suv(u,v=0,1,…,7)為DCT后的變換系數。

低頻部分集中在每個8×8的像塊的左上角，高頻部分在右下角，人類視覺難以感覺到高頻失真，因此低頻部分比高頻部分有用的多，所以量化過程中損失的是高頻部分。量化就是用DCT變換后的元素除以量化矩陣對應位置的量化步長，量化步長越高，圖像壓縮率越高。

對量化系數進行熵編碼。量化系數分兩類，一類是8×8塊中的[0,0]位置，即DC系數，因為兩個相鄰塊中的DC系數相差很小，所以進行差分脈沖調制編碼可以提高壓縮比。另一類是另外63個位置，即AC系數，為了保證低頻部分先出現，高頻部分后出現，采用行程編碼。最后再對DC碼和AC碼進行編碼。

3 系統的總體結構設計

實驗室運動目標檢測系統是由實驗室運動目標檢測攝像頭、路由器、PC客戶端和服務器組成。系統的總體結構框圖如圖1所示。

3.1 硬件組成及功能實現

實驗室運動目標檢測攝像頭包括ARM主控模塊、供電模塊、外部存儲電路、網卡電路、DUSB串口電路、USB電路、降壓模塊、USB攝像頭和WiFi模塊。ARM主控模塊使用Exynos 4412芯片，該芯片是一款高速、低功耗的四核移動處理器，具有2 000 DMI/s(每秒2億指令集)的高性能運算能力，能滿足對視頻數據處理的要求；供電電路包括電源管理模塊和降壓模塊，電源管理模塊采用S5M8767A芯片，其+1.0 V～+3.0 V輸出端與ARM主控模塊的電壓輸入端相連，降壓模塊將來自電源適配器的+5.0 V電壓轉換為+1.8 V電壓作為其他電路的電源；外部存儲電路包括eMMC存儲器和DDR3存儲器，eMMC存儲采用KLMxGxFEJA-x001芯片，DDR3存儲器采用2GB的K4B4G1646Q-HYK0芯片；USB攝像頭經由USB電路與ARM主控模塊相連，將采集到的有運動目標的監控視頻壓縮后通過網卡電路經路由器發送至服務器并保存；PC客戶端訪問服務器獲取有運動目標的監控視頻內容；網卡電路和DUSB串口電路用于移植U-boot、linux內核、根文件系統和Open CV函數庫。

圖1 系統總體結構框圖

3.2 軟件實現

本系統利用混合高斯模型的背景減除法實現運動目標檢測，通過Open CV中封裝好的Background Subtractor MOG2類實現，該類對象為bg_model(frame,fgmask,update_bg_model?-1:0)，其中，frame代表源視頻，fgmask是計算過前景的mask圖像，fgmask為8-bit二值化圖像，update_bg_model?-1:0為學習效率，決定背景的更新頻率。

本系統采用幀內處理技術，利用JPEG壓縮技術，進行視頻的壓縮。通過Open CV庫中的imencode(const string& ext, InputArray img, vector& buf, const vector& params=vector())函數編寫程序實現圖像壓縮。其中，ext是圖片的擴展名，img表示要保存的圖片，buf是輸出緩存，params為圖片格式相關的參數，本文選用JPEG格式，壓縮質量參數(CV_IMWRITE_JPEG_QUALITY)從0到100(數值越高質量越好)，默認值為95，本文設置為50。

3.3 視頻傳輸

本系統使用互斥鎖的TCP并發服務器模型，通過服務器-客戶端模式進行視頻查看。服務器建立兩個處理線程，分別處理運動目標檢測攝像頭和客戶端的連接。客戶端和運動目標檢測攝像頭使用connect()連接到服務器。服務器先處理運動目標檢測攝像頭的連接，保存初始背景幀到服務器，當有運動物體進入監控區域時，運動目標檢測攝像頭將采集到的含有運動目標的視頻數據，壓縮處理后發送到服務器，服務器保存成單個視頻文件。客戶端通過網絡請求訪問服務器時，服務器開啟客戶端處理線程，進行監控視頻查看。大大增強了本攝像頭運動目標識別系統的便利性，減輕人員負擔，提高了監管效率。視頻具體通信流程如圖2所示。

圖2 視頻傳輸流程

4 實驗測試與結果分析

4.1 圖像壓縮的測試

由于視頻數據量太大，為了解決視頻圖像經過遠距離傳輸后的播放流暢問題，采用JPEG壓縮方式。利用OpenCV庫中的imencode()函數進行壓縮，壓縮質量參數為50，減少內存占用。壓縮前后圖像如圖3所示，由于人眼對色彩的分辨有限，所以從圖3可看出壓縮后的圖像與原圖相差不大，可以滿足監控視頻清晰度，同時保證圖像傳輸流暢。

(a) 原始圖像(b) 壓縮后的圖像

圖3 原始圖像與壓縮后的圖像

4.2 背景減除法運動目標檢測方法的測試

為了檢驗基于混合高斯模型的背景減除法的運動目標檢測效果，將運動目標檢測算法在vmware虛擬機上的ubantu系統中進行測試，設置白色像素點閾值T為100，當圖像上白點個數超過100時，說明有運動目標進入監控區域。運動目標檢測方法的測試結果如圖4～6所示。

圖4 背景圖像圖5 有運動物體進入的圖像

圖6 背景減除后圖像

其中：圖5為當有運動目標進入監控范圍時的圖像；圖6為背景減除后的圖像，是運動目標進入監控區域后，攝像頭采集到的圖像與背景圖像進行差分并二值化后所得的前景圖像，其中白像素點部分是通過基于混合高斯模型的背景減除算法獲得的運動目標，當白像素點數量超過100，判定為有運動目標進入監控區域，黑色像素點部分為背景，可見背景已被減除。該實驗結果表明基于混合高斯模型的背景減除法能夠進行運動目標檢測。

4.3 客戶端訪問服務器查看監控視頻測試

實驗測試過程在實驗室進行。首先運行服務器程序，然后運行實驗室運動目標檢測攝像頭程序。實驗室運動目標檢測攝像頭程序采集初始背景幀發送并存入服務器，當有運動目標進入監控區域時，實驗室運動目標檢測攝像頭采集運動畫面，當運動目標離開監控區域后，停止采集運動畫面并將壓縮處理后的視頻數據發送至服務器，服務器保存成單個視頻文件。客戶端向服務器請求訪問時，進行視頻的查看。

圖7為客戶端請求訪問服務器時，查看到的包含有運動目標的監控視頻。圖8為服務器中所保存的由運動目標檢測攝像頭采集并壓縮發送的運動目標視頻文件。打開服務器保存的視頻文件，均為只含有運動目標的視頻。該實驗結果表明客戶端能成功訪問服務器，并能成功查看到監控視頻。

圖7 客戶端圖8 服務器

5 結 語

本文提出了一種實驗室運動目標檢測系統的設計及實施方案。硬件部分以運動目標檢測攝像頭為核心，結合路由器、服務器和客戶端共同構成。軟件部分運用基于混合高斯模型的背景減除法進行目標檢測，再運用JPEG圖像壓縮技術進行視頻的壓縮，最后運用服務器-客戶端模式進行視頻的查看。

該系統在監控實驗室的同時只存儲有人員進出實驗室的監控內容，在視頻存儲方面大大縮減了存儲的數據量，節省了視頻存儲占用的空間；該系統只保留重要的視頻數據，后期翻看監控錄像時，提高了查閱監控內容的效率，能夠較為快速地找出破壞實驗室或涉及犯罪行為的監控錄像；客戶端能夠通過網絡進行遠程監控，使得監管人員對實驗室監控更加方便。該運動目標檢測系統解決了目前高校實驗室在監控管理方面存在的效率低下以及視頻存儲空間浪費等問題。

參考文獻(References)：

[1] 崔貫勛. 基于物聯網技術的實驗室安全管理系統的設計[J]. 實驗室研究與探索，2015，34(3)：287-290.

[2] 張民壘. 基于物聯網的實驗室管理系統的設計與實現[D]. 大連：大連理工大學，2015.

[3] Krishna K P, Chinna R B, Francis P M. ARM based mobile phone-embedded real-time remote video surveillance system with network camera [J]. International Journal of Emerging Technology and Advanced Engineering，2012, 2(8):8-142.

[4] 吳林根, 余觀夏, 王國興. 高校實驗室安全全過程管理[J]. 實驗室研究與探索，2014，33(8)：300-303.

[5] 劉文藝, 劉立群, 單夢晨. 基于無線傳感器網絡的實驗室智能監控系統設計[J]. 實驗室研究與探索，2017，36(6)：259-262，266.

[6] 黃凱奇, 陳曉棠, 康運鋒. 智能視頻監控技術綜述[J]. 計算機學報，2015，38(6)：1093-1118.

[7] 勉 斌. 基于linux的智能交通違章識別系統[D]. 成都：西南交通大學，2013.

[8] 耿金龍. 基于智能視頻監控主動預警系統的設計與實現[D]. 鎮江：江蘇科技大學，2016.

[9] 李 彤. 智能視頻監控下的多目標跟蹤技術研究[D]. 合肥：中國科學技術大學，2013.

[10] Cheong Ghil Kim, Kuinam J Kim. Implementation of a cost-effective home lighting control system on embedded Linux with OpenWrt[J]. Pers Ubiquit Comput，2014, 18(3):539-542.

[11] 王躍萍. 基于ZigBee的實驗室監控系統研究[D]. 大慶：東北石油大學，2013.

[12] 桑旻生. 基于QT+Linux的實驗室視頻監控系統設計與實現[D]. 成都：電子科技大學，2015.

[13] 靖 固, 楊華宇. 基于FPGA+DSP實時圖像采集處理系統設計[J]. 哈爾濱理工大學學報，2016，21(4)：40-44.

[14] 黃 海, 于若愚, 魏家文. 無線視頻監控系統設計[J]. 哈爾濱理工大學學報，2014，19(2)：63-67，72.

[15] 薛勝蘭. 基于移動終端的實驗室視頻監控系統設計與應用[J]. 實驗技術與管理，2015，32(9)：230-232.

[16] 王占鳳, 郭 星, 徐秋月. 基于改進的混合高斯模型背景減除算法[J]. 河南工程學院學報(自然科學版)，2013，25(3)：65-68.