基于分布式集群的無人值守監控系統研究

羅松飛 王梓成

摘? 要：隨著監控攝像頭數量的幾何式增加，傳統的僅依靠人工實時觀看監控信息已力不能及。無人值守系統是一種不需要大量人工干預的智能監控系統，它可以自動檢測視頻中目標，并通過報警的方式提醒工作人員。系統通過運動目標檢測、目標定位、Hash圖像匹配、人臉識別等功能實現無人值守。服務器采用分布式集群架構設計，實時完成前端智能攝像頭傳送特征參數到后臺進行匹配的任務。最后，也簡單設計了無人值守監控系統的數據庫。

關鍵詞：無人值守? 分布式集群? 智能監控? 數據庫

中圖分類號：TP277 ? ?文獻標識碼：A 文章編號：1672-3791（2019）11（c）-0013-04

自平安城市項目和3111工程項目建設以來，我國的視頻監控系統得到了快速發展。在2010—2017年期間，我國視頻監控市場規模從242億元增長到1124億元，年均復合增長率達24.53%，其中上海世博會期間，浦東城區高清監控覆蓋項目就投資達10億元人民幣，共設有10000多個監控點。但是，大量視頻監控點的架設，相應地也產生了海量數據，如果要從海量的數據中人工篩選出有用信息，必然消耗大量人力，并且研究表明，人在盯著視頻畫面僅僅22min之后，人眼對視頻畫面里95%以上的活動信息視而不見[1]。無人值守監控系統是一種不需大量人員干預的智能視頻監控系統，其已經成為智能監控系統的研究熱點。

當前，無人值守監控系統的主要研究內容包括：（1）視頻中無人認領可疑物品的檢測報警;（2）對視頻中人流量的自動檢測報警;（3）對禁區內人和物品進入的檢測報警;（4）對視頻中移動物體的檢測識別和比對，發現可疑對象報警;（5）對視頻中個體的行為動作識別，發現危險可疑行為自動報警等。其中，前三類智能視頻監控系統易于實現且研究已較為成熟;第五類智能視頻監控系統不僅涉及圖像處理知識，更多涉及人工智能領域相關知識，且目前相關研究進展較為緩慢，還有待進一步深入研究。而該文無人值守監控系統設計是針對上述第四類智能視頻監控系統。

系統將整個智能監控任務拆分為視頻實時監控部分、信息錄入部分和特征匹配部分。其中視頻實時監控部分完成視頻目標檢測、目標定位、Hash值計算、人臉特征提取等工作;信息錄入部分是基于MVC設計模式實現嫌疑人信息錄入;特征匹配部分主要完成視頻監控部分傳來的特征數據與數據庫中需檢測的嫌疑人進行匹配。

1? 分布式集群架構

前端智能攝像頭提取到人臉特征值，會將這些特征值發送到后臺服務器進行特征匹配，當大量攝像頭都給服務器發送特征值進行匹配時，后臺服務器的數據運算量也就會急劇增加，單個服務器很難滿足這種數據處理的需求。

分布式集群是指一組可協同工作服務器所組成的系統，它可以很好地解決海量數據處理的問題。分布式可以理解將一個業務拆分成多個子業務，服務器對這些任務并行處理，每個子業務可以進行通信。集群是將這些服務部署到多臺服務器上，每個服務器稱之為集群節點，每個節點提供相同的服務，通過負載均衡服務器來調度每個節點的負載情況。并且，集群系統還具有可拓展性，可擴展性主要體現在集群中可實時加入新的服務器提升系統整體的性能。通過分布式集群架構，將視頻分析算法應用到分布式集群上，利用無數個集群節點實現對視頻任務的并行處理，進而滿足實時視頻監控的需要[2]。

2? 視頻實時監控

視頻實時監控部分是由各個智能監控攝像頭完成運動目標檢測、目標定位、目標Hash值計算和人臉特征提取等任務并實時向特征匹配部分發送相關特征值進行匹配。

2.1 運動目標檢測

運動目標檢測即是從視頻里提取畫面中的運動目標，獲取目標在畫面中的位置、范圍信息，它是無人值守監控系統的基礎。運動目標檢測算法有很多，這里簡單介紹其中一種——背景差分法。

背景差分法適用于固定監控范圍的攝像頭，它是將視頻當前幀同背景參考幀做差，提取差分圖像，在此基礎上再選取合適的閾值對差分圖像進行二值化，繼而獲取前景運動目標。背景差分法主要分為3個步驟：首先，是如何獲取視頻中當前背景圖像。目前來說，獲取背景圖像方法有很多，其中的根本是截取一段連續視頻，統計這段視頻內所有背景幀與前景幀，根據背景幀與前景幀分布上的差異，從而得到背景圖像。其次，二值化圖像獲取前景目標。這個過程主要是使用當前幀減去背景幀，設定閾值，提取出運動目標。最后，背景的自適應更新。背景更新的目的是為了適應環境和光照等因素而造成背景的變化，對背景實時更新，繼而更準確地提取運動目標。

2.2 人臉特征提取及識別

人臉特征提取是指從監控畫面中檢測出人臉，然后將人臉信息量化而提取特征，人臉特征提取之后將數據傳送到信息匹配模塊，與錄入數據庫中的人臉進行比對，而后完成人臉識別。

人臉檢測作為人臉識別的第一環節，它的目標是找出視頻圖像中所有的人臉對應的位置，算法的輸出是人臉外接矩形在圖像中的坐標。文獻[3]中將人臉檢測算法分為了4類：（1）基于知識的方法，它將典型的人臉形成規則庫對人臉進行編碼，并通過面部特征之間的關系進行人臉定位;（2）特征不變方法，該算法的目的是在姿態、視角或光照條件改變的情況下找到穩定的特征，然后使用這些特征確定人臉;（3）模板匹配方法，存儲幾種標準的人臉模式，用來分別描述整個人臉和面部特征，然后計算輸入圖像和存儲的模式間的相互關系并用于檢測;（4）基于外觀的方法，與模板匹配方法相反，從訓練圖像集中進行學習從而獲得模型，并將這些模型用于檢測。

人臉識別過程主要是指將視頻中實時檢測的人臉目標同系統數據庫中人臉根據相似度進行分類比對的過程。人臉識別過程主要可以分為1∶1識別和1∶N識別。其中1∶1識別是指將現有的人臉圖像同數據中對應的該人人像進行比對，辨認是否為同一人的過程;而1∶N識別是人臉圖像與數據庫中已有全部的人像進行比對的過程，是眾里尋一的過程。當然也可以是客戶端錄入一個人臉特征信息，與前端眾多智能攝像頭各自提取的人臉特征數據比對。1∶N的人臉辨認過程較1∶1的人臉確認過程困難得多，因為1∶N的人臉比對過程往往需要海量的數據比對過程。

2.3 圖像Hash值匹配

無人值守中另一個功能是圖像匹配，它的應用也很廣泛，如在一個監控畫面中發現目標，截取這個畫面在監控系統中匹配查詢，最終獲取目標所在位置信息。

圖像匹配的算法有很多，其中Hash圖像匹配是眾多圖像匹配算法的一種，這類算法的原理都是通過圖片進行處理，去除圖片中的高頻信息，通過低頻輪廓信息生成圖片Hash值，再通過圖片Hash值漢明距離來刻畫圖片的相似程度。

3? 系統數據庫設計

根據數據庫設計的相關原理及方法，無人值守監控系統的實體包括公安機關、攝像頭、嫌疑人、監控截圖、人臉等實體對象，其中公安機關與攝像頭及嫌疑人之間存在信息錄入聯系，攝像頭與監控截圖及人臉之間存在監控聯系，而監控截圖及人臉實體為嫌疑人的特征。無人值守系統中涉及實體及實體間聯系可由圖1加以描述。

根據圖1刻畫的無人值守監控系統的實體關系圖，結合數據庫設計相關原理，設計無人值守系統數據庫表見表1～表7。

4? 系統整體設計

無人值守監控系統整體設計為分布式集群系統。系統將整個智能監控任務拆分為視頻實時監控部分、信息錄入部分和特征匹配部分。其中視頻實時監控部分是由各個智能監控攝像頭完成對不同場景視頻背景的自適應、目標定位、目標Hash值計算和人臉特征提取等任務并實時向特征匹配部分發送相關特征值進行匹配;而信息錄入部分是基于MVC設計模式實現嫌疑人信息錄入，其中視圖模塊包括錄入機關登陸、嫌疑人身份錄入、監控截圖上傳、監控人臉截圖上傳等功能;信息上傳后，模型模塊對上傳的圖像進行Hash計算并識別人臉特征，最終將需監控的嫌疑人相關信息錄入系統數據庫并通知特征匹配部分讀取新嫌疑人信息;特征匹配部分主要完成從視頻監控部分傳來的運動目標相關特征值等同數據庫中需監測嫌疑人相關特征值進行比對，當監測出與嫌疑目標有相似特征時，通過傳來數據包的IP和MAC地址在數據庫中查找出相應探頭以實現對嫌疑人行蹤的實時定位。無人值守系統整體設計如圖2所示。

5? 結語

該文從整體架構上對無人值守監控系統進行了闡述，分布式集群架構能很好地解決特征實時匹配的問題，前端智能攝像頭提取特征數據再傳送到后臺，也減輕了服務器的負荷，對無人值守監控系統的設計具有借鑒意義。

參考文獻

[1] Wojek C，Dollár P，sSchiele b，et al p.Pedestrian Detection：An Evaluation of the State of the Art[J].IEEE Pattern analysis and machine intelligence，2012，34（4）：743-761.

[2] 陳權.基于分布式集群的多攝像頭的目標檢測和跟蹤的并行算法[D].南京理工大學，2015.

[3] 趙麗紅，劉紀紅，徐心和.人臉檢測方法綜述[J].計算機應用研究，2004（9）：1-4.

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