基于深度傳感器的監(jiān)控技術(shù)與算法

袁鵬程， 何健安

(1.西安石油大學(xué) 陜西省油氣井測控技術(shù)重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710065；2.西安石油大學(xué) 光電油氣測井與檢測教育部重點(diǎn)實(shí)驗(yàn)室， 陜西 西安 710065)

0 引 言

隨著智能傳感器技術(shù)的發(fā)展[1～3]，傳統(tǒng)視頻監(jiān)控[4～6]開始向智能視頻監(jiān)控[7]發(fā)展。由于智能視頻監(jiān)控需要進(jìn)行大量的數(shù)據(jù)處理，所以云存儲(chǔ)技術(shù)在智能監(jiān)控領(lǐng)域的需求也與日俱增。張海山[8]指出云存儲(chǔ)在存儲(chǔ)數(shù)據(jù)的同時(shí)，主要提供了數(shù)據(jù)處理的服務(wù)，并從架構(gòu)上改變了傳統(tǒng)視頻監(jiān)控系統(tǒng)模式。目前，已有很多智能視頻監(jiān)控技術(shù)方面的研究和創(chuàng)新,主要體現(xiàn)在對(duì)傳感器數(shù)據(jù)采集方面的研究。張軍等人[9]提出了單傳感器分批估計(jì)融合與模糊理論中的相關(guān)性函數(shù)與加權(quán)自適應(yīng)算法相結(jié)合的數(shù)據(jù)融合方法。張誠等人[10]提出了一種多攝像機(jī)監(jiān)控環(huán)境下的目標(biāo)跟蹤方法,其將特征融合與時(shí)空關(guān)聯(lián)進(jìn)行了融合，且通過實(shí)驗(yàn)表明，在實(shí)際中有較好的適應(yīng)性。李忠海等人[11]設(shè)計(jì)了一種智能檢測系統(tǒng)，實(shí)現(xiàn)了對(duì)異常狀況,被動(dòng)地實(shí)施監(jiān)測，并設(shè)計(jì)了增強(qiáng)算法，使得普通攝像頭也可實(shí)現(xiàn)夜間監(jiān)控[11]。通過對(duì)現(xiàn)有的文獻(xiàn)分析發(fā)現(xiàn)，現(xiàn)有的智能視頻監(jiān)控技術(shù)，大都是通過獲取較長一段時(shí)間的視頻信息，然后進(jìn)行一定的圖像處理來判斷人體的行為，這樣不僅使得實(shí)時(shí)性大大降低，且在夜晚還會(huì)增加識(shí)別的難度。在實(shí)際中，需要在極短的時(shí)間內(nèi)識(shí)別出在關(guān)鍵設(shè)施區(qū)域的闖入者。

本文提出的基于深度傳感器的關(guān)鍵設(shè)施監(jiān)控技術(shù)，利用深度傳感器提取人體不同部位的骨架長度[12]，利用支持向量機(jī)(support vector machine,SVM)算法對(duì)其進(jìn)行驗(yàn)證，識(shí)別成功率可以達(dá)到80 %，表明此方法可以作為一種關(guān)鍵設(shè)施監(jiān)控的新思路。

1 人體骨架特征提取

深度傳感器獲得的人體骨架示意如圖1所示。

圖1 人體骨架示意

取圖中人體骨架的8個(gè)部位的長度值(以變量x1～x8表示)作為人體特征值。X={x1,x2,x3,x4,x5,x6,x7,x8}。

2 建立數(shù)學(xué)模型

1)準(zhǔn)備訓(xùn)練樣本X

{(X1,d1),(X2,d2),(X3,d3),…,(Xp,dp)}

(1)

式中X為特征向量；d為不同特征向量對(duì)應(yīng)的標(biāo)簽，取值為±1。設(shè)樣本X中有N組數(shù)據(jù)，每組數(shù)據(jù)有D(D=8)個(gè)特征值。

2)取核函數(shù)K(X,Xp)

本文選擇高斯徑向基核函數(shù)(RBF)，其中，γ取0.7，則

K(X,Xp)=exp(-γ‖X-Xp‖2)

(2)

將式(1)代入上式(2)，得到矩陣K

(3)

3)獲得拉格朗日目標(biāo)函數(shù)

(4)

式中α1,α2,…，αp為待求系數(shù)，求函數(shù)Q(α)對(duì)應(yīng)于各變量αp的偏導(dǎo)，并使之為0，從而求出各αp的值

(5)

4)求解目標(biāo)函數(shù)

解方程(5)，求得目標(biāo)函數(shù)的未知系數(shù)α1,α2,…,αp，準(zhǔn)備預(yù)測樣本X，將其代入判別函數(shù)式(6)

(6)

根據(jù)f(X)的大小，對(duì)預(yù)測樣本X進(jìn)行分類。由于訓(xùn)練集的標(biāo)簽d為±1，所以,根據(jù)所得f(X)值的大小，可對(duì)樣本X進(jìn)行分類:當(dāng)結(jié)果大于0時(shí),屬于訓(xùn)練時(shí)d=1對(duì)應(yīng)的一類;當(dāng)結(jié)果小于0時(shí)，則屬于d=-1對(duì)應(yīng)的一類。

3 設(shè)計(jì)分類器

以識(shí)別3個(gè)人(A，B，C)的身份為例，需3個(gè)一對(duì)二的分類器，分別設(shè)為A分類器f1(X)，B分類器f2(X)，C分類器f3(X)。各分類器對(duì)應(yīng)標(biāo)簽設(shè)計(jì)如表1所示。

表1 標(biāo)簽設(shè)置

利用分類器對(duì)人體進(jìn)行分類識(shí)別，設(shè)人體特征向量為X，則識(shí)別過程如圖2所示。

圖2 單個(gè)分類器兩分類過程

為了區(qū)別此三人與其他人，需通過實(shí)驗(yàn)獲得最佳的閾值y(一正一負(fù))，當(dāng)X通過分類器的結(jié)果超出此閾值時(shí)，X分類的結(jié)果就是D(其他)。通過對(duì)測試集訓(xùn)練獲得各分類器最佳閾值,分別為測試集A，測試集B，測試集C，以及其他測試集D，AB，AC，BC為混合測試集。設(shè)y1,y2,y3分別為分類器f1(X)，f2(X)，f3(X)的閾值，定義變量X1，X2，X3表示用來訓(xùn)練的人體特征向量，取值范圍如表2所示。

表2 不同閾值下變量取值范圍

閾值的選取規(guī)則為

(7)

4 實(shí)驗(yàn)過程與結(jié)果分析

4.1 分類器實(shí)驗(yàn)

取50組A數(shù)據(jù)通過A分類器，50組B數(shù)據(jù)通過B分類器，50組C數(shù)據(jù)通過C分類器。由分類結(jié)果獲得A，B，C識(shí)別成功率分別為86 %,94 %,94 %。各分類器的分類成功率達(dá)到了85 %以上，具有較好的分類效果，故可用于人體識(shí)別算法的總體設(shè)計(jì)。

4.2 選取最佳閾值

A，BC，D測試集各50組，經(jīng)A分類器分類，得如圖3(a)所示的折線圖。B，AC，D測試集各50組，經(jīng)B分類器得到如圖3(b)所示的折線圖。C，AB，D測試集各50組，經(jīng)C分類器分類，得到如圖3(c)所示的折線圖(圖中橫坐標(biāo)為組別編號(hào)1～50，縱坐標(biāo)為每組數(shù)據(jù)經(jīng)過分類器后得到的無量綱數(shù)據(jù)，均沒有單位)。

圖3 分類器分類結(jié)果

通過對(duì)上面折線圖的分析，結(jié)合本文閾值選取方法，根據(jù)式(7)選取閾值如下:f1(X)為(-y1,y1)=(-2,2)，f2(X)為(-y2,y2)=(-3,3)，f3(X)為(-y3,y3)=(-2,2)。

5 人體識(shí)別算法總體設(shè)計(jì)

利用各個(gè)分類器投票的方式進(jìn)行總識(shí)別算法的設(shè)計(jì)。n1，n2，n3，n4分別表示A，B，C，D最終的得票數(shù)。人體識(shí)別方案如圖4所示。

圖4 人體識(shí)別程序

A,B,C,D中得票最高的即為X的識(shí)別結(jié)果，若出現(xiàn)2個(gè)人及以上得票最高且票數(shù)相同，則視為此次識(shí)別失敗。

6 人體識(shí)別結(jié)果

取A，B，C，D各50組得到的正確識(shí)別數(shù)分別為44，42，41，37組，識(shí)別成功率分別為88 %，82 %,81 %,74 %,A，B，C的識(shí)別成功率均達(dá)到了80 %以上，而D的識(shí)別率偏低，一方面這主要跟D訓(xùn)練集的選取有關(guān)，本文隨機(jī)選取其他3個(gè)人組成了訓(xùn)練集，如果D的選取范圍越大，即多選幾個(gè)人，其越具有普適性；另一方面，與分類器閾值的選取也有較大關(guān)系。后續(xù)研究的方向可以是D訓(xùn)練集以及具體分類器閾值的選取方面。

7 結(jié) 論

提出了基于深度傳感器的關(guān)鍵設(shè)施監(jiān)控技術(shù)，基于SVM進(jìn)行算法設(shè)計(jì)，取得了較好的識(shí)別效果，為關(guān)鍵設(shè)施的監(jiān)控技術(shù)提出了一種新的思路。利用深度傳感器進(jìn)行數(shù)據(jù)采集，實(shí)時(shí)性高，且不受光照影響，魯棒性強(qiáng)。基于SVM設(shè)計(jì)的識(shí)別算法，在識(shí)別出入侵者的同時(shí)，還可區(qū)別出具體的操作人員身份。能夠在極短的時(shí)間識(shí)別出靠近關(guān)鍵設(shè)施的人，監(jiān)控人員可迅速做出反應(yīng)。但目前此算法的識(shí)別成功率還不是最佳，算法還有待進(jìn)一步完善:一是可以研究建立更加精確的人體骨架模型，二是可以用其他的算法代替SVM算法進(jìn)行模型訓(xùn)練，如BP神經(jīng)網(wǎng)絡(luò)，相信隨著研究的深入，本文所提人體識(shí)別方法的成功率會(huì)有顯著提高。