一種基于YOLO算法的智能監控系統

文/楊玉棋 邱虎鳴 王子龍 王躍進

1 當前校園監控存在的問題

在當今社會中，校園安全一直是每個學校最為重視的一點，學校的安全工作，是全社會安全工作的一個十分重要的組成部分。他直接關系到學生能否安全、健康地成長，關系到許多家庭的幸福安寧和社會的穩定。要時刻保證學生安全，但學院里存在的安全隱患十分的多，比如車輛，流浪貓狗等。校園內的監控攝像頭的作用就是加強對校園的監控，但是目前校園中廣泛采用的監控系統只能實現監控視頻的錄制，不能對安全隱患及時做出預警，一旦發生諸如學生進入禁區、攀爬欄桿等情況，警衛人員如未能及時發現等事后趕到現場就為時已晚。所以需要加強監控對安全隱患的探查與預警，將隱患扼殺在搖籃中。

2 改進的實時監控系統

針對現有監控系統不能及時發現潛在安全隱患的問題，本文提出一種改進的智能監控系統：

（1）制作人物及潛在安全隱患事物（貓、狗、自行車、汽車等）的數據集;

（2）訓練YOLO神經網絡，提取各類別物體的特征；

（3）在現有的監控系統基礎上通過攝像頭采集監控錄像傳入監控系統；

（4）智能監控系統劃分敏感區域，同時對采集到的監控視頻中的物體進行分類標注；

（5）一旦有人物進入該區域，即將之標注為紅色，將該條記錄寫入數據庫，同時在監控系統的界面中顯示該條日志；

（6）警衛人員在接到預警信息及時趕往現場。

遷移學習也就是所謂的有監督預訓練，我們通常把這個稱為遷移學習。就是把一個任務提前訓練好的參數，拿到另外一個任務中，作為神經網絡的初始參數值,這樣以來相比于直接去采用隨機初始化的方法，它的精度可以大大的提高。圖片的分類和已經注釋好的數據十分多，但是物體檢測的標注數據卻十分少，盡量去使用較少的標注數據，來訓練高質量的一種模型。

對象檢測需要確定對象的邊界框。我們不光要找到對象的邊界框。同時我們還需要認識到邊界框內的對象是我們要找的這個對象。YOLO的CNN網絡將輸入的圖像分成S×S的網格，然后其中每個單元負責檢測中心點落在網格內的地點。每個單元格都存在預測邊界框和邊界框的置信度。所謂的置信度實際上包括兩個方面，一個是包括目標邊界框的可能性，另一個是邊界框的精確性。前者表示為Pr（對象），當邊界框作為背景時，不包括此對象。這時，Pr= 0。當邊界框含有目標的時候，Pr=1。邊界框的精確性可以通過預測框和實際框的IOU來表示出，表示為IOUpredtruth。因此，可以將置信度定義為Pr（對象）*IOUpredtruth。邊界框的大小以及位置可以用四個數值來表示：（x，y，w，h），其中（x，y）是邊界框的中心坐標，w和h是邊界框的寬度和高度。同樣重要的是要注意，中心坐標（x，y）的預測值是相對于每個單元的左上角的坐標點的偏移值，并且該單位是相對于單元尺寸的。邊界框的w和h預測值是相對于整個圖像的寬度和高度的，因此理論上四個元素的大小應該在[0,1]的范圍內。因此，每個邊界框的預測值實際上包含5個元素：（x，y，w，h，c），其中前4個表示邊界框的大小和位置，最后一個值是置信度。

根據提取的對象的特征執行識別，并且識別的結果顯示在由相機捕獲的圖片或視頻中由YOLO算法構成的邊界框上，并且呈現項目名稱。在學校的一些存在安全問題，較容易發生危險事故的地點，如危險品倉庫，化學實驗室等地方。將這些區域設置劃為一個敏感區域，每一個敏感區域設置一個數據庫，根據邊界框的中心坐標（x，y）是否在禁區坐標范圍內判定是否有標記物體進入禁區，將物體類別計入該禁區所對應的數據庫中,在敏感區域內，矩形框標注出的事物的名稱采用不同的顏色來表示，用來著重強調。

通過提前設定的數據集，系統將識別我們所規定的一些在校園內具有危險性的物體，將其識別后并保存到數據庫。

當系統識別出物體，并將它們存到數據庫中時，同時將當前系統時間一起寫入數據庫中，由于畫面拍攝和系統的物體識別基本上是同步進行的，所以可以將系統識別的時間看做成畫面拍攝時間，將這些信息保存到數據庫中，并作為日志實時輸出到系統的操作界面。且在系統剛開始檢測視頻的同時即保存標注后的視頻，方便事后調出查詢。

3 總結

通過監視、分類、檢測坐標、數據庫讀寫、監控保存等一系列流程，彌補當前校園監控系統普遍采用的監視、保存模式，實時對視頻做一次篩選，既可以減少警力巡邏的人力資源消耗，又可以在學生誤入敏感區域情況及時發出預警，極大彌補了校園安全在監控方面的不足。