基于STM32的高空拋物預警系統研究

譚超友，朱海榮，呂 濤，丁世賢

（廣西科技師范學院 廣西 來賓 546199）

隨著高層建筑日益增加，高空拋物傷人事件時有發生，輕則破壞環境衛生，影響居民日常生活，重則直接造成重大人身傷亡和財產損失。社會各界對建立高空拋物監測系統的呼聲越來越高。近年來，機器視覺（Machine vision）逐漸走進人們的視野，它是人工智能（AI）的一個基本分支，是指利用計算機對圖像進行處理、分析和理解，以識別各種不同目標和對象的技術，是一門涉及生物醫學、統計學、計算機科學、圖像處理、模式識別等諸多領域的交叉學科[1-2]。本文研究的高空拋物預警系統運用機器視覺技術，通過視頻錄像進行實時監控與分析，追蹤疑似高空拋物物體，做出預警和反饋。本文設計了一種基于STM32的高空拋物預警系統，主要由OV2640攝像頭、STM32單片機、蜂鳴器以及軟件系統構成，判斷出背景與移動物體的區別并進行鎖定，并進行去噪處理，該系統具有監測靈敏度高、成本低、不受天氣環境影響等優點，能夠精確定位高空拋物的具體位置并實時發送警報信號，提醒路上行人及時躲避，既能起到事后追責的作用，也起到事前預防的作用[3-4]。

1 系統總體結構

本系統由硬件部分和軟件部分組成。硬件主要由OV2640攝像頭、STM32單片機、蜂鳴器、LED等以及語音報警系統構成，主要負責收集圖像信息，形成一套能感應環境并做出反應的裝置。軟件部分由具有豐富的函數庫以及兼容性良好的python技術，結合Micropython解釋器用于處理圖像信息等系統構成，主要處理數據并將獲取到的數據通過網絡反饋至服務器。

2 硬件系統

2.1 工作原理

本套系統使用STM32-F407ZGT6開發板作為核心部件，圖像算法部分在此開發板上進行運算。模塊外擴了IO口、UART、SPI、IIC、CAN通信接口，方便用戶拓展使用[5]，使用OV2640攝像頭實時監控高空情況，把接收到的視頻信息傳輸至開發板進行視頻處理，當視頻信息判斷為有物體掉落時，發出報警指令，傳輸至報警模塊，以及存儲模塊，實現報警及存儲功能，之后將數據信息反饋到服務器實現數據可視化顯示。硬件設計圖如圖1所示。

圖1 硬件設計圖

2.2 主控板及其擴展模塊

主控板采用Open系列，芯片使用STM32-F407ZGT6，如圖2（a）所示，它帶有豐富的擴展接口，支持各類外圍模塊的接入，方便對高空拋物監視與預警。核心板（STM32-F407ZGT6）中DCMI接口方便接入OV2640攝像頭模塊，如圖2（b）所示；Ethernet接口方便接入以太網模塊，如圖2（c）所示；其電路原理圖如圖3所示。

圖2 硬件展示圖

圖3 電路原理圖

3 軟件系統

3.1 軟件架構

通過報告顯示城市高空墜物的種類中，“生活用品”的墜落所占比重達到了32.7%，居各項墜落之首[6]。通過攝像頭收集到的圖像數據進行分析，使用背景分割器Background Subtractor進行“生活用品”分割能夠取得良好效果，Background Subtractor是一款視頻分析專用軟件，會對視頻中的每一幀進行“學習”并比較，計算陰影，排除檢測圖像的陰影區域，按照時間推移的方法提高運動分析結果的準確性。而且Background Subtractor不僅可以用于背景分割，還可以提高背景檢測效果。去除背景后，沒有運動的物體，就不會出現白點，將會繼續觀察并獲取圖像。當出現運動物體時，捕捉白點進行追蹤記錄并且報警。

整體軟件設計偽代碼如算法1所示。軟件設計框圖如圖4所示。

圖4 軟件設計框圖

算法1：

import cv2 as cv

Begin（算法開始）

# 構造VideoCapture對象

cap

# 創建一個背景分割器

pBackgroundMOG

while True:

讀取視頻

當所有幀讀取完畢后退出循環

If判斷視頻是否讀取完全

print('視頻讀取失敗或者視頻已讀取完畢')

else:

FGMask = pBackgroundMOG.apply(frame) #背景分割，并得到前景圖像

計算圖像大小并顯示得到的前景圖像，并用畫框框出圖像。

設備開啟后，設定監控環境參數，先對監控背景進行提取保存，后將監控視頻與背景對比并去除提前保存的背景，區分靜態與動態效果，當物體運動時則在黑色的背景中顯示為白色，OV2640攝像頭不斷地將實時監控畫面和歷史監控畫面進行對比，當特征不改變即全為黑色時，沒有發生像素的改變，繼續監控對比；當特征不一致即出現白色的圖像時，通過OpenCV算法進行視頻物體跟蹤、判斷，排除干擾項，去除噪聲干擾。根據上述算法計算出有物體下落，即與系統預先保存背景進行比對，即可鎖定拋物房間的具體位置，預警系統中的揚聲器與LED燈發出預警，同時將信息傳送給服務器并記錄信息，為追究拋物者的責任提供佐證。

3.2 create Background Subtractor KNN背景去除器

主要利用cv2中的create Background Subtracto KNN[7]判斷出背景與移動物體的區別并進行鎖定：創建KNN的混合高斯模型，作用是判斷靜態背景，而主要參數是在幀數范圍內像素沒有發生變化，則判斷此幀為背景。此算法實際運用實例：黑白圖像為右側行人在15幀之前留下的圖像不同，所以顯示為白色的輪廓以此確定移動物體的具體位置，此時則可根據輪廓找到中心點進行輪廓確定，以確定物體運動的軌跡。去除背景前后對比圖如圖5所示。

圖5 去除背景前后對比圖

基于背景減除法的視頻序列運動目標檢測算法[8]，主要作用是降低減除法針對光線變化、噪聲和局部運動等因素對運動目標檢測的效果。

3.3 對圖像進行去噪處理

（1）使用cv2.morphologyEx（形態學去噪聲）

morphologyEx函數是一種形態學變化函數。數學形態學可以理解為一種濾波行為，因此也稱為形態學濾波。對于錄制圖像中出現的噪聲，首先利用cv2.morphologyEx進行形態學去噪聲處理，以便能更精確地確定運動物體位置，濾波中用到的濾波器，在形態學中稱為結構元素。結構元素往往是由一個特殊的形狀構成，如線條、矩形、圓等。

（2）使用cv2.blur（圖像濾波）

cv2.blur只取內核區域下所有像素的平均值并替換中心元素，一般設定為3x3標準化盒式過濾器。根據算法對真彩色圖像進行濾波，該算法可以有效地濾除圖像中的脈沖噪聲，并能較好地保持圖像的邊緣細節信息[9]。

（3）使用cv2.boxFilter（img,-1,ksize,normalize=True）方框濾波

當normalize=True時，與均值濾波結果相同，normalize=False，表示不需要進行歸一化處理，直接使用鄰域像素值的和。當normalize=0時，因為不進行歸一化處理，因此濾波得到的值很可能超過當前像素值范圍的最大值，從而被截斷為最大值。這樣，就會得到一幅純白色的圖像。使用get Structuring Element函數會返回指定形狀和尺寸的結構元素，然后使用cv2.boundingRect提取矩形坐標計算中心點，反推出矩形以及長、寬、高坐標（x，y，w），在原圖上繪制矩形顯示掉落物品的位置，物體展示如圖6所示。

圖6 物體追蹤展示

4 測試

當軟件數據處理設置與硬件連接設計完成后，在某學院中的宿舍樓安裝攝像頭并且進行測試。測試的主要內容為：利用本系統部署攝像頭監測樓層。監測到高樓拋物體則記錄為準確，系統抓捕不到拋物體則記錄為失敗。在晴天、陰天、雨天的不同天氣情況中均累計測試1 000次。實驗結果為：在晴天準確次數為980次，陰天準確次數為985次，雨天準確次數為897次，三個天氣狀態下，準確率分別為：98%、98.5%、89.7%。測試結果顯示，雨天雖受雨滴影響，但也有較高的檢測效果。證明系統實用性比較高。記錄同一監控視頻在不同分辨率下得到的參數如表1所示。系統的主要工作流程，為攝像頭收集數據后利用串口將數據傳輸至STM32開發板，STM32開發板中處理數據，并作出反應后傳輸信號至警報系統和數據控制中心。

表1 同一監控視頻在不同分辨率下得到的參數

5 總結

從實際測試結果來看，實驗的動態物體捕捉效果較好，使用的形態學去噪聲、形態學濾波，能更有效地去除視頻中的白點噪聲，使得背景去除時不會將白點作為運動的物體列入警報行列，并且對于較大物體的運動較為敏感。通過同一視頻不同分辨率下關鍵幀提取的研究，利用其他分辨率的視頻圖像進行驗證，結果證明本文方法可行，能夠較好地實現給定分辨率下監控視頻關鍵幀的提取。目前高空拋物監測系統大多是以視頻監控、圖像處理等技術為基礎，由于受到拍攝角度、天氣、環境等因素影響，其定位精度、實時預警等問題均有一定局限性。在后續研發及改進過程中，可以采用超聲波傳感技術與OV2640攝像頭協同作用，利用超聲波測距原理，將高空拋物瞬間檢測到的信息傳送給單片機，結合圖像分割及處理技術，通過監控服務器調取高空拋物的發生時刻和具體位置，便于后續追溯高空拋物責任人。綜上所述，本文設計并實現了一種高空拋物監測與警示系統，能夠精確定位拋物位置并實時發出預警信號，具有較好的實際應用價值和發展改進潛力。