基于視頻分析技術的校園安防系統設計

徐廣飛,牛月冬

(唐山工業職業技術學院,河北 唐山 063299)

0 引言

面對廣大師生的校園安全問題,安防監控系統的應用顯得尤為重要,基于人工智能、視頻分析技術,開發研究了在校園安防環境下的煙霧全自動檢測、行人檢測等關鍵技術,并設計實現了基于視頻分析技術的校園安防系統。

1 一種新Yolov3 檢測煙霧方法

每年發生的火災不計其數,輕則受傷,重則喪生。對于高校而言,師生所出入的校園場景火災預防再次成為關注的焦點[1]。 任何事物的形成都有一個過程,火災也不例外,防火先防煙,動態煙霧的撲滅是防止火災蔓延的關鍵,也是為消防人員第一時間贏取綠色通道提供便利。

火災煙霧檢測方法有哈爾特征法、傳統Yolov3 煙霧檢測方法和一種新Yolov3 煙霧檢測方法[2-3]。 在校園選取4 個不同場景,足球場、實驗室、宿舍和機房,分別在每個場景模擬制造火災煙霧現場,用3 種特征提取方法進行煙霧檢測對比,經對比發現,在不同的場景煙霧檢測效果不同。 本文主要研究一種新Yolov3 煙霧檢測方法在校園安防中的煙霧檢測,具體流程:輸入圖像-光流算法識別輪廓-動態前景與靜態背景-框定動態前景區域-圖像分離提取動態運動-檢測模型-模擬訓練檢測模型-Yolov3 網絡篩選-檢測煙霧范圍-Yolov3 框定煙霧區域完成二次檢測-結果輸出。

3 種方法在不同場景中的查全率和誤檢率如表1所示。

表1 不同場景特征提取對比

通過校園內4 種不同場景的模擬火災煙霧實驗對比發現,哈爾特征和傳統Yolov3 煙霧檢測對足球場的煙霧檢測框選出現偏差,主要原因是受外界日照、風速影響難以框定,而新Yolov3 算法通過圖像的模擬訓練增強了框選精準度。 由于實驗室的化學藥品有遇高溫易燃易爆的特點,新算法經過Yolov3 煙霧的二次檢驗實現了查全率最高。 宿舍和機房是學生平時進出頻率最高的地點,經煙霧模擬檢測也是新方法框選動態煙霧的查全率最高,同時誤檢率最低。

經不同場景實驗數據對比,一種新的Yolov3 煙霧算法在框選煙霧尺度上更寬泛、更準確的同時漏檢率更小。

2 多尺度特征融入行人檢測方法

行人識別檢測和統計分析對校園安防起著至關重要的作用。 它不但能防止校園疫情傳播還能防止校園踩踏等安全隱患。 本技術包括圖像處理、多尺度特征提取融合、行人重識別分析3 部分內容[4]。

2.1 圖像處理

采集行人數據時,因周邊場景變幻不定,數據采集會出現雜聲,雜聲會直接影響行人識別。 中值濾波的非線性信號處理對抑制雜聲有著深遠意義,中值濾波是把數字圖片中一個點的值使用相鄰域各點值的中值代替,其核心思路是在場景區域內選取圖像點值進行排序,最后將中間值作為圖像值輸出[5]。

通過場景實驗對比發現,圖片中噪音點得到了平滑處理,圖像畫質也相應提高。

2.2 多尺度特征融合行人檢測

因場景關系,不同的行人在身高、走姿、衣帽、光照和背景方面有著不同變化,如何在圖片中多尺度精準定位檢測出行人,依然是研究的重點方向。 近年,對行人檢測主要有兩種方法:第一種是分類人體四肢,通過模塊對比分析方法找到行人;第二種也是當今最流行的多尺度提取行人特征方法。

2.2.1 梯度方向直方圖優化

梯度方向直方圖特征是一種表達人體特征,它通過檢測窗口-特征提取-歸一化圖像-計算梯度-對于每一個cell 塊權重投影-對比重疊block-把所有block內的直方圖向量一起組合成一個大梯度人體特征[6]。梯度值定義為:

先把圖像分割成若干個單元格(Cell),將梯度方向分割成若干個區間(Bin),然后在每個Cell 對全部像素的梯度幅值在各方向Bin 區間進行值方統計分析,將若干個Cell 組成一個Block 塊,Block 掃描塊中的單元格梯度直方圖串聯得到特征圖,最后將每個Block 的特征連接得到描述符。 經研究發現,Cell 采用“6?6”像素的,Block 采用“3?3”個Cell 組,一、二象限劃分為9 個區間。

2.2.2 局部二值模式特征提取

LBP 特征是一種非統計的描述符,它經輸入圖像-二值處理-分割成若干區域,在每個區域統計其直方圖-統計整幅圖像的直方圖,得到最終的描述算子[7]。

2.2.3 多尺度特征融合

多尺度特征融合是先將圖像在一、二象限劃分為大小相等的細胞格,然后利用細胞格構建梯度方向直方圖,將4 個細胞組成1 個block,block 特征采用串聯取平均值,因此block 具有9 維特征向量。 然后對梯度方向直方圖分割圖像,利用局部二值模式特征提取每個細胞格,累加block 得到4 維的局部二值模式特征。最后將梯度方向直方圖特征提取的9 維的特征和局部二值模式提取得到的4 維的特征組合成為一個13 維的融合特征。

通過多尺度特征融合,自動提取人物特征細胞元素,有效地減少了人工手動操作,不但提升了識別速度,更減少了人為工作量。

2.3 行人識別分析

行人檢測和行人統計中采用支持向量機分類器,對目標位置的預測采用mean-shift 算法結合卡爾曼濾波器,穩定了追蹤效果。 mean-shift 追蹤算法對行人行走軌跡中心區域同樣使用卡爾曼濾波器,可以提高追蹤的準確性[8-9]。

系統儲存某時間段內視頻行人往來圖像,通過mean-shift 算法將卡爾曼濾波取中間區域對行人圖像追蹤,運算結果提高了時效性。 先把圖片元素拆分成4 個區間,分別在4 個區間多尺度特征融合,再設定特征閾值,用功能數據庫與之比對,如果數據庫小于閾值,確定為陌生人,最后將陌生人增加至數據庫并還原給卡爾曼濾波器,反之為原監測行人繼續追蹤。

如表2 所示,多尺度特征融合與局部二值融合相比,行人識別率提高了5.16%,同時識別時間減少了19.13 ms,究其原因是局部二值融合提取時磨邊重影無法識別,影響了識別率。 多尺度特征融合與LBP-HOG融合相比識別率提高了2.81%,同時識別時間減少了115.38 ms,所以多尺度特征融合無論是在識別率上,還是在識別時間上對傳統融合都有壓倒性優勢。

表2 行人檢測特征融合對比

3 校園安防系統與實現

基于Yolov3 檢測煙霧改進方法和多尺度特征融入行人檢測方法的基礎,再結合視頻分析技術引入到校園安防系統中,將從前僅靠人眼的校園監控手段解放出來,通過AI 人工智能替代人去監控梳理,實現校園場景自動篩選、自動定位、24 h 智能防控,精準采集分析數據信息,并通過分析最優解的方式做出預處理,實現事先有預警、事中優處理、事后能取證的智慧校園安防系統[10]。

智能校園安防系統分為基礎層、業務層、創新層和表現層4 個層面,如圖1 所示。

圖1 智能校園安防系統結構

(1)基礎層。 通過對各煙霧和行人采集到的數據,經過加工的方式存入相對應的功能數據庫,同時相應記載分析數據。

(2)業務層。 業務層主要包括煙霧識別改進光流和行人檢測2 個方面:①檢測對應點的軟服務,處理對應基礎層的邏輯關系,對基礎層服務定義閾值參數,軟服務于數據分析提取,硬盤視頻記錄等;②對基礎層數據進行高級篩選,篩選出各個監測點結果進行數據采集,傳輸至創新層[11]。

(3)創新層。 承接業務層收集的視頻數據,把圖像視頻拆分成幀圖像,使用一種新的Yolov3 煙霧檢測方法和多尺度特征融合的行人檢測分析算法對傳過來的各種圖像視頻進行特征提取、數據分析、邏輯運算,并將運算結果返回給業務層。

(4)表現層。 ①利用數據庫和Echarts 可視化技術對創新層返回的數據進行視頻展示[12];②利用python設計程序可供安防采集、獲取安防信息。

用戶登錄自動煙霧檢測系統后,針對場景動態視頻,可進行高維度煙霧取樣并及時定位測算生成現場報告,與此同時,用戶可將分析數據報告以微信小程序的形式推送給相關安防責任人。

用戶登錄行人檢測統計系統后可規定檢測場景區域,同時可以劃分出檢測區域范圍,設定該場景區域的上限閾值,一旦上限閾值被突破,智能安防系統就會自動報警,安防人員就可以在第一時間把火災消滅在萌芽狀態。

4 結語

基于視頻分析技術的智慧校園安防系統,將動態視頻分析技術運用在智能化視頻全面管理、煙霧智慧管理、行人智慧管理等多種應用中,并將這些功能模塊匯集到安防應用系統中,顛覆了傳統安防系統僅靠人工視頻監控的手段,用降維的方法從多個角度對校園安保工作進行管理。