移动智能终端视频监控系统设计与实现

2017-03-06 23:45张鑫晟陈娟孔尧孙海威高亚红汪羚
软件导刊 2017年1期

张鑫晟+陈娟+孔尧+孙海威+高亚红+汪羚

摘要摘要:隨着信息化进程不断加快,信息技术极大促进了视频监控技术的发展。可利用计算机视觉方法自动分析摄像机拍录的图像序列,从而有效跟踪、识别和检测动态场景中的目标。研究移动智能终端视频监控系统及其相关技术,提出一种适用于移动终端的智能视频监控系统,搭建视频监控服务器,设计快速行人检测算法。

关键词关键词:移动视频监控;跟踪识别;行人检测

DOIDOI:10.11907/rjdk.162189

中图分类号:TP319文献标识码:A文章编号文章编号:16727800(2017)001006004

针对上述传统监控系统中存在的各种缺陷,智能监控系统(Intelligent Video Surveillance, IVS)能够很好地解决这些问题。通过计算机对视频场景中的大量图像信息数据进行实时、快速处理,并滤除不需要的背景信息,抽取与监控场景相关的前景信息,进而对感兴趣的目标进行分析和描述。

1移动智能视频监控系统关键技术1.1智能视频监控算法框架

智能视频监控研究的主要内容就是如何从原始视频数据中提取出符合人类认知的语义理解[4],即希望计算机能和人一样自动分析理解视频数据。一般而言,智能视频监控对视频图像的处理可以分为以下3个层次:

(1)底层。从视频图像采集终端获取图像序列,对感兴趣目标进行检测和跟踪,以便对目标进行后续处理分析,主要解决目标在哪里的问题。

(2)中层。在底层的基础上提取运动目标的各种信息,并进行相关判断及目标识别。目标识别是为了对目标进行分类,进而识别目标的身份,可分为目标分类和个体识别。中层分析为底层处理到高层行为理解搭建了桥梁,填补了底层与高层之间的语义间隔,主要是为了解决目标是什么的问题。

(3)高层。高层处理完成对目标的行为进行分析和理解。高层的语义蕴含着特定的语义场景,往往和具体的应用紧密相关。行为分析可以分为姿态识别、行为识别和事件分析,主要是为了解决目标在干什么的问题。

总之智能视频监控研究的主要目的就是要让计算机回答感兴趣目标在哪里?是什么?在干什么?甚至预测感兴趣目标下一步的行为。

1.2移动智能视频监控系统的关键算法

1.2.1CENTRIST算法的具体计算步骤

(1)对待处理图像进行灰度化、平滑滤波滤波器为Sobel算子(见图2),可以看出滤波后能够消除局部纹理特征并提取出基本的边缘信息。

(2)根据步骤Step1所得图像I像素间的大小关系构造一个新的图像I′,只需要关注像素大小的关系,如式(1)所示。图像I有2<8、32、38、96、64,则图像I′

1.2.2支持向量机分类算(SVM)

在实际监控预警中,如果对每一张图都进行描述符提取以及通过线性分类器判决是否包含行人,无疑浪费运算资源和存储资源。本文将行人检测分为以下几个主要部分:

(1)图像采集以及参数设定。本算法中主要是设定用于运动检测的计数器i;初始设置为0值。

(2)图像预处理:包括色彩空间变换、去噪以及灰度化等。本算法检测前需要对彩色视频图像进行灰度化处理,并采用Gamma公式压缩图像大小。

(3)运动检测:判断视频图像中是否有运动物体闯入,为了防止由于亮度突变等环境变化影响判断,需要连续多帧图像检测到运动目标闯入才会进行下一步行人检测。此时需要将计数器i重新设置为0,以便于下次检测重新开始计数。

(4)行人检测:当步骤3连续检测出运动物体i值超过设定的阈值后,开始进行行人检测。主要通过提取当前帧的CENTRIST描述符,并用已经训练好的线性SVM分类器[10]判决闯入的运动物体是否是行人。

3实验结果

本实验采用INRIA的标准行人数据库,其包括一个训练库和一个测试库。其训练库共包含2 416个正样本和3 000多个负样本;测试库包含1 126个正样本。所有样本的尺寸大小都为108×36个像素如图4所示。测试集中包括各种不同光照条件、多种行走姿态、不同穿着和视角的行人。

首先使用INRIA库训练出线性SVM分类器,并重新检测图像源图像(见图5(a)),结果如图5(b)所示。对比实验结果可以发现,对于正常高度的行人以及遮挡不是很明显的图像CENTRIST+SVM检测效果要明显好于默认样本训练的。

4结语

本文主要分析了行人检测经典算法HOG+SVM,并分析对其在视频监控系统中运算速度慢以及检测效果不理想等缺点,在此基础上提出了两项改进:①用CENTRIST代替HOG描述符,实验表明在行人检测中分类效果没有明显降低的情况下,前者的提取速度是后者的7倍左右;②针对行人检测中支持向量维数太高严重影响检测速度的缺点,提出了一种快速SVM分类方法,通过转换矩阵的映射降低支持向量的维数,从而加快分类决策的速度。

图5实验对比

参考文献:

[1]黄凯奇.智能视频监控技术综述[J].计算机学报,2015,38(6):12251224.

[2]高素萍.智能小区安防系统的设计与实现[J].电气应用, 2006, 25(6): 120124.

[3]蒋馨.浅析国外智能视频监控技术的发展及应用[J].中国安防, 2011 (10): 105108.

[4]T MATSUYAMA.Cooperative distributed vision:dynamic integration of visual perception, action, and communication[Z].KI'99, 1999:7588.

[5]RUAZ I, PIAO J, SHIN H.Human detection by using CENTRIST features for thermal images[C].International Conference Computer Graphics, Visualization, Computer Vision and Image Processing,2013.

[6]YANG H Y, WANG X Y, WANG Q Y, et al.LSSVM based image segmentation using color and texture information[J].Journal of Visual Communication and Image Representation, 2012, 23(7): 10951112.

[7]HWANG Y S, KWAK J C, LEE K Y.Implementation of a pedestrian detection device based on CENTRIST for an embedded environment[J].Advanced Science and Technology Letters Embedded Ubiquitous, SERSC, 2014(46):123127.

[8]LIU Q, ZHUANG J, KONG S.Detection of pedestrians at night time using learningbased method and head validation[C]//Imaging Systems and Techniques (IST), 2012 IEEE International Conference on.IEEE, 2012: 398402.

[9]DU Y, LU X, CHEN L, et al.An interval type2 TS fuzzy classification system based on PSO and SVM for gender recognition[J].Multimedia Tools and Applications,2014(12):111.

[10]ZHAO J, CHAI J, MEN G.A fast quasidense matching algorithm with an adaptive window[C].Control and Decision Conference, 2009.CCDC'09.Chinese.IEEE, 2009: 43754379.