基于移动智能的视频监控系统关键技术研究

李国伟

摘要：视频监控系统作为一种安全防范的有效手段，正越來越受到人们的重视。其中视频监控技术在安全、交通、军事等领域已取得较为广泛的应用。文章结合监控系统在实时性和可控性上的性能进行关键技术研究，为类似技术提供参考。

关键词：智能视频监控；关键技术；关键算法

0引言

移动互联网的飞速发展促进了生活生产方式的飞跃，人们可以随时随地，透明地获取数字化的服务，实现了信息空间与物理空间的融合。移动视频监控采用了更新的技术，是计算机，移动网络，视频编码技术和视频传送器的结合。本文对移动智能终端视频监控系统设计技术进行介绍，以期为解决相关视频监控业务在移动互联网上传输的带宽瓶颈。

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，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（如图1所示）。

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，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像素问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有0<1、2、3；同样图像I有8<96、64/8>2，则图像I有1<2、3/1>0；所以图像I和图像I/有邻域大小一致的关系。

1.2.2支持向量机分类算（SVM）

考虑一个用某特征空间的超平面对给定训练数据集作二值分类的问题。对于给定样本点：

（3）

其中，向量x可能是从对象样本集中抽取某些特征直接构造的向量，也可能是原始向量通过某个核函数映射到核空间中的映射向量。在特征空间中构造分割平面：

（4）

（5）

（6）

（7）

其中，a>0为Lagrange乘数。约束最优化问题的解由Lagrange函数的鞍点决定，并且最优化问题的解在鞍点处满足对w和b的偏导为0，将该二次型规划（QP）问题转化为相应的对偶问题，即：

（8）

（9）

（10）

（11）

（12）

（13）

（14）

（15）

（16）

（17）

由式（15）和式（16）可以得出，FCSVM算法将支持向量的个数从N个通过变换矩阵映射为m个，由此可以降低支持向量的维数。

2实验过程

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

（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2416个正样本和3000多个负样本；测试库包含1126个正样本。所有样本的尺寸大小都为108×36个像素。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。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

综上所述，智能化已成为视频监控发展的必然趋势，并且受到越来越多的关注。移动智能视频监控作为监控技术发展的主要方向之一，结合网络技术带来新的变革，在不断满足市场竞争的同时，趋向于一种理性思考，其正是以一种高姿态，高要求进入我们的世界，具有广泛的应用前景。