基于深度传感器的监控技术与算法

袁鹏程， 何健安

(1.西安石油大学 陕西省油气井测控技术重点实验室，陕西 西安 710065；2.西安石油大学 光电油气测井与检测教育部重点实验室， 陕西 西安 710065)

0 引 言

随着智能传感器技术的发展[1～3]，传统视频监控[4～6]开始向智能视频监控[7]发展。由于智能视频监控需要进行大量的数据处理，所以云存储技术在智能监控领域的需求也与日俱增。张海山[8]指出云存储在存储数据的同时，主要提供了数据处理的服务，并从架构上改变了传统视频监控系统模式。目前，已有很多智能视频监控技术方面的研究和创新,主要体现在对传感器数据采集方面的研究。张军等人[9]提出了单传感器分批估计融合与模糊理论中的相关性函数与加权自适应算法相结合的数据融合方法。张诚等人[10]提出了一种多摄像机监控环境下的目标跟踪方法,其将特征融合与时空关联进行了融合，且通过实验表明，在实际中有较好的适应性。李忠海等人[11]设计了一种智能检测系统，实现了对异常状况,被动地实施监测，并设计了增强算法，使得普通摄像头也可实现夜间监控[11]。通过对现有的文献分析发现，现有的智能视频监控技术，大都是通过获取较长一段时间的视频信息，然后进行一定的图像处理来判断人体的行为，这样不仅使得实时性大大降低，且在夜晚还会增加识别的难度。在实际中，需要在极短的时间内识别出在关键设施区域的闯入者。

本文提出的基于深度传感器的关键设施监控技术，利用深度传感器提取人体不同部位的骨架长度[12]，利用支持向量机(support vector machine,SVM)算法对其进行验证，识别成功率可以达到80 %，表明此方法可以作为一种关键设施监控的新思路。

1 人体骨架特征提取

深度传感器获得的人体骨架示意如图1所示。

图1 人体骨架示意

取图中人体骨架的8个部位的长度值(以变量x1～x8表示)作为人体特征值。X={x1,x2,x3,x4,x5,x6,x7,x8}。

2 建立数学模型

1)准备训练样本X

{(X1,d1),(X2,d2),(X3,d3),…,(Xp,dp)}

(1)

式中X为特征向量；d为不同特征向量对应的标签，取值为±1。设样本X中有N组数据，每组数据有D(D=8)个特征值。

2)取核函数K(X,Xp)

本文选择高斯径向基核函数(RBF)，其中，γ取0.7，则

K(X,Xp)=exp(-γ‖X-Xp‖2)

(2)

将式(1)代入上式(2)，得到矩阵K

(3)

3)获得拉格朗日目标函数

(4)

式中α1,α2,…，αp为待求系数，求函数Q(α)对应于各变量αp的偏导，并使之为0，从而求出各αp的值

(5)

4)求解目标函数

解方程(5)，求得目标函数的未知系数α1,α2,…,αp，准备预测样本X，将其代入判别函数式(6)

(6)

根据f(X)的大小，对预测样本X进行分类。由于训练集的标签d为±1，所以,根据所得f(X)值的大小，可对样本X进行分类:当结果大于0时,属于训练时d=1对应的一类;当结果小于0时，则属于d=-1对应的一类。

3 设计分类器

以识别3个人(A，B，C)的身份为例，需3个一对二的分类器，分别设为A分类器f1(X)，B分类器f2(X)，C分类器f3(X)。各分类器对应标签设计如表1所示。

表1 标签设置

利用分类器对人体进行分类识别，设人体特征向量为X，则识别过程如图2所示。

图2 单个分类器两分类过程

为了区别此三人与其他人，需通过实验获得最佳的阈值y(一正一负)，当X通过分类器的结果超出此阈值时，X分类的结果就是D(其他)。通过对测试集训练获得各分类器最佳阈值,分别为测试集A，测试集B，测试集C，以及其他测试集D，AB，AC，BC为混合测试集。设y1,y2,y3分别为分类器f1(X)，f2(X)，f3(X)的阈值，定义变量X1，X2，X3表示用来训练的人体特征向量，取值范围如表2所示。

表2 不同阈值下变量取值范围

阈值的选取规则为

(7)

4 实验过程与结果分析

4.1 分类器实验

取50组A数据通过A分类器，50组B数据通过B分类器，50组C数据通过C分类器。由分类结果获得A，B，C识别成功率分别为86 %,94 %,94 %。各分类器的分类成功率达到了85 %以上，具有较好的分类效果，故可用于人体识别算法的总体设计。

4.2 选取最佳阈值

A，BC，D测试集各50组，经A分类器分类，得如图3(a)所示的折线图。B，AC，D测试集各50组，经B分类器得到如图3(b)所示的折线图。C，AB，D测试集各50组，经C分类器分类，得到如图3(c)所示的折线图(图中横坐标为组别编号1～50，纵坐标为每组数据经过分类器后得到的无量纲数据，均没有单位)。

图3 分类器分类结果

通过对上面折线图的分析，结合本文阈值选取方法，根据式(7)选取阈值如下:f1(X)为(-y1,y1)=(-2,2)，f2(X)为(-y2,y2)=(-3,3)，f3(X)为(-y3,y3)=(-2,2)。

5 人体识别算法总体设计

利用各个分类器投票的方式进行总识别算法的设计。n1，n2，n3，n4分别表示A，B，C，D最终的得票数。人体识别方案如图4所示。

图4 人体识别程序

A,B,C,D中得票最高的即为X的识别结果，若出现2个人及以上得票最高且票数相同，则视为此次识别失败。

6 人体识别结果

取A，B，C，D各50组得到的正确识别数分别为44，42，41，37组，识别成功率分别为88 %，82 %,81 %,74 %,A，B，C的识别成功率均达到了80 %以上，而D的识别率偏低，一方面这主要跟D训练集的选取有关，本文随机选取其他3个人组成了训练集，如果D的选取范围越大，即多选几个人，其越具有普适性；另一方面，与分类器阈值的选取也有较大关系。后续研究的方向可以是D训练集以及具体分类器阈值的选取方面。

7 结 论

提出了基于深度传感器的关键设施监控技术，基于SVM进行算法设计，取得了较好的识别效果，为关键设施的监控技术提出了一种新的思路。利用深度传感器进行数据采集，实时性高，且不受光照影响，鲁棒性强。基于SVM设计的识别算法，在识别出入侵者的同时，还可区别出具体的操作人员身份。能够在极短的时间识别出靠近关键设施的人，监控人员可迅速做出反应。但目前此算法的识别成功率还不是最佳，算法还有待进一步完善:一是可以研究建立更加精确的人体骨架模型，二是可以用其他的算法代替SVM算法进行模型训练，如BP神经网络，相信随着研究的深入，本文所提人体识别方法的成功率会有显著提高。