基于视频分析技术的校园安防系统设计

徐广飞,牛月冬

(唐山工业职业技术学院,河北 唐山 063299)

0 引言

面对广大师生的校园安全问题,安防监控系统的应用显得尤为重要,基于人工智能、视频分析技术,开发研究了在校园安防环境下的烟雾全自动检测、行人检测等关键技术,并设计实现了基于视频分析技术的校园安防系统。

1 一种新Yolov3 检测烟雾方法

每年发生的火灾不计其数,轻则受伤,重则丧生。对于高校而言,师生所出入的校园场景火灾预防再次成为关注的焦点[1]。 任何事物的形成都有一个过程,火灾也不例外,防火先防烟,动态烟雾的扑灭是防止火灾蔓延的关键,也是为消防人员第一时间赢取绿色通道提供便利。

火灾烟雾检测方法有哈尔特征法、传统Yolov3 烟雾检测方法和一种新Yolov3 烟雾检测方法[2-3]。 在校园选取4 个不同场景,足球场、实验室、宿舍和机房,分别在每个场景模拟制造火灾烟雾现场,用3 种特征提取方法进行烟雾检测对比,经对比发现,在不同的场景烟雾检测效果不同。 本文主要研究一种新Yolov3 烟雾检测方法在校园安防中的烟雾检测,具体流程:输入图像-光流算法识别轮廓-动态前景与静态背景-框定动态前景区域-图像分离提取动态运动-检测模型-模拟训练检测模型-Yolov3 网络筛选-检测烟雾范围-Yolov3 框定烟雾区域完成二次检测-结果输出。

3 种方法在不同场景中的查全率和误检率如表1所示。

表1 不同场景特征提取对比

通过校园内4 种不同场景的模拟火灾烟雾实验对比发现,哈尔特征和传统Yolov3 烟雾检测对足球场的烟雾检测框选出现偏差,主要原因是受外界日照、风速影响难以框定,而新Yolov3 算法通过图像的模拟训练增强了框选精准度。 由于实验室的化学药品有遇高温易燃易爆的特点,新算法经过Yolov3 烟雾的二次检验实现了查全率最高。 宿舍和机房是学生平时进出频率最高的地点,经烟雾模拟检测也是新方法框选动态烟雾的查全率最高,同时误检率最低。

经不同场景实验数据对比,一种新的Yolov3 烟雾算法在框选烟雾尺度上更宽泛、更准确的同时漏检率更小。

2 多尺度特征融入行人检测方法

行人识别检测和统计分析对校园安防起着至关重要的作用。 它不但能防止校园疫情传播还能防止校园踩踏等安全隐患。 本技术包括图像处理、多尺度特征提取融合、行人重识别分析3 部分内容[4]。

2.1 图像处理

采集行人数据时,因周边场景变幻不定,数据采集会出现杂声,杂声会直接影响行人识别。 中值滤波的非线性信号处理对抑制杂声有着深远意义,中值滤波是把数字图片中一个点的值使用相邻域各点值的中值代替,其核心思路是在场景区域内选取图像点值进行排序,最后将中间值作为图像值输出[5]。

通过场景实验对比发现,图片中噪音点得到了平滑处理,图像画质也相应提高。

2.2 多尺度特征融合行人检测

因场景关系,不同的行人在身高、走姿、衣帽、光照和背景方面有着不同变化,如何在图片中多尺度精准定位检测出行人,依然是研究的重点方向。 近年,对行人检测主要有两种方法:第一种是分类人体四肢,通过模块对比分析方法找到行人;第二种也是当今最流行的多尺度提取行人特征方法。

2.2.1 梯度方向直方图优化

梯度方向直方图特征是一种表达人体特征,它通过检测窗口-特征提取-归一化图像-计算梯度-对于每一个cell 块权重投影-对比重叠block-把所有block内的直方图向量一起组合成一个大梯度人体特征[6]。梯度值定义为:

先把图像分割成若干个单元格(Cell),将梯度方向分割成若干个区间(Bin),然后在每个Cell 对全部像素的梯度幅值在各方向Bin 区间进行值方统计分析,将若干个Cell 组成一个Block 块,Block 扫描块中的单元格梯度直方图串联得到特征图,最后将每个Block 的特征连接得到描述符。 经研究发现,Cell 采用“6∗6”像素的,Block 采用“3∗3”个Cell 组,一、二象限划分为9 个区间。

2.2.2 局部二值模式特征提取

LBP 特征是一种非统计的描述符,它经输入图像-二值处理-分割成若干区域,在每个区域统计其直方图-统计整幅图像的直方图,得到最终的描述算子[7]。

2.2.3 多尺度特征融合

多尺度特征融合是先将图像在一、二象限划分为大小相等的细胞格,然后利用细胞格构建梯度方向直方图,将4 个细胞组成1 个block,block 特征采用串联取平均值,因此block 具有9 维特征向量。 然后对梯度方向直方图分割图像,利用局部二值模式特征提取每个细胞格,累加block 得到4 维的局部二值模式特征。最后将梯度方向直方图特征提取的9 维的特征和局部二值模式提取得到的4 维的特征组合成为一个13 维的融合特征。

通过多尺度特征融合,自动提取人物特征细胞元素,有效地减少了人工手动操作,不但提升了识别速度,更减少了人为工作量。

2.3 行人识别分析

行人检测和行人统计中采用支持向量机分类器,对目标位置的预测采用mean-shift 算法结合卡尔曼滤波器,稳定了追踪效果。 mean-shift 追踪算法对行人行走轨迹中心区域同样使用卡尔曼滤波器,可以提高追踪的准确性[8-9]。

系统储存某时间段内视频行人往来图像,通过mean-shift 算法将卡尔曼滤波取中间区域对行人图像追踪,运算结果提高了时效性。 先把图片元素拆分成4 个区间,分别在4 个区间多尺度特征融合,再设定特征阈值,用功能数据库与之比对,如果数据库小于阈值,确定为陌生人,最后将陌生人增加至数据库并还原给卡尔曼滤波器,反之为原监测行人继续追踪。

如表2 所示,多尺度特征融合与局部二值融合相比,行人识别率提高了5.16%,同时识别时间减少了19.13 ms,究其原因是局部二值融合提取时磨边重影无法识别,影响了识别率。 多尺度特征融合与LBP-HOG融合相比识别率提高了2.81%,同时识别时间减少了115.38 ms,所以多尺度特征融合无论是在识别率上,还是在识别时间上对传统融合都有压倒性优势。

表2 行人检测特征融合对比

3 校园安防系统与实现

基于Yolov3 检测烟雾改进方法和多尺度特征融入行人检测方法的基础,再结合视频分析技术引入到校园安防系统中,将从前仅靠人眼的校园监控手段解放出来,通过AI 人工智能替代人去监控梳理,实现校园场景自动筛选、自动定位、24 h 智能防控,精准采集分析数据信息,并通过分析最优解的方式做出预处理,实现事先有预警、事中优处理、事后能取证的智慧校园安防系统[10]。

智能校园安防系统分为基础层、业务层、创新层和表现层4 个层面,如图1 所示。

图1 智能校园安防系统结构

(1)基础层。 通过对各烟雾和行人采集到的数据,经过加工的方式存入相对应的功能数据库,同时相应记载分析数据。

(2)业务层。 业务层主要包括烟雾识别改进光流和行人检测2 个方面:①检测对应点的软服务,处理对应基础层的逻辑关系,对基础层服务定义阈值参数,软服务于数据分析提取,硬盘视频记录等;②对基础层数据进行高级筛选,筛选出各个监测点结果进行数据采集,传输至创新层[11]。

(3)创新层。 承接业务层收集的视频数据,把图像视频拆分成帧图像,使用一种新的Yolov3 烟雾检测方法和多尺度特征融合的行人检测分析算法对传过来的各种图像视频进行特征提取、数据分析、逻辑运算,并将运算结果返回给业务层。

(4)表现层。 ①利用数据库和Echarts 可视化技术对创新层返回的数据进行视频展示[12];②利用python设计程序可供安防采集、获取安防信息。

用户登录自动烟雾检测系统后,针对场景动态视频,可进行高维度烟雾取样并及时定位测算生成现场报告,与此同时,用户可将分析数据报告以微信小程序的形式推送给相关安防责任人。

用户登录行人检测统计系统后可规定检测场景区域,同时可以划分出检测区域范围,设定该场景区域的上限阈值,一旦上限阈值被突破,智能安防系统就会自动报警,安防人员就可以在第一时间把火灾消灭在萌芽状态。

4 结语

基于视频分析技术的智慧校园安防系统,将动态视频分析技术运用在智能化视频全面管理、烟雾智慧管理、行人智慧管理等多种应用中,并将这些功能模块汇集到安防应用系统中,颠覆了传统安防系统仅靠人工视频监控的手段,用降维的方法从多个角度对校园安保工作进行管理。