張?chǎng)侮?陳娟+孔堯+孫海威+高亞紅+汪羚

摘要摘要：隨著信息化進(jìn)程不斷加快，信息技術(shù)極大促進(jìn)了視頻監(jiān)控技術(shù)的發(fā)展?？衫糜?jì)算機(jī)視覺(jué)方法自動(dòng)分析攝像機(jī)拍錄的圖像序列，從而有效跟蹤、識(shí)別和檢測(cè)動(dòng)態(tài)場(chǎng)景中的目標(biāo)。研究移動(dòng)智能終端視頻監(jiān)控系統(tǒng)及其相關(guān)技術(shù)，提出一種適用于移動(dòng)終端的智能視頻監(jiān)控系統(tǒng)，搭建視頻監(jiān)控服務(wù)器，設(shè)計(jì)快速行人檢測(cè)算法。

關(guān)鍵詞關(guān)鍵詞：移動(dòng)視頻監(jiān)控；跟蹤識(shí)別；行人檢測(cè)

DOIDOI：10.11907/rjdk.162189

中圖分類號(hào)：TP319文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)文章編號(hào)：16727800（2017）001006004

針對(duì)上述傳統(tǒng)監(jiān)控系統(tǒng)中存在的各種缺陷，智能監(jiān)控系統(tǒng)（Intelligent Video Surveillance， IVS）能夠很好地解決這些問(wèn)題。通過(guò)計(jì)算機(jī)對(duì)視頻場(chǎng)景中的大量圖像信息數(shù)據(jù)進(jìn)行實(shí)時(shí)、快速處理，并濾除不需要的背景信息，抽取與監(jiān)控場(chǎng)景相關(guān)的前景信息，進(jìn)而對(duì)感興趣的目標(biāo)進(jìn)行分析和描述。

1移動(dòng)智能視頻監(jiān)控系統(tǒng)關(guān)鍵技術(shù)1.1智能視頻監(jiān)控算法框架

智能視頻監(jiān)控研究的主要內(nèi)容就是如何從原始視頻數(shù)據(jù)中提取出符合人類認(rèn)知的語(yǔ)義理解[4]，即希望計(jì)算機(jī)能和人一樣自動(dòng)分析理解視頻數(shù)據(jù)。一般而言，智能視頻監(jiān)控對(duì)視頻圖像的處理可以分為以下3個(gè)層次：

（1）底層。從視頻圖像采集終端獲取圖像序列，對(duì)感興趣目標(biāo)進(jìn)行檢測(cè)和跟蹤，以便對(duì)目標(biāo)進(jìn)行后續(xù)處理分析，主要解決目標(biāo)在哪里的問(wèn)題。

（2）中層。在底層的基礎(chǔ)上提取運(yùn)動(dòng)目標(biāo)的各種信息，并進(jìn)行相關(guān)判斷及目標(biāo)識(shí)別。目標(biāo)識(shí)別是為了對(duì)目標(biāo)進(jìn)行分類，進(jìn)而識(shí)別目標(biāo)的身份，可分為目標(biāo)分類和個(gè)體識(shí)別。中層分析為底層處理到高層行為理解搭建了橋梁，填補(bǔ)了底層與高層之間的語(yǔ)義間隔，主要是為了解決目標(biāo)是什么的問(wèn)題。

（3）高層。高層處理完成對(duì)目標(biāo)的行為進(jìn)行分析和理解。高層的語(yǔ)義蘊(yùn)含著特定的語(yǔ)義場(chǎng)景，往往和具體的應(yīng)用緊密相關(guān)。行為分析可以分為姿態(tài)識(shí)別、行為識(shí)別和事件分析，主要是為了解決目標(biāo)在干什么的問(wèn)題。

總之智能視頻監(jiān)控研究的主要目的就是要讓計(jì)算機(jī)回答感興趣目標(biāo)在哪里？是什么？在干什么？甚至預(yù)測(cè)感興趣目標(biāo)下一步的行為。

1.2移動(dòng)智能視頻監(jiān)控系統(tǒng)的關(guān)鍵算法

1.2.1CENTRIST算法的具體計(jì)算步驟

（1）對(duì)待處理圖像進(jìn)行灰度化、平滑濾波濾波器為Sobel算子（見(jiàn)圖2），可以看出濾波后能夠消除局部紋理特征并提取出基本的邊緣信息。

（2）根據(jù)步驟Step1所得圖像I像素間的大小關(guān)系構(gòu)造一個(gè)新的圖像I′，只需要關(guān)注像素大小的關(guān)系，如式（1）所示。圖像I有2<8、32、38、96、64，則圖像I′

1.2.2支持向量機(jī)分類算（SVM）

在實(shí)際監(jiān)控預(yù)警中，如果對(duì)每一張圖都進(jìn)行描述符提取以及通過(guò)線性分類器判決是否包含行人，無(wú)疑浪費(fèi)運(yùn)算資源和存儲(chǔ)資源。本文將行人檢測(cè)分為以下幾個(gè)主要部分：

（1）圖像采集以及參數(shù)設(shè)定。本算法中主要是設(shè)定用于運(yùn)動(dòng)檢測(cè)的計(jì)數(shù)器i；初始設(shè)置為0值。

（2）圖像預(yù)處理：包括色彩空間變換、去噪以及灰度化等。本算法檢測(cè)前需要對(duì)彩色視頻圖像進(jìn)行灰度化處理，并采用Gamma公式壓縮圖像大小。

（3）運(yùn)動(dòng)檢測(cè)：判斷視頻圖像中是否有運(yùn)動(dòng)物體闖入，為了防止由于亮度突變等環(huán)境變化影響判斷，需要連續(xù)多幀圖像檢測(cè)到運(yùn)動(dòng)目標(biāo)闖入才會(huì)進(jìn)行下一步行人檢測(cè)。此時(shí)需要將計(jì)數(shù)器i重新設(shè)置為0，以便于下次檢測(cè)重新開(kāi)始計(jì)數(shù)。

（4）行人檢測(cè)：當(dāng)步驟3連續(xù)檢測(cè)出運(yùn)動(dòng)物體i值超過(guò)設(shè)定的閾值后，開(kāi)始進(jìn)行行人檢測(cè)。主要通過(guò)提取當(dāng)前幀的CENTRIST描述符，并用已經(jīng)訓(xùn)練好的線性SVM分類器[10]判決闖入的運(yùn)動(dòng)物體是否是行人。

3實(shí)驗(yàn)結(jié)果

本實(shí)驗(yàn)采用INRIA的標(biāo)準(zhǔn)行人數(shù)據(jù)庫(kù)，其包括一個(gè)訓(xùn)練庫(kù)和一個(gè)測(cè)試庫(kù)。其訓(xùn)練庫(kù)共包含2 416個(gè)正樣本和3 000多個(gè)負(fù)樣本；測(cè)試庫(kù)包含1 126個(gè)正樣本。所有樣本的尺寸大小都為108×36個(gè)像素如圖4所示。測(cè)試集中包括各種不同光照條件、多種行走姿態(tài)、不同穿著和視角的行人。

首先使用INRIA庫(kù)訓(xùn)練出線性SVM分類器，并重新檢測(cè)圖像源圖像（見(jiàn)圖5（a）），結(jié)果如圖5（b）所示。對(duì)比實(shí)驗(yàn)結(jié)果可以發(fā)現(xiàn)，對(duì)于正常高度的行人以及遮擋不是很明顯的圖像CENTRIST+SVM檢測(cè)效果要明顯好于默認(rèn)樣本訓(xùn)練的。

4結(jié)語(yǔ)

本文主要分析了行人檢測(cè)經(jīng)典算法HOG+SVM，并分析對(duì)其在視頻監(jiān)控系統(tǒng)中運(yùn)算速度慢以及檢測(cè)效果不理想等缺點(diǎn)，在此基礎(chǔ)上提出了兩項(xiàng)改進(jìn)：①用CENTRIST代替HOG描述符，實(shí)驗(yàn)表明在行人檢測(cè)中分類效果沒(méi)有明顯降低的情況下，前者的提取速度是后者的7倍左右；②針對(duì)行人檢測(cè)中支持向量維數(shù)太高嚴(yán)重影響檢測(cè)速度的缺點(diǎn)，提出了一種快速SVM分類方法，通過(guò)轉(zhuǎn)換矩陣的映射降低支持向量的維數(shù)，從而加快分類決策的速度。

圖5實(shí)驗(yàn)對(duì)比

參考文獻(xiàn)：

[1]黃凱奇.智能視頻監(jiān)控技術(shù)綜述[J].計(jì)算機(jī)學(xué)報(bào)，2015，38（6）：12251224.

[2]高素萍.智能小區(qū)安防系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].電氣應(yīng)用， 2006， 25（6）： 120124.

[3]蔣馨.淺析國(guó)外智能視頻監(jiān)控技術(shù)的發(fā)展及應(yīng)用[J].中國(guó)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.