摘 要：伴隨“平安城市”建設(shè)的深入，道路高清攝像頭數(shù)量快速增加，依靠道路高清攝像頭的虛擬觸發(fā)實(shí)現(xiàn)常規(guī)卡口的功能，實(shí)現(xiàn)城市卡口聯(lián)網(wǎng)布控，成為“平安城市”建設(shè)中急需突破的關(guān)鍵技術(shù)。

關(guān)鍵詞：平安城市；虛擬觸發(fā)；虛擬卡口

中圖分類號：TP18

利用卡口信息對城市安全進(jìn)行智慧化的管理是城鎮(zhèn)化建設(shè)的重要組成部分，但目前各大城市常規(guī)卡口數(shù)量較少且分布孤立而攝像頭數(shù)量較多且分布較廣，同時(shí)，修復(fù)及新建卡口問題導(dǎo)致馬路拉鏈現(xiàn)象比比皆是?，F(xiàn)實(shí)表明，大量高清視頻信息被浪費(fèi)，而僅依靠卡口又難以實(shí)現(xiàn)有效的車輛行為軌跡跟蹤，不能滿足警方對交通肇事和刑事治安案件刑偵信息的需求。

采用視頻觸發(fā)方式的虛擬卡口可以在不改變原有監(jiān)控結(jié)構(gòu)的情況下方便實(shí)現(xiàn)卡口的功能，與實(shí)際的常規(guī)卡口互相補(bǔ)充，在套牌車檢測、違章車輛追逃等方面發(fā)揮著越來越大的作用，支撐平安城市的業(yè)務(wù)應(yīng)用。

1 虛擬卡口

本課題以城市中密集分布的攝像機(jī)視頻數(shù)據(jù)為切入口，研發(fā)基于視頻的虛擬卡口系統(tǒng)，虛擬卡口通過視頻監(jiān)控點(diǎn)的復(fù)用，形成海量的虛擬卡口布控點(diǎn)位，在視頻畫面中的特定區(qū)域設(shè)置類似于地感的虛擬線框，在目標(biāo)觸碰虛擬線時(shí)由軟件觸發(fā)并抓圖，從而實(shí)現(xiàn)卡口的功能。

將虛擬卡口系統(tǒng)智能視頻算法、原理運(yùn)用于在治安、刑事等公安領(lǐng)域，可實(shí)時(shí)提取重要區(qū)域位置、嫌疑人等人臉特征的信息、人員行為等信息，并在此基礎(chǔ)上進(jìn)行人員比對、案件串并等圖像偵控功能，為其行業(yè)擴(kuò)展應(yīng)用奠定基礎(chǔ)，場景十分廣闊。

2 虛擬卡口算法實(shí)現(xiàn)

基于boosting的虛擬線圈觸發(fā)。Boosting為一種基于分類器的機(jī)器學(xué)習(xí)方法，它通過一輪一輪的選舉，選出分類能力一般的簡單、線性分類器，再依據(jù)一定的方法將其組合起來，構(gòu)成分類能力很強(qiáng)的強(qiáng)分類器，完成簡單的二值的或多值分類；

AdaBoost算法是Boosting家族中的最具代表性算法，野點(diǎn)為訓(xùn)練樣本中的錯(cuò)分樣本。AdaBoost對野點(diǎn)的識別能力較強(qiáng)，但是當(dāng)野點(diǎn)數(shù)目過多的時(shí)候，過分強(qiáng)調(diào)“困難”樣本將會降低AdaBoost性能?；诖耍現(xiàn)iredman等人提出了“Gentle AdaBoost”（簡稱GAB）分類模型，與RAB類似，都是最優(yōu)化指數(shù)損失函數(shù)，但是GAB的穩(wěn)定性表現(xiàn)更高，弱分類器權(quán)重始終為1。

通常情況下，目標(biāo)識別包括表示、學(xué)習(xí)分類兩個(gè)階段，訓(xùn)練樣本通過提取特征構(gòu)建特征庫，再通過概率推理模型或分類器模型進(jìn)行學(xué)習(xí)，為待識別目標(biāo)提供識別決策，最后完成識別任務(wù)，下圖1顯示了廣義目標(biāo)識別的過程。

圖1 圖像理解中目標(biāo)分類的一般過程

識別復(fù)雜場景下多種不同的目標(biāo)已經(jīng)成為圖像理解【3】領(lǐng)域的挑戰(zhàn)之一。GAB分類模型是用最小均方擬合弱分類器的過程，相對于其它常用的Boosting模型來說，它穩(wěn)定、魯棒性高，并在圖像理解領(lǐng)域得到了廣泛的應(yīng)用。故采用GAB設(shè)計(jì)分類器模型完成場景中目標(biāo)識別檢測。

Boosting是一種擬合累加模型的簡單方式，累加模型公式： ，其中，ν是圖像的輸入特征向量，M是迭代次數(shù)，H（ν）=logP（z=1│v）/P（z=-1│v）是目標(biāo)類別為+1的概率的對數(shù)度量，z是類別標(biāo)簽+1或-1。因此，P（z=1│v）=σ（H（v）），σ（x）=1/（1+e-x）是sigmoid函數(shù)或logistic函數(shù)。在Boosting迭代過程中，hm（v）是第m次迭代得到的弱分類器，H（v）是最終加權(quán)求和后的強(qiáng)分類器。

強(qiáng)學(xué)習(xí)器H按照H（v）=H（v）+hm（v）更新，選擇hm（v使得損失函數(shù)的二階泰勒估計(jì)最小，如公式： ，用訓(xùn)練數(shù)據(jù)的平均值代替期望，并對訓(xùn)練樣本 定義權(quán)重 ，損失函數(shù)就是最小化均方誤差，如公式： ，其中，N是訓(xùn)練樣本個(gè)數(shù)。需要注意的是，最小化的損失函數(shù)是依賴于弱學(xué)習(xí)器hm的。

通常弱學(xué)習(xí)器是一個(gè)簡單函數(shù)，如公式：hm（ν）=αδ（ν?>θ）+b（ν?≤θ），其中，ν?表示輸入特征向量的第?維，θ是閾值，δ是指示函數(shù)，α和b是回歸參數(shù)。實(shí)驗(yàn)中這些弱學(xué)習(xí)器為決策樹或回歸樁，可以看作是單一節(jié)點(diǎn)的下降的決策樹。從決策樹中學(xué)習(xí)節(jié)點(diǎn)，找出最佳樁。過程如下：搜索所有可能的特征?，對每個(gè)特征搜索所有可能的閾值θ，這些閾值由?的觀測值排序得到。給定?和θ，通過加權(quán)最小均方估計(jì)最優(yōu)的α和b，如公式（1）（2）所示：

（1）

（2）

選擇合適的?、θ以及相應(yīng)的α和b，使得損失函數(shù)最小。權(quán)重更新： ，增加了錯(cuò)分樣本的權(quán)重，也即當(dāng)zih（vi）<0，減少正確分類樣本的權(quán)重。

整個(gè)場景中目標(biāo)識別的過程如圖2所示。

圖2 基于GAB的場景中目標(biāo)識別流程框圖

同時(shí)利用虛擬卡口一體機(jī)，使用高清網(wǎng)絡(luò)相機(jī)作為視頻輸入源，將利用智能分析算法得到的分析結(jié)果輸出給后端大數(shù)據(jù)平臺，將所有的由攝像機(jī)提供的視頻流統(tǒng)一轉(zhuǎn)換為標(biāo)準(zhǔn)的視頻流格式，將經(jīng)過轉(zhuǎn)化的視頻流交付給軟件系統(tǒng)中的識別模塊處理，實(shí)現(xiàn)不同廠商設(shè)備的無差別化接入。

3 結(jié)束語

虛擬卡口一體機(jī)的所有功能采用全模塊化設(shè)計(jì)，利用高性能的X86架構(gòu)與先進(jìn)的智能視頻分析算法，整個(gè)系統(tǒng)集于主機(jī)內(nèi)部，以前端相機(jī)拍攝視頻流為輸入，以車輛抓拍和分析結(jié)果為后端輸出，實(shí)現(xiàn)集視頻接入、車輛檢測與識別、視頻分析、網(wǎng)絡(luò)傳輸為一體的一體化硬件設(shè)備，兼容各大廠商的監(jiān)控相機(jī)的視頻輸入，通過TCP/IP協(xié)議將車輛抓拍信息、分析數(shù)據(jù)上傳至監(jiān)控中心。

參考文獻(xiàn)：

[1]毛曉東，樊亞文.高清視頻監(jiān)控技術(shù)在城市公共安全中的應(yīng)用[J].視頻應(yīng)用與工程（2010）：103-105.

[2]陳曉輝.國家標(biāo)準(zhǔn)SVAC將成為安防監(jiān)控產(chǎn)業(yè)發(fā)展的重要里程碑[J].中國安防，2009（11）：21-28.

[3]鄭世寶.智能視頻監(jiān)控技術(shù)與應(yīng)用[J].電視技術(shù)，2009（01）：94-96.

作者簡介：任子暉（1983-），女，安徽宿州人，安徽四創(chuàng)電子股份有限公司工程師，同濟(jì)大學(xué)博士研究生；薛麗霞（1976-），女，合肥工業(yè)大學(xué)副教授，研究方向：交通系統(tǒng)仿真等；高岳林（1963-），男，教授，北方民族大學(xué)副校長、合肥工業(yè)大學(xué)博士生導(dǎo)師。

作者單位：安徽四創(chuàng)電子股份有限公司 國家企業(yè)技術(shù)中心，合肥 230088；合肥工業(yè)大學(xué) 計(jì)算機(jī)學(xué)院，合肥 230009；北方民族大學(xué) 信息與計(jì)算科學(xué)學(xué)院，銀川 750021

基金項(xiàng)目：2011年國家自然科學(xué)基金項(xiàng)目（項(xiàng)目編號：11161001）；安徽省科技攻關(guān)重大項(xiàng)目（130104025）。