張鑫晟+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糜嬎銠C(jī)視覺方法自動分析攝像機(jī)拍錄的圖像序列，從而有效跟蹤、識別和檢測動態(tài)場景中的目標(biāo)。研究移動智能終端視頻監(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)計快速行人檢測算法。

關(guān)鍵詞關(guān)鍵詞：移動視頻監(jiān)控；跟蹤識別；行人檢測

DOIDOI：10.11907/rjdk.162189

中圖分類號：TP319文獻(xiàn)標(biāo)識碼：A文章編號文章編號：16727800（2017）001006004

針對上述傳統(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題。通過計算機(jī)對視頻場景中的大量圖像信息數(shù)據(jù)進(jìn)行實時、快速處理，并濾除不需要的背景信息，抽取與監(jiān)控場景相關(guān)的前景信息，進(jìn)而對感興趣的目標(biāo)進(jìn)行分析和描述。

1移動智能視頻監(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)知的語義理解[4]，即希望計算機(jī)能和人一樣自動分析理解視頻數(shù)據(jù)。一般而言，智能視頻監(jiān)控對視頻圖像的處理可以分為以下3個層次：

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

（2）中層。在底層的基礎(chǔ)上提取運(yùn)動目標(biāo)的各種信息，并進(jìn)行相關(guān)判斷及目標(biāo)識別。目標(biāo)識別是為了對目標(biāo)進(jìn)行分類，進(jìn)而識別目標(biāo)的身份，可分為目標(biāo)分類和個體識別。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義間隔，主要是為了解決目標(biāo)是什么的問題。

（3）高層。高層處理完成對目標(biāo)的行為進(jìn)行分析和理解。高層的語義蘊(yùn)含著特定的語義場景，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)識別、行為識別和事件分析，主要是為了解決目標(biāo)在干什么的問題。

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

1.2移動智能視頻監(jiān)控系統(tǒng)的關(guān)鍵算法

1.2.1CENTRIST算法的具體計算步驟

（1）對待處理圖像進(jìn)行灰度化、平滑濾波濾波器為Sobel算子（見圖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）

在實際監(jiān)控預(yù)警中，如果對每一張圖都進(jìn)行描述符提取以及通過線性分類器判決是否包含行人，無疑浪費運(yùn)算資源和存儲資源。本文將行人檢測分為以下幾個主要部分：

（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)動檢測的計數(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。本算法檢測前需要對彩色視頻圖像進(jìn)行灰度化處理，并采用Gamma公式壓縮圖像大小。

（3）運(yùn)動檢測：判斷視頻圖像中是否有運(yùn)動物體闖入，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)多幀圖像檢測到運(yùn)動目標(biāo)闖入才會進(jìn)行下一步行人檢測。此時需要將計數(shù)器i重新設(shè)置為0，以便于下次檢測重新開始計數(shù)。

（4）行人檢測：當(dāng)步驟3連續(xù)檢測出運(yùn)動物體i值超過設(shè)定的閾值后，開始進(jìn)行行人檢測。主要通過提取當(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)動物體是否是行人。

3實驗結(jié)果

本實驗采用INRIA的標(biāo)準(zhǔn)行人數(shù)據(jù)庫，其包括一個訓(xùn)練庫和一個測試庫。其訓(xùn)練庫共包含2 416個正樣本和3 000多個負(fù)樣本；測試庫包含1 126個正樣本。所有樣本的尺寸大小都為108×36個像素如圖4所示。測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庫訓(xùn)練出線性SVM分類器，并重新檢測圖像源圖像（見圖5（a）），結(jié)果如圖5（b）所示。對比實驗結(jié)果可以發(fā)現(xiàn)，對于正常高度的行人以及遮擋不是很明顯的圖像CENTRIST+SVM檢測效果要明顯好于默認(rèn)樣本訓(xùn)練的。

4結(jié)語

本文主要分析了行人檢測經(jīng)典算法HOG+SVM，并分析對其在視頻監(jiān)控系統(tǒng)中運(yùn)算速度慢以及檢測效果不理想等缺點，在此基礎(chǔ)上提出了兩項改進(jìn)：①用CENTRIST代替HOG描述符，實驗表明在行人檢測中分類效果沒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針對行人檢測中支持向量維數(shù)太高嚴(yán)重影響檢測速度的缺點，提出了一種快速SVM分類方法，通過轉(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實驗對比

參考文獻(xiàn)：

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

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

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