張清華，林 勇，溫陽東

（合肥工業(yè)大學(xué) 電氣自動化工程學(xué)院，合肥 230009）

0 引言

監(jiān)控系統(tǒng)能夠為家居環(huán)境的安全提供一個重要保障。一個監(jiān)視系統(tǒng)包括進行圖像采集的攝像頭和負責(zé)進行流媒體處理的服務(wù)器。通過結(jié)合計算機視覺的方法，能夠?qū)Σ东@的視頻進行智能檢測，如自動車輛監(jiān)控[1]、行人檢測[2]。同樣，在家庭環(huán)境中，通過監(jiān)控系統(tǒng)提供智能化的功能，在特定的情況下能夠?qū)崿F(xiàn)對環(huán)境動態(tài)的監(jiān)視。通過對視頻的圖像幀的分析自動的得出運算結(jié)果，并自動執(zhí)行相應(yīng)的任務(wù)，以代替人工的干預(yù)和監(jiān)測行為。

文中對嵌入式系統(tǒng)的設(shè)計考慮到了家庭環(huán)境和設(shè)備資源的局限性。系統(tǒng)識別每個視頻幀中是否有人體的存在。為了識別人體的存在，系統(tǒng)集成了HoG特征和Haar-like功能的算法[3]。當(dāng)入侵檢測模塊處于工作狀態(tài)時，在正常情況下，本地不存在任何人，如果存在，將被確認為入侵者。這里的入侵者指的是人，其他任何移動的物體，如寵物將被忽視，但系統(tǒng)仍然能夠感知到他們的存在。

在視頻監(jiān)控領(lǐng)域已經(jīng)有較多的研究，但大多數(shù)的設(shè)計自動化程度并不高，如遠程視頻監(jiān)視配合紅外熱能傳感器監(jiān)測、超聲波傳感器檢測入侵者。如果這些外圍傳感器檢測到入侵信號，相機會被用來捕捉瞬間影像。本文設(shè)計的監(jiān)控系統(tǒng)采用了基于圖像差分的運動檢測方法[4]，實現(xiàn)了通知、報警、保存事件圖像等有效的操作。圖像差值可以通過計算不同像素的數(shù)目來確定，當(dāng)這個數(shù)字超過預(yù)定值時，系統(tǒng)將其識別為運動事件。本文同時考慮了由于外界環(huán)境的變化如正常的光線強度變化，引起的監(jiān)測失誤的情況。該系統(tǒng)采用物聯(lián)網(wǎng)[5]提供的遠程監(jiān)控基礎(chǔ)平臺。

1 系統(tǒng)整體結(jié)構(gòu)

1.1 硬件構(gòu)成

系統(tǒng)硬件的基本組成：1）控制器，為一個嵌入式Linux板。目前該系統(tǒng)采用樹莓派開發(fā)板作為控制器平臺；2）攝像頭，視頻采集裝置，系統(tǒng)測試使用普通的網(wǎng)絡(luò)攝像頭；3）以太網(wǎng)網(wǎng)卡，它為該系統(tǒng)提供了TCP/IP連接，使這個該設(shè)備捕獲的視頻幀能夠傳輸?shù)骄W(wǎng)絡(luò)上。它還提供了監(jiān)控系統(tǒng)應(yīng)用的可訪問性；4）存儲介質(zhì)，負責(zé)視頻幀的存儲。

1.2 軟件構(gòu)造

系統(tǒng)軟件的組件采用面向事件和服務(wù)的體系結(jié)構(gòu)，具體采用Java模塊化設(shè)計。同時采用Python程序?qū)崿F(xiàn)管理外圍元件的輸入和輸出。圖1從軟件架構(gòu)的角度描述了服務(wù)的組件。有兩個重要的計算機視覺算法被用來檢測入侵者。為降低開發(fā)難度，系統(tǒng)集成了OpenCV開發(fā)環(huán)境[6]。

2 系統(tǒng)工作流程

系統(tǒng)基本構(gòu)造包含一個嵌入式Linux板和一個通用串行總線（USB）存儲介質(zhì)。一個普通的攝像頭通過USB端口連接到板上作為一個視頻捕獲設(shè)備。系統(tǒng)實現(xiàn)

圖1 應(yīng)用軟件結(jié)構(gòu)圖

的拓撲結(jié)構(gòu)如圖2所示。

圖2 監(jiān)控系統(tǒng)拓撲結(jié)構(gòu)

在實際環(huán)境中，監(jiān)控系統(tǒng)應(yīng)放置在安全位置，以實現(xiàn)圖2所示星型拓撲結(jié)構(gòu)，攝像頭模塊分布在家中各處，控制器需要一些時間來檢測所有的鏡頭并采取必要的預(yù)警措施。采用外部輸入按鈕啟動入侵者檢測功能，為了這個目的，采用一個通用輸入輸出（General Purpose Input Output，GPIO）引腳作為輸入源。其他的GPIO引腳用來驅(qū)動外部設(shè)備進行各種活動，如打開照明開關(guān)。

在基于ARM架構(gòu)的32位芯片上使用OpenCV，需要在主機平臺上編譯該庫，同時也需要在控制器上配置Java運行環(huán)境（Java Run Time Environment，JRE），最后，為了優(yōu)化系統(tǒng)性能和最大限度地利用中央處理單元，對未使用的Linux服務(wù)[7]，如日志記錄服務(wù)進行裁剪。

圖3 系統(tǒng)初始化流程圖

2.1 系統(tǒng)初始化

在系統(tǒng)啟動階段，使用相應(yīng)的系統(tǒng)服務(wù)調(diào)用應(yīng)用程序軟件。當(dāng)應(yīng)用程序啟動后，它初始化外設(shè)GPIO引腳，檢查是否有任何視頻輸入設(shè)備連接到系統(tǒng)中。如創(chuàng)建一個視頻設(shè)備，應(yīng)用軟件讀取設(shè)備信息并保存為xml文件格式。此外，它檢查備份存儲介質(zhì)，如果發(fā)現(xiàn)，將其掛載到預(yù)定義的位置，然后創(chuàng)建一個可寫目錄。

在啟動階段，操作系統(tǒng)通過網(wǎng)絡(luò)時間協(xié)議（Network Time Protocol，NTP）初始化當(dāng)前日期和時間。當(dāng)網(wǎng)絡(luò)無法連接到外部服務(wù)器時，可以使用代替的解決方案，手動設(shè)置日期、時間和時區(qū)。系統(tǒng)軟件架構(gòu)支持USB連接攝像頭模塊，在啟動或者啟動階段結(jié)束時，系統(tǒng)為每個攝像頭模塊啟動專用線程[8]，以捕獲視頻幀。除了視頻捕獲線程，在結(jié)束設(shè)備初始化階段后對USB端口連接狀態(tài)進行偵聽，以觀測USB連接的生命周期，初始化流程圖如圖3所示。

2.2 圖像采集

攝像頭模塊首先讀取設(shè)備配置文件。使用有效配置信息，系統(tǒng)應(yīng)用程序開始記錄每個設(shè)備捕獲的視頻幀。在捕獲每個視頻幀之前，每個相機模塊系統(tǒng)都會在系統(tǒng)啟動階段創(chuàng)建一個獨立的目錄，目錄名稱對應(yīng)配置文件中的相機名稱。在該階段系統(tǒng)只檢查設(shè)備的可訪問性、讀取調(diào)用請求。如果此設(shè)備讀取請求調(diào)用返回成功，則將相關(guān)配置視為有效配置。除此之外，配置文件還包含一個鍵值數(shù)據(jù)庫表單。表1描述了一個模型配置文件結(jié)構(gòu)。在應(yīng)用的生命周期，如果應(yīng)用軟件未能讀取任何設(shè)備，軟件生成系統(tǒng)警報信息，并產(chǎn)生相應(yīng)的事件通知。

表1 攝像頭設(shè)備模型配置

2.3 入侵檢測

入侵的檢測是一個很具有價值的研究領(lǐng)域，具有很廣泛的用途。通過比較身體形狀可以從圖像中識別出人；上下文匹配是用來比較形狀的算法之一。然而通過評價特定的形狀來定義人是很困難的，由于人的姿勢不同，人站著的形狀不同于坐著的形狀。有一些研究已經(jīng)采取了改進的檢測模型，如頭部輪廓檢測。利用HoG特征和支持向量機（Support Vector Machine，SVM）[9]有效地提升檢測的性能。該方法考慮檢測對象的特征在于由局部強度梯度或邊緣方向的分布。將圖像分為小的方格和空間區(qū)域的小窗口，包含局部一維梯度方向直方圖。支持向量機的計算復(fù)雜度高，但OpenCV提供了訓(xùn)練支持向量機，減少了訓(xùn)練階段的開支。

OpenCV默認的HoG實施已經(jīng)過測試，當(dāng)類似人的形狀存在于低對比度和分辨率圖像時容易產(chǎn)生錯誤的檢測，如圖4所示，圖4(a)原始圖像包含類人型的形狀以進行對比，圖4(b)出現(xiàn)錯誤的檢測信息，圖4(c)采用HoG相關(guān)方法，能夠消除檢測的錯誤，圖4(d)對真實人物能夠正確的檢測，相關(guān)因素變化大于0.02。為了提高系統(tǒng)的可靠性，對圖像的內(nèi)容和強度偏差使用相關(guān)性的方法。對于每個攝像頭模塊，需要提供一個參考圖像，它代表預(yù)定義的環(huán)境和照明條件。該參考圖像應(yīng)在正常的環(huán)境照明條件下進行，并應(yīng)確保圖中沒有人的存在，以供系統(tǒng)確定光照強度和圖像內(nèi)容的變化。每個對象反射由成像設(shè)備捕獲的光量以在二維平面再現(xiàn)圖像。

圖4 入侵者檢測方法仿真

另一方面，當(dāng)環(huán)境光強度降低時，同一物體反射的光量減少。同樣，當(dāng)光照強度增加時，物體反射光的量不同，圖像質(zhì)量也隨之增加。圖像特征，如邊緣或角點變得更清晰，如圖5所示為光線強度變化時圖像像素的變化。HoG特征是通過計算圖像局部區(qū)域的梯度方向直方圖來獲取的。因此，如果圖像特征變得更加明顯，HoG特征檢測和SVM分類器可以得出更好的結(jié)果。綜上所述，當(dāng)開啟入侵檢測時，將當(dāng)前圖像幀的直方圖與參考圖像直方圖進行比較。

圖5 光線強度對像素的影響

系統(tǒng)同時使用Haar-like特征算法，Haar-like的功能與HoG方法結(jié)合的人的檢測方法，通過Haar-like特征的方法來檢測對象。在該系統(tǒng)中，它用來檢測人臉特征。OpenCV提供了一個可以訓(xùn)練的正面人臉檢測分類器[10]。為了避開分類器的訓(xùn)練階段以及降低計算成本，系統(tǒng)使用已實現(xiàn)的OpenCV的一個功能，Haar-like特征的級聯(lián)分類器。對于每個捕獲的視頻幀，該方法用于確定人臉的存在，如果檢測到則產(chǎn)生報警。在某些情況下，如電源故障、光源故障或攝像頭被覆蓋，當(dāng)前圖像幀變得無效，通過HoG特征檢測能夠識別無效的圖像幀。無效圖像指當(dāng)前圖像幀的圖像內(nèi)容和光照強度發(fā)生顯著變化。通過HoG特征檢測能夠識別，如果相關(guān)系數(shù)低于0.70，系統(tǒng)將認為它是一個巨大變化的光強度或內(nèi)容，即使沒有入侵者檢測也會生成系統(tǒng)報警，如圖6所示。

圖6 光線強度發(fā)生顯著變化時的檢測結(jié)果

【】【】

3 實驗結(jié)果討論

使用HoG特征算法對人體的檢測方法進行了測試。根據(jù)觀測，當(dāng)光照強度降低時、發(fā)生變化時，系統(tǒng)會產(chǎn)生誤報。為了降低出錯的概率，在進行HoG特征匹配時，如果沒有觀察到偏差，則丟棄當(dāng)前檢測的圖像。如圖7所示，當(dāng)圖像的分辨率增加時[11]，錯誤檢測會消失?？芍谟凶銐虻墓庹諒姸群拖鄼C分辨率時將產(chǎn)生更好的結(jié)果?？紤]光照強度和圖像本身的變化，對HoG特征比較，在理想的情況下參考圖像等于當(dāng)前圖像幀相，關(guān)系數(shù)約為1，當(dāng)圖像光強變化為亮到暗時，相關(guān)系數(shù)降低，當(dāng)?shù)陀?.7時考慮為顯著變化。

圖7 比較不同分辨率的檢測結(jié)果

性能測試觀察到采用頻率為900MHz的四核ARM芯片的嵌入式Linux平臺，當(dāng)檢測尺寸為640×480的圖片時，整個過程需要1.22秒來檢測人體的存在。

4 結(jié)束語

該系統(tǒng)的主要目標是實現(xiàn)一個嵌入式監(jiān)控[12]系統(tǒng)的體系結(jié)構(gòu)，能夠支持入侵檢測。通過整合計算機視覺算法，已經(jīng)實現(xiàn)該項功能。影響系統(tǒng)性能的兩個重要因素一是光強，二是相機模塊，高分辨率攝像頭是系統(tǒng)設(shè)計的首選。

系統(tǒng)軟件已經(jīng)提供了必要的服務(wù)構(gòu)件，實現(xiàn)了監(jiān)控系統(tǒng)的基本功能。通過對核心架構(gòu)的擴展可以提供如Web控制臺、報警服務(wù)、短消息服務(wù)、語音消息和電子郵件等廣泛應(yīng)用于智能家居領(lǐng)域的通知接口，以增強當(dāng)前系統(tǒng)的通知發(fā)送機制。

[1]VIOLA P, JONES M J. Robust real-time face detection[J].International journal of computer version,2004,57(2):137-154.

[2]DALAL N，TRIGG S B. Histograms of oriented gradients for human detection[A].In Proc.IEEE CVPR[C].2005,886-893.

[3]向征,譚恒良,馬爭鳴.改進的HOG和Gabor、LBP性能比較[J].計算機輔助設(shè)計與圖形學(xué)學(xué)報,2012,24(6):787-792.

[4]GOULD S.DARWIN:a framework for machine learning and computer vision research and development[J].Journal of Machine Learning Research,2012,13(12):3499-3503.

[5]劉曉克,孫燮華,周永霞.基于新Haar-like特征的多角度人臉檢測[J].計算機工程,2009,35(19):195-197.

[6]YANG M H,KRIEGMAN D J,AHUJA N.Detecting faces in images: A survey[J].IEEE transactions on pattern analysis and machine intelligence,2002,24(1):34-58.

[7]葉林,陳岳林,林景亮.基于HOG的行人快速檢測[J].計算機工程,2010(22):206-207.

[8]郭烈,王榮本,張明恒,金立生.基于Adaboost算法的行人檢測方法[J].計算機工程,2008(3):202-204.

[9]王進花,曹潔,李宇.一種基于特征融合的點特征目標跟蹤算法[J].電子測量與儀器學(xué)報,2010,24(6):536-541.

[10]TREFNY J,MATAS J.Extended set of local binary patterns for rapid object detection[A].Proceedings of the Computer Vision Winter Workshop.Nove Hrady,Czech Republic: Czech Pattern Recognition Society[C].2010:1589-1596.

[11]FAWCETT T.An introduction to ROC analysis[J].PatternRecognition Letters,2006,27(8):861-874.

[12]汪亞明.基于動態(tài)圖像序列的自動扶梯客流量的測量[J].測試技術(shù)學(xué)報,2012,16(1):14-16.