向翼凌，何 偉

1.武漢工程大學科技處，湖北 武漢 430205；

2.閩江學院經(jīng)濟管理學院，福建 福州 350108

近年來，高校校園的安全問題日益嚴峻，例如2015年著“學生裝”大盜流竄12省專偷高校財產(chǎn)，盜竊200多臺電腦；2018年1月，復旦大學一男生因醉酒在清華大學校園內溺水身亡。種種事件表明，校園安全問題仍不容忽視。為了保障學生的人身安全，視頻監(jiān)控系統(tǒng)被廣泛地應用到校園中。為了保證良好的高校教學、科研氛圍，特別是保障良好的治安環(huán)境，在高校校園建立綜合安全防范系統(tǒng)是十分必要的。而安防監(jiān)控系統(tǒng)作為校園安全管理的重要技術手段，對預防校園內發(fā)生財產(chǎn)的損失，減少、避免安全事故以及違法犯罪案件的發(fā)生等各種校園內的不安全因素發(fā)揮著重要的作用［1］。

視頻監(jiān)控技術的廣泛應用為大學生的安全防范方法提供了新的解決思路，快速準確的判斷依賴于大學生安全防范的風險預警模式的準確識別，具體包括數(shù)據(jù)收集系統(tǒng)、信息分析和預測系統(tǒng)、決策報警系統(tǒng)等功能模塊的建構和整合［2-3］。高校可以通過建立起涵蓋學生作息習慣、網(wǎng)絡言論、生理原因、興趣愛好、校園生活、人際關系等要素的指標體系、權重，運用現(xiàn)代化物聯(lián)網(wǎng)在線監(jiān)測技術［4］與數(shù)據(jù)挖掘技術［5］，可以實時反饋學生個體行為，提高分析預測群體安全風險水平等級的精準度，實現(xiàn)對在校學生的精準多元動態(tài)監(jiān)測。我國高?，F(xiàn)有的大學生安全管理體系遠未對此技術帶來的改變有高度的認識，分散的多方面安全風險仍然存在。就此而言，大數(shù)據(jù)、智能視頻檢測技術可以視為目前高校實現(xiàn)學生安全管理工作精細化的有效手段。

作為保障校園安全重要技術措施的安防監(jiān)控系統(tǒng)，其監(jiān)控設備的布局決定了所能采集到的安全狀態(tài)參量的覆蓋范圍，但實際場景中往往受限于監(jiān)控設備分辨率不高、檢測目標距攝像頭較遠［6］，從而導致最終建立的視頻監(jiān)控系統(tǒng)反映校園不同區(qū)域的風險［7］狀態(tài)準確程度較低。因此，利用現(xiàn)有的校園安防監(jiān)控系統(tǒng)，升級為更精確、高效智能化的安防檢測系統(tǒng)，成為提升校園安全的有效途徑之一。本研究將目標運動的連續(xù)性和圖像序列的時空連續(xù)性運用在入侵檢測中，提出一種基于時空約束的改進三幀差分算法，利用圖像序列直接的連續(xù)性與場景空間結構聯(lián)合約束提高檢測性能。

在智能監(jiān)控系統(tǒng)中，入侵檢測［8］在保障人身安全方面取得了巨大的成功，入侵檢測是一項重要的智能識別自動報警技術。所謂入侵，是用戶根據(jù)自身實際需求，在視頻圖像上添加帶有位置方向的虛擬警戒線。在監(jiān)控視場范圍中，在設定的區(qū)域內，一旦有運動物體進入該區(qū)域，系統(tǒng)會自動觸發(fā)報警信號，提示安保人員關注并及時處理入侵事件。

從入侵檢測的定義來看，其功能的實現(xiàn)包含了兩個部分：運動目標檢測和入侵條件判定［9］。運動目標檢測方法是利用背景建模，檢測目標的運動情況，在實際情況中，常用的背景建模方法容易受到光照變化和物理環(huán)境的影響。而另一方面，由于現(xiàn)實場景中的三維場景投影到二維平面上造成的檢測區(qū)域偏移也給入侵檢測造成了技術上的難題。

目前主流的視頻檢測算法有背景建模［10］和Vibe算法［11］等。背景建模方法中最為常用的是混合高斯法，該算法假設背景像素分布符合高斯分布，而利用多高斯假設對背景和可能出現(xiàn)的前景目標進行建模，因此利用混合高斯特性預測前景目標。和傳統(tǒng)的幀差法相比，混合高斯背景建模方法較為精確的描述的背景信息，但是該類方法計算量大，且依賴于模型的準確性，在動態(tài)條件下的模型泛化能力不理想。ViBe算法利用像素級特性對背景和前景進行建模，采用隨機更新的策略更新背景模型，該算法相對混合高斯模型更為靈巧和實用。但其本身也具備了一定的局限性，如鬼影、靜止目標、復雜前景和運動目標檢測不完整等問題［12］。

1 基于時空聯(lián)合約束的入侵檢測

1.1 區(qū)域繪制

本文主要研究基于OpenCV的視頻區(qū)域檢測算法，提出了利用圖像序列之間的時間和空間拓撲結構的約束提高檢測性能。繪制檢測區(qū)域的方法是讓用戶在視頻上直接用鼠標繪制“危險區(qū)域”［13］。具體使用的手段是在程序中設置絆線編號，如圖1所示：完全進入檢測區(qū)域和部分進入檢測區(qū)域的判定條件并不相同。目標入侵區(qū)域檢測方法可以分為兩類絆線問題：一種是運動目標只有部分進入描繪區(qū)域；另一種是運動目標完全進入描繪區(qū)域。將運動目標表示為若干個矩形，當矩形任意邊界與設置危險區(qū)域邊界相交，系統(tǒng)立即報警。當檢測目標進入設置區(qū)域時需要證明目標矩陣任意一條線段在危險區(qū)域邊界的兩側，即證明線段p1p3和p1p4與線段p2p3和p2p4叉積異號時，運動目標入侵“危險區(qū)域”，其中點（x1，y1）為p1，點（x2，y2）為p2，點（x3，y3）為p3，點（x4，y4）為p4。

圖1 運動目標進入設置區(qū)域示意圖：（a）完全進入，（b）部分進入Fig.1 Schematic diagram of moving target invading into the setting region：（a）total entry，（b）partial entry

1.2 基于時空約束的三幀差分法

由于幀間差分法能夠快速檢測出相鄰圖像中的運動目標所引起的運動范圍，但是它提取的運動目標往往比實際的目標要大，通常會出現(xiàn)“陰影”現(xiàn)象，檢測出來的物體是前后兩幀相對變化的部分，無法檢測到重疊部分，導致檢測到的目標發(fā)生“空洞”現(xiàn)象［14］。所以在其基礎上人們提出了三幀差分方法，將相鄰的三幀圖像作為一組數(shù)據(jù)進行再差分，能夠較好的檢測出中間幀運動目標的形狀輪廓［15］。本文在三幀差分法上增加了時間和地域的約束條件，進一步加強三幀差分法在實際場景中的應用。在時域的多幀約束的基礎上，利用繪制預警區(qū)域在圖像空間中的幾何屬性，時空域的聯(lián)合約束能夠提高入侵檢測算法的精度和實用性。

利用公式（1）分別計算相鄰兩幀圖像插值：

對得到的差值圖像通過選擇合適的閾值τ進行二值化：

在每一個像素點（x，y）將得到的二值圖像邏輯相“與”，得到三幀圖像中間幀的二值圖像：

與混合高斯背景建模、ViBe法相比該方法迭代速度快、程序設計復雜度低。其缺點是閾值τ的選取困難，若值過低，選取的該幀圖片背景噪聲過大，容易錯誤檢測運動目標；若τ值過高，當多個運動目標出現(xiàn)在“危險區(qū)域時”容易丟失部分運動目標，產(chǎn)生誤檢，τ值的適當與否直接影響到檢測效率。針對算法中的閾值選擇問題，研究了兩種典型的應用場景：白天和夜晚監(jiān)控場景。白天人流量大，Δt和τ值的選取適宜小，增加時域采樣的間隔，提高精度；另一方面夜晚人流量少，從節(jié)約資源的角度適用較大的參數(shù)，因此本文展示了兩種參數(shù)配置條件下的實驗結果。

基于時空約束的三幀差分算法應用于實際場景時，將入侵檢測分為兩大類時域：一種為白天檢測，若有目標運動到所設危險區(qū)域內，系統(tǒng)不會立刻報警，會發(fā)出提示讓觀測人員警惕，當目標在區(qū)域內停滯不前且停留時間過長，系統(tǒng)立刻報警；另外一種是夜晚檢測，無論目標怎么運動，只要入侵“危險區(qū)域”，系統(tǒng)立刻報警（見圖2）。在警報準確率的基礎上引入了虛警率、漏警率這兩個概念，更好地評判本算法的效率值。假設共有T個警報的正例，F(xiàn)個未警報的負例，經(jīng)過警報確認后有Tt個系統(tǒng)警報且人為評判為正例，F(xiàn)t個系統(tǒng)警報且人為評判為負例，則Tt+Ft=T；有Ff個系統(tǒng)未警報且人為評判為負例，Tf系統(tǒng)未警報且人為評判為正例，則Ff+Tf=F。準確率、虛警率、漏警率公式如下：

圖2 基于時空約束的入侵檢測流程圖Fig.2 Flowchart of intrusion detection algorithm by spatio-temporal constraints

引入時空聯(lián)合約束后有效的降低了系統(tǒng)的虛警率，對比其他算法三幀差分法檢測背景圖像不累計、更新速度快、算法計算量小，克服了對運動目標檢測區(qū)域過大、模糊的缺陷。

2 實驗部分

實驗分為兩個時段進行檢測，白天時段三幀差分法設置的參數(shù)如下：τ值為10；夜晚時間段參數(shù)τ值為12。在計算機學院大樓入口選擇不同的區(qū)域進行檢測，拍攝視頻使用的器材是：kinect2.0，SOMITA三腳架。可在視頻圖像上繪制任意幾何形狀“危險區(qū)域”，當校內行人穿越設置區(qū)域時，以此來模擬“入侵”事件。當目標經(jīng)過區(qū)域時，如果與區(qū)域產(chǎn)生交集則算作一次入侵，如圖3所示。此次實驗繪制檢測區(qū)域形狀為三角形，視頻錄制時段為白天下午2點，晚上10點。

白天，定義學校池塘為危險區(qū)域，當有行人“入侵”池塘時間過長，為了防止意外發(fā)生，默認為目標有危險及時報警。在白天實驗測試的基礎上，基于時空約束增加了晚上不同時段相同區(qū)域檢測的實驗，晚上當有行人“入侵”池塘區(qū)域，系統(tǒng)因監(jiān)控背景幀間變化不大以免超時誤報即刻報警。晚上課后還定義學院入口大門為“危險區(qū)域”，當學生下課走出學院與系統(tǒng)設定絆線方向規(guī)則一致時，系統(tǒng)不會報警，若檢測目標運動方向與規(guī)則不一致則隨即報警，防止閑雜人員進入。本系統(tǒng)應用的校園環(huán)境并不復雜，主要檢測目標是行人，當目標運動的標識矩陣與設定區(qū)域的邊線相交時，判定目標是否違反方向規(guī)則選擇報警與否。白天實驗結果如表1所示。

圖3 白天不同區(qū)域檢測Fig.3 Detection in different areas during daytime

表1 不同方法實驗數(shù)據(jù)對比Tab.1 Experimental results from different methods %

實驗數(shù)據(jù)表明，當τ值為10時，系統(tǒng)的準確率最高。基于時空約束的三幀差分法相對于混合高斯背景法、ViBe法、三幀差分法準確率分別提高了4.5%、2.5%、1.5%；虛警率分別降低了4.6%、2.7%、1.7%；漏警率分別降低了4%、2%、1%。數(shù)據(jù)清晰的表明本算法利用監(jiān)測圖像的兩類時域與場景空間變換的聯(lián)合約束大大提高了入侵檢測效率。在實驗過程中發(fā)現(xiàn)，本方法既不受區(qū)域環(huán)境亮度的影響，也不會因為區(qū)域環(huán)境亮度差異過大而產(chǎn)生誤判。實驗誤差類型漏檢產(chǎn)生的主要原因為幀間目標的重疊部分無法明確分割，會誤判為一個目標，尤其是在攝像頭放置較遠、運動目標間距小的情況下。

為了測試參數(shù)τ值對識別算法性能的影響，實驗增加了不同取值條件下的準確率實驗，如圖4所示，可以看出在τ值為10時，算法的識別性能最優(yōu)。在后續(xù)研究中，將對自適應取值問題開展進一步研究。

圖4 不同τ值時的準確率Fig.4 Accuracy at differentτvalues

3 結 語

本文主要討論基于時空約束的區(qū)域檢測問題，將區(qū)域檢測問題分為不同時間、不同區(qū)域分別討論?！拔ｋU”區(qū)域的繪制與入侵的判斷是區(qū)域檢測的首要目標。用戶可以自行繪制任意幾何形狀的檢測區(qū)域，通過區(qū)域檢測系統(tǒng)上增加智能分析模塊，分時段、分區(qū)間多方面對運動目標進行檢測判定，極大的提高了檢測系統(tǒng)的智能水平。本文采用基于時空約束的三幀差分法，獲取連續(xù)的三幀圖像進行差分，令得到的兩個差分圖像對應的像素進行與運算，檢測出運動目標以應對校園內復雜多變的環(huán)境。實驗表明，本文所提出的算法能夠準確實現(xiàn)基于時空約束的入侵檢測，降低危險報警的虛警率；該方法已在實際生活中應用，效果較好。