袁鵬程， 何健安

(1.西安石油大學 陜西省油氣井測控技術重點實驗室，陜西 西安 710065；2.西安石油大學 光電油氣測井與檢測教育部重點實驗室， 陜西 西安 710065)

0 引 言

隨著智能傳感器技術的發(fā)展[1～3]，傳統(tǒng)視頻監(jiān)控[4～6]開始向智能視頻監(jiān)控[7]發(fā)展。由于智能視頻監(jiān)控需要進行大量的數(shù)據(jù)處理，所以云存儲技術在智能監(jiān)控領域的需求也與日俱增。張海山[8]指出云存儲在存儲數(shù)據(jù)的同時，主要提供了數(shù)據(jù)處理的服務，并從架構(gòu)上改變了傳統(tǒng)視頻監(jiān)控系統(tǒng)模式。目前，已有很多智能視頻監(jiān)控技術方面的研究和創(chuàng)新,主要體現(xiàn)在對傳感器數(shù)據(jù)采集方面的研究。張軍等人[9]提出了單傳感器分批估計融合與模糊理論中的相關性函數(shù)與加權自適應算法相結(jié)合的數(shù)據(jù)融合方法。張誠等人[10]提出了一種多攝像機監(jiān)控環(huán)境下的目標跟蹤方法,其將特征融合與時空關聯(lián)進行了融合，且通過實驗表明，在實際中有較好的適應性。李忠海等人[11]設計了一種智能檢測系統(tǒng)，實現(xiàn)了對異常狀況,被動地實施監(jiān)測，并設計了增強算法，使得普通攝像頭也可實現(xiàn)夜間監(jiān)控[11]。通過對現(xiàn)有的文獻分析發(fā)現(xiàn)，現(xiàn)有的智能視頻監(jiān)控技術，大都是通過獲取較長一段時間的視頻信息，然后進行一定的圖像處理來判斷人體的行為，這樣不僅使得實時性大大降低，且在夜晚還會增加識別的難度。在實際中，需要在極短的時間內(nèi)識別出在關鍵設施區(qū)域的闖入者。

本文提出的基于深度傳感器的關鍵設施監(jiān)控技術，利用深度傳感器提取人體不同部位的骨架長度[12]，利用支持向量機(support vector machine,SVM)算法對其進行驗證，識別成功率可以達到80 %，表明此方法可以作為一種關鍵設施監(jiān)控的新思路。

1 人體骨架特征提取

深度傳感器獲得的人體骨架示意如圖1所示。

圖1 人體骨架示意

取圖中人體骨架的8個部位的長度值(以變量x1～x8表示)作為人體特征值。X={x1,x2,x3,x4,x5,x6,x7,x8}。

2 建立數(shù)學模型

1)準備訓練樣本X

{(X1,d1),(X2,d2),(X3,d3),…,(Xp,dp)}

(1)

式中X為特征向量；d為不同特征向量對應的標簽，取值為±1。設樣本X中有N組數(shù)據(jù)，每組數(shù)據(jù)有D(D=8)個特征值。

2)取核函數(shù)K(X,Xp)

本文選擇高斯徑向基核函數(shù)(RBF)，其中，γ取0.7，則

K(X,Xp)=exp(-γ‖X-Xp‖2)

(2)

將式(1)代入上式(2)，得到矩陣K

(3)

3)獲得拉格朗日目標函數(shù)

(4)

式中α1,α2,…，αp為待求系數(shù)，求函數(shù)Q(α)對應于各變量αp的偏導，并使之為0，從而求出各αp的值

(5)

4)求解目標函數(shù)

解方程(5)，求得目標函數(shù)的未知系數(shù)α1,α2,…,αp，準備預測樣本X，將其代入判別函數(shù)式(6)

(6)

根據(jù)f(X)的大小，對預測樣本X進行分類。由于訓練集的標簽d為±1，所以,根據(jù)所得f(X)值的大小，可對樣本X進行分類:當結(jié)果大于0時,屬于訓練時d=1對應的一類;當結(jié)果小于0時，則屬于d=-1對應的一類。

3 設計分類器

以識別3個人(A，B，C)的身份為例，需3個一對二的分類器，分別設為A分類器f1(X)，B分類器f2(X)，C分類器f3(X)。各分類器對應標簽設計如表1所示。

表1 標簽設置

利用分類器對人體進行分類識別，設人體特征向量為X，則識別過程如圖2所示。

圖2 單個分類器兩分類過程

為了區(qū)別此三人與其他人，需通過實驗獲得最佳的閾值y(一正一負)，當X通過分類器的結(jié)果超出此閾值時，X分類的結(jié)果就是D(其他)。通過對測試集訓練獲得各分類器最佳閾值,分別為測試集A，測試集B，測試集C，以及其他測試集D，AB，AC，BC為混合測試集。設y1,y2,y3分別為分類器f1(X)，f2(X)，f3(X)的閾值，定義變量X1，X2，X3表示用來訓練的人體特征向量，取值范圍如表2所示。

表2 不同閾值下變量取值范圍

閾值的選取規(guī)則為

(7)

4 實驗過程與結(jié)果分析

4.1 分類器實驗

取50組A數(shù)據(jù)通過A分類器，50組B數(shù)據(jù)通過B分類器，50組C數(shù)據(jù)通過C分類器。由分類結(jié)果獲得A，B，C識別成功率分別為86 %,94 %,94 %。各分類器的分類成功率達到了85 %以上，具有較好的分類效果，故可用于人體識別算法的總體設計。

4.2 選取最佳閾值

A，BC，D測試集各50組，經(jīng)A分類器分類，得如圖3(a)所示的折線圖。B，AC，D測試集各50組，經(jīng)B分類器得到如圖3(b)所示的折線圖。C，AB，D測試集各50組，經(jīng)C分類器分類，得到如圖3(c)所示的折線圖(圖中橫坐標為組別編號1～50，縱坐標為每組數(shù)據(jù)經(jīng)過分類器后得到的無量綱數(shù)據(jù)，均沒有單位)。

圖3 分類器分類結(jié)果

通過對上面折線圖的分析，結(jié)合本文閾值選取方法，根據(jù)式(7)選取閾值如下:f1(X)為(-y1,y1)=(-2,2)，f2(X)為(-y2,y2)=(-3,3)，f3(X)為(-y3,y3)=(-2,2)。

5 人體識別算法總體設計

利用各個分類器投票的方式進行總識別算法的設計。n1，n2，n3，n4分別表示A，B，C，D最終的得票數(shù)。人體識別方案如圖4所示。

圖4 人體識別程序

A,B,C,D中得票最高的即為X的識別結(jié)果，若出現(xiàn)2個人及以上得票最高且票數(shù)相同，則視為此次識別失敗。

6 人體識別結(jié)果

取A，B，C，D各50組得到的正確識別數(shù)分別為44，42，41，37組，識別成功率分別為88 %，82 %,81 %,74 %,A，B，C的識別成功率均達到了80 %以上，而D的識別率偏低，一方面這主要跟D訓練集的選取有關，本文隨機選取其他3個人組成了訓練集，如果D的選取范圍越大，即多選幾個人，其越具有普適性；另一方面，與分類器閾值的選取也有較大關系。后續(xù)研究的方向可以是D訓練集以及具體分類器閾值的選取方面。

7 結(jié) 論

提出了基于深度傳感器的關鍵設施監(jiān)控技術，基于SVM進行算法設計，取得了較好的識別效果，為關鍵設施的監(jiān)控技術提出了一種新的思路。利用深度傳感器進行數(shù)據(jù)采集，實時性高，且不受光照影響，魯棒性強?；赟VM設計的識別算法，在識別出入侵者的同時，還可區(qū)別出具體的操作人員身份。能夠在極短的時間識別出靠近關鍵設施的人，監(jiān)控人員可迅速做出反應。但目前此算法的識別成功率還不是最佳，算法還有待進一步完善:一是可以研究建立更加精確的人體骨架模型，二是可以用其他的算法代替SVM算法進行模型訓練，如BP神經(jīng)網(wǎng)絡，相信隨著研究的深入，本文所提人體識別方法的成功率會有顯著提高。