摘 要：針對(duì)傳統(tǒng)視頻監(jiān)控系統(tǒng)在效率和智能化方面的不足，本文設(shè)計(jì)了一種基于嵌入式技術(shù)的智能遠(yuǎn)程視頻監(jiān)控系統(tǒng)。該系統(tǒng)利用嵌入式ARM平臺(tái)，采用深度學(xué)習(xí)算法，引入深度可分離中心差分卷積網(wǎng)絡(luò)（DS-CDCNN），以提升視頻識(shí)別能力。通過試驗(yàn)驗(yàn)證，該系統(tǒng)在視頻傳輸方面的平均延遲為43 ms，帶寬利用率約為30%，傳輸穩(wěn)定性為98%。在識(shí)別任務(wù)中，DS-CDCNN算法的人臉識(shí)別準(zhǔn)確率為98.8%，車牌識(shí)別準(zhǔn)確率為99.6%。為智能遠(yuǎn)程視頻監(jiān)控系統(tǒng)的發(fā)展提供了新思路，可廣泛應(yīng)用于公共安全與智慧城市建設(shè)領(lǐng)域。

關(guān)鍵詞：嵌入式技術(shù)；遠(yuǎn)程視頻監(jiān)控；智能識(shí)別；深度學(xué)習(xí)

中國分類號(hào)：TP 39" " " " " " 文獻(xiàn)標(biāo)志碼：A

隨著社會(huì)經(jīng)濟(jì)發(fā)展和科技進(jìn)步，視頻監(jiān)控系統(tǒng)廣泛應(yīng)用于公共安全、交通和工業(yè)等領(lǐng)域。與傳統(tǒng)依賴人工的視頻監(jiān)控系統(tǒng)相比，新型系統(tǒng)對(duì)監(jiān)測(cè)效率與實(shí)時(shí)性提出了更高要求。物聯(lián)網(wǎng)與人工智能技術(shù)的興起，使智能遠(yuǎn)程視頻監(jiān)控系統(tǒng)的研究越來越受到重視[1]。嵌入式技術(shù)以其能耗低、集成度和可靠性高的優(yōu)勢(shì)，結(jié)合深度學(xué)習(xí)在圖像和視頻分析領(lǐng)域的進(jìn)展，為監(jiān)控系統(tǒng)智能化開辟了新路徑。設(shè)計(jì)融合嵌入式技術(shù)與深度學(xué)習(xí)的多功能智能監(jiān)控系統(tǒng)仍面臨挑戰(zhàn)[2]。針對(duì)這個(gè)問題，本文提出了一種新型智能遠(yuǎn)程視頻監(jiān)控系統(tǒng)，該系統(tǒng)融合了嵌入式技術(shù)，并對(duì)其架構(gòu)設(shè)計(jì)、硬件選型、軟件開發(fā)以及智能識(shí)別算法進(jìn)行了深入研究。試驗(yàn)結(jié)果表明，所設(shè)計(jì)的系統(tǒng)性能更強(qiáng)，效果更佳，為智能視頻監(jiān)控領(lǐng)域的發(fā)展提供了技術(shù)支持。

1 智能遠(yuǎn)程視頻監(jiān)控系統(tǒng)的設(shè)計(jì)

1.1 系統(tǒng)整體架構(gòu)設(shè)計(jì)

在設(shè)計(jì)遠(yuǎn)程智能視頻監(jiān)控系統(tǒng)的過程中，主要模塊包括攝像模塊、視頻傳輸模塊、存儲(chǔ)模塊和顯示模塊等。系統(tǒng)具備遠(yuǎn)程查看與控制功能，用戶可通過監(jiān)控中心或移動(dòng)終端對(duì)目標(biāo)區(qū)域進(jìn)行實(shí)時(shí)監(jiān)控，并發(fā)送遠(yuǎn)程指令。系統(tǒng)融合了先進(jìn)的視頻分析技術(shù)和智能算法，能夠執(zhí)行移動(dòng)物體檢測(cè)、面部識(shí)別、車牌識(shí)別等智能分析任務(wù)，提升了監(jiān)控的實(shí)時(shí)性與準(zhǔn)確性。系統(tǒng)整體架構(gòu)設(shè)計(jì)如圖1所示。

系統(tǒng)基于ARM架構(gòu)和Linux操作系統(tǒng)，采用高清攝像頭實(shí)時(shí)采集視頻數(shù)據(jù)，并使用JPEG壓縮算法進(jìn)行處理。處理后的視頻數(shù)據(jù)依據(jù)TCP/IP協(xié)議傳輸至遠(yuǎn)程監(jiān)控終端，實(shí)現(xiàn)實(shí)時(shí)監(jiān)控。系統(tǒng)硬件由ARM主控板、網(wǎng)卡和攝像頭組成，軟件在嵌入式Linux平臺(tái)上運(yùn)行。系統(tǒng)集成了驅(qū)動(dòng)程序以及用于圖像捕獲、壓縮和網(wǎng)絡(luò)傳輸?shù)膽?yīng)用模塊，保證各組件協(xié)同工作[3]。

1.2 系統(tǒng)軟硬件設(shè)計(jì)

樹莓派4B作為系統(tǒng)的嵌入式平臺(tái)，采用羅技（Logitech）C920 Pro HD（USB接口）高清監(jiān)控?cái)z像頭進(jìn)行視頻捕獲。為實(shí)現(xiàn)無線數(shù)據(jù)傳輸，系統(tǒng)配備了TP-Link TL-WN725N USB無線網(wǎng)卡。同時(shí)，選用希捷2 TB硬盤（型號(hào)ST2000DM008）以滿足監(jiān)控系統(tǒng)對(duì)大容量存儲(chǔ)及快速數(shù)據(jù)讀寫性能的需求。軟件體系結(jié)構(gòu)分為基礎(chǔ)系統(tǒng)軟件與上層應(yīng)用軟件2類，系統(tǒng)軟件架構(gòu)如圖2所示。

1.3 系統(tǒng)開發(fā)平臺(tái)搭建

由于LogitechC920 Pro HD相機(jī)只有USB接口，與CSI接口不同，USB接口不能進(jìn)行資料傳輸，因此系統(tǒng)主要利用網(wǎng)絡(luò)作為視頻數(shù)據(jù)傳輸至遠(yuǎn)程終端的通道。為提升數(shù)據(jù)傳輸效率，系統(tǒng)采用TCP/IP協(xié)議棧，并在樹莓派4B平臺(tái)中利用Python語言結(jié)合socket庫進(jìn)行數(shù)據(jù)的高效傳輸。在操作系統(tǒng)移植方面，針對(duì)樹莓派4B搭建了樹莓派OS，該系統(tǒng)基于Debian的Linux版本，須進(jìn)行適當(dāng)調(diào)整以適應(yīng)硬件配置需求。系統(tǒng)遷移過程主要包括3個(gè)核心階段：首先是引導(dǎo)加載程序的定制化適配，其次是系統(tǒng)內(nèi)核的移植，最后是根文件系統(tǒng)的配置。攝像頭驅(qū)動(dòng)程序基于Linux內(nèi)核支持的V4L2（Video for Linux 2）接口架構(gòu)進(jìn)行開發(fā)。系統(tǒng)還利用OpenCV庫實(shí)現(xiàn)了運(yùn)動(dòng)物體的檢測(cè)功能。智能算法遠(yuǎn)程視頻監(jiān)控系統(tǒng)的硬件邏輯結(jié)構(gòu)如圖3所示。

1.4 智能圖像識(shí)別算法設(shè)計(jì)

為提高視頻監(jiān)控系統(tǒng)的準(zhǔn)確性和操作效率，本文采用深度學(xué)習(xí)技術(shù)進(jìn)行圖像識(shí)別與分析，包括人臉識(shí)別和車牌識(shí)別。在此基礎(chǔ)上，本文對(duì)中心差分卷積網(wǎng)絡(luò)（Central Difference Convolutional Neural Network，CDCNN）進(jìn)行了深度優(yōu)化，設(shè)計(jì)了一種深度可分離的中心差分卷積神經(jīng)網(wǎng)絡(luò)算法，簡稱DS-CDCNN[4]。其結(jié)構(gòu)如圖4所示。

采用DS-CDCNN算法在硬件方面進(jìn)行高效部署，能夠減少參數(shù)量，降低計(jì)算復(fù)雜度，保證識(shí)別性能不受影響。DS-CDCNN由深度可分離中心差分卷積（DS-CDC）層和CDC_Block模塊組成。DS-CDC層由3*3的深度中心差分卷積和1*1的點(diǎn)卷積組成。2個(gè)DS-CDC層堆疊成CDC_Block，分別負(fù)責(zé)通道數(shù)的擴(kuò)展和特征的精細(xì)化處理。精細(xì)化特征的計(jì)算過程如公式（1）所示。

F'i=Fi⊙（σ（Ci（[A（Fi），M（Fi）]））），i∈{low，mid，high} （1）

式中：F'i為經(jīng)過精細(xì)化的特征；Fi為來自多個(gè)層次的特征；σ為Sigmoid函數(shù)；Ci為卷積操作；A（Fi）為對(duì)Fi進(jìn)行平均池化操作。平均池化是一種下采樣操作，對(duì)特征圖的局部區(qū)域取平均值來減少其尺寸；M（Fi）為對(duì)特征Fi進(jìn)行最大池化操作，最大池化也是一種下采樣操作，對(duì)特征圖的局部區(qū)域取最大值來減少其尺寸；Ci（[A（Fi）， M（Fi）]）為將 A（Fi）和 M（Fi） 的結(jié)果進(jìn)行拼接，并使用一個(gè)卷積層C進(jìn)行處理。

第一個(gè)DS-CDC層將通道數(shù)翻倍，同時(shí)保持特征圖尺寸不變；第二個(gè)DS-CDC層將通道數(shù)減半，特征圖尺寸依然保持不變。3個(gè)不同級(jí)別的CDC_Block分別用于捕獲低層次、中層次和高層次的特征信息。每個(gè)CDC_Block均采用最大池化技術(shù)，以減少模型的參數(shù)量。隨后，將這3層特征輸入多尺度通道注意力融合模塊（Multiscale Adaptive Correlation Filter，MACF）中，進(jìn)行特征整合與融合處理。各通道特征的計(jì)算過程如公式（2）所示。

FSE=ωn?fc " " " " " " " " " " " " " （2）

式中：FSE為每個(gè)獨(dú)立信道的特性；ωn為特征的加權(quán)；fc為特征的位置。

對(duì)圖像進(jìn)行像素級(jí)別監(jiān)督，均方誤差計(jì)算過程如公式（3）所示。

（3）

式中：LMSE為均方誤差損耗函數(shù)；H'、W'分別為二進(jìn)制掩模的高度、寬度；H、W分別為原始圖像的高度（Height）和寬度（Width）；Bpre（i，j）為預(yù)測(cè)的灰度掩模Bpre在位置（i，j）處的像素值；Bgt（i，j）為處理后的二值目標(biāo)掩模Bgt在位置（i，j）的像素值。

經(jīng)過2個(gè)DS-CDC層的通道縮減后，輸出一個(gè)32 ppi×32 ppi的單通道深度預(yù)測(cè)圖。在深度損失引導(dǎo)的訓(xùn)練過程中，將該圖的像素值標(biāo)準(zhǔn)化至0～1。將預(yù)測(cè)的Depth Map與調(diào)整尺寸后的輸入圖像進(jìn)行對(duì)比，深度損失計(jì)算過程如公式（4）所示。

（4）

式中：LCDL為對(duì)比度損耗項(xiàng)；N為全局卷積的個(gè)數(shù)，那么第n個(gè)卷積記為KnCDL。改進(jìn)后的DS-CDCNN算法采用多層次特征提取和多通道注意力融合，提高了人臉與牌照的識(shí)別性能。

2 智能遠(yuǎn)程視頻監(jiān)控系統(tǒng)的實(shí)際應(yīng)用研究

2.1 系統(tǒng)功能驗(yàn)證與測(cè)試評(píng)估

本文設(shè)計(jì)的系統(tǒng)設(shè)置了LogitechC920 Pro高清攝像頭、監(jiān)控終端和服務(wù)器作為主要硬件設(shè)備。攝像頭采集視頻數(shù)據(jù)并通過網(wǎng)絡(luò)傳輸至服務(wù)器。服務(wù)器處理這些數(shù)據(jù)并進(jìn)行智能分析[5]，對(duì)內(nèi)容進(jìn)行實(shí)時(shí)監(jiān)測(cè)。

對(duì)系統(tǒng)采集與存儲(chǔ)性能進(jìn)行測(cè)試后，結(jié)果顯示，硬件設(shè)備加載成功率以及軟件應(yīng)用加載成功率均gt;90%。硬件與軟件在無線網(wǎng)絡(luò)和存儲(chǔ)介質(zhì)方面的加載穩(wěn)定性和成功率較高，客戶端軟件加載速度快，性能更高。

視頻傳輸性能測(cè)試數(shù)據(jù)顯示，無論日間還是夜間模式，傳輸延遲均維持在0 ms～100 ms，日間平均延遲約為43 ms，夜間平均延遲約為37 ms。說明系統(tǒng)傳輸延遲極低，能夠保持監(jiān)控的連續(xù)性。在帶寬占用方面，日間與夜間的視頻傳輸帶寬占用率均低于45%，平均帶寬利用率分別為30%和29%。系統(tǒng)穩(wěn)定性測(cè)試結(jié)果表明，日間和夜間的視頻傳輸穩(wěn)定性均gt;90%，平均穩(wěn)定性為98%和97%。綜上所述，該系統(tǒng)監(jiān)控效率高，性能穩(wěn)定。

為評(píng)估DS-CDCNN算法在監(jiān)控識(shí)別方面的性能，本文選取卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）與C

DCNN算法進(jìn)行對(duì)比，不同算法的識(shí)別效果見表1。

由表1可知，在人臉及車牌識(shí)別測(cè)試任務(wù)中，DS-CDCNN算法的各個(gè)方面均優(yōu)于CNN和CDCNN算法。在人臉識(shí)別試驗(yàn)中，DS-CDCNN算法的準(zhǔn)確率為98.8%，召回率為98.9%，F(xiàn)1-score為99.5%，與其他算法相比明顯提高。在汽車牌照識(shí)別方面，準(zhǔn)確率為99.6%，召回率為99.8%，F(xiàn)1-score為99.4%。

2.2 智能遠(yuǎn)程視頻監(jiān)控系統(tǒng)的應(yīng)用效果評(píng)估

為了驗(yàn)證系統(tǒng)的可行性，本文選擇了10位自愿參加評(píng)估的小規(guī)模用戶對(duì)系統(tǒng)進(jìn)行測(cè)試。系統(tǒng)主要分布在室內(nèi)、電梯、室外日間以及夜間停車區(qū)等監(jiān)控場(chǎng)景，用戶能夠利用系統(tǒng)實(shí)時(shí)監(jiān)控各區(qū)域，以提升監(jiān)控效率與安全性。智能遠(yuǎn)程視頻監(jiān)控統(tǒng)性能對(duì)比見表2。

由表2可知，升級(jí)后的監(jiān)控系統(tǒng)的視頻監(jiān)控范圍覆蓋率為99%，與以前相比提升了19%。同時(shí)，監(jiān)控圖像的品質(zhì)、異常識(shí)別的準(zhǔn)確度以及整個(gè)系統(tǒng)的穩(wěn)定性分別為97%、100%和99%，比原有系統(tǒng)性能更高。這些關(guān)鍵性能指標(biāo)明顯提升，說明本文開發(fā)的智能遠(yuǎn)程監(jiān)控系統(tǒng)能夠精確捕捉異常行為，擴(kuò)大了監(jiān)控范圍，提高了圖像清晰度和系統(tǒng)可靠性，增強(qiáng)了應(yīng)用效果，提升了市場(chǎng)價(jià)值。

3 結(jié)語

本文利用樹莓派4B硬件平臺(tái)和嵌入式Linux軟件系統(tǒng)，采用DS-CDCNN算法，設(shè)計(jì)了高效、穩(wěn)定的視頻監(jiān)控解決方案。試驗(yàn)結(jié)果表明，本文系統(tǒng)在視頻傳輸延遲（平均43 ms）、帶寬占用（平均30%）和傳輸穩(wěn)定性（平均98%）等方面表現(xiàn)優(yōu)異。在人臉識(shí)別以及車牌識(shí)別測(cè)試任務(wù)中，DS-CDCNN算法的F1-score值分別為99.5%和99.4%，比使用傳統(tǒng)方法效果更好。在實(shí)際應(yīng)用中，系統(tǒng)的視頻監(jiān)控覆蓋率、質(zhì)量和異常檢測(cè)準(zhǔn)確率等指標(biāo)分別提升了19%、11%和10%。本文方案能夠?yàn)橹悄苓h(yuǎn)程視頻監(jiān)控系統(tǒng)的發(fā)展提供新的思路，期望在公共安全、智慧城市等領(lǐng)域發(fā)揮重要作用。

參考文獻(xiàn)

[1]李子昌，李智，管四海.自動(dòng)裝載與視頻監(jiān)控遠(yuǎn)程控制系統(tǒng)[J].微型機(jī)與應(yīng)用，2017，36（1）：1-3.

[2]孫啟昌.基于ARM與5G通信網(wǎng)絡(luò)汽車監(jiān)控系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].自動(dòng)化與儀器儀表，2021（10）：93-96，100.

[3]皮志松，韓磊.基于海思平臺(tái)的音視頻采集和編碼的實(shí)現(xiàn)[J].電視技術(shù)，2020，44（9）：21-23.

[4]范秀鵬.基于嵌入式的全景雙攝監(jiān)控系統(tǒng)研究[D].天津：天津科技大學(xué)，2020.

[5]龔琴.基于物聯(lián)網(wǎng)的溫室大棚智能監(jiān)控系統(tǒng)在農(nóng)業(yè)中的應(yīng)用[J].電腦與信息技術(shù)，2022，30（1）：53-56.

通信作者：李暢（1983—），女，河南洛陽人，本科，初級(jí)工程師，研究方向?yàn)榍度胧絺鞲衅鹘涌谠O(shè)計(jì)。

電子郵箱：43191997@qq.com。