【文章內(nèi)容簡介】 發(fā)生后，保安人員才通過記錄的結(jié)果觀察發(fā)生的事實(shí)或用來當(dāng)作事后證據(jù)，沒有充分發(fā)揮其實(shí)時(shí)主動(dòng)的監(jiān)督作用。近年來發(fā)生在小學(xué)、幼兒園門前的殺害兒童事件和高校樓梯踩踏事故，引起了社會(huì)對(duì)校園安全現(xiàn)狀的堪憂和重視，更使我們看到了學(xué)校對(duì)校園環(huán)境的監(jiān)控不力。因此急需一種能夠不間斷實(shí)時(shí)監(jiān)控，并快速自動(dòng)地對(duì)視頻信息進(jìn)行分析，準(zhǔn)確、主動(dòng)預(yù)警的智能型視頻監(jiān)控系統(tǒng)來代替舊式的人工視頻監(jiān)視系統(tǒng)?；谝曨l分析的校園智能安全系統(tǒng)，使用槍式和可控云臺(tái)式兩種視頻監(jiān)控系統(tǒng)中常用的攝像機(jī)對(duì)校園中教學(xué)樓的走廊、樓梯、實(shí)驗(yàn)室和樓前空地、停車場等敏感場所實(shí)行全天候24小時(shí)全天候無間斷監(jiān)控。系統(tǒng)運(yùn)用GMM和Camshift等視頻分析技術(shù)對(duì)攝像機(jī)拍錄的圖像序列在不需人為操作的情況下自動(dòng)地進(jìn)行前景提取和目標(biāo)跟蹤，以跟蹤目標(biāo)的質(zhì)心位置、質(zhì)心移動(dòng)距離的均方差及圖像前景概率密度等信息作為特征值，進(jìn)行跨越警戒線、可疑徘徊走動(dòng)和人群密集程度的檢測與判斷。基于視頻分析的校園智能安全系統(tǒng)用攝像機(jī)代替了容易產(chǎn)生視覺疲勞的人眼，用視頻分析技術(shù)和智能分析模塊代替人腦的思維分析，使得監(jiān)控系統(tǒng)變得智能、主動(dòng)，預(yù)警更加及時(shí)、準(zhǔn)確。事實(shí)證明，該系統(tǒng)可以很好的協(xié)助安保人員完成監(jiān)控任務(wù)，減輕了安保人員工作量，減少了學(xué)校的人力資源浪費(fèi)，提高監(jiān)控管理效率，避免由于安保人員視覺疲勞或疏忽造成的漏報(bào)，及時(shí)預(yù)防和制止犯罪，提前阻止校園中踩踏等安全事故的發(fā)生，維護(hù)校園環(huán)境和諧、穩(wěn)定，確保學(xué)生生命及財(cái)產(chǎn)安全。二、系統(tǒng)概述： 系統(tǒng)首先將由模擬攝像機(jī)采集的視頻序列，通過視頻線傳到視頻編碼器，編碼器中將采集到的模擬信號(hào)轉(zhuǎn)成數(shù)字信號(hào)，再交給后端解碼器將數(shù)字信號(hào)轉(zhuǎn)換成顯示器可讀的模擬信號(hào)。交換機(jī)與監(jiān)控終端用雙絞線連接，在監(jiān)控終端，即PC機(jī)的中心控制平臺(tái)上運(yùn)行軟件系統(tǒng)。系統(tǒng)運(yùn)用GMM（混合高斯背景建模）算法對(duì)圖像序列進(jìn)行前景提取，運(yùn)用Camshift算法對(duì)目標(biāo)跟蹤，以跟蹤目標(biāo)的質(zhì)心位置、質(zhì)心移動(dòng)距離的均方差及圖像前景概率密度等信息作為特征值，進(jìn)行跨越警戒線、可疑徘徊走動(dòng)和人群密集程度的檢測與判斷。當(dāng)發(fā)現(xiàn)異常時(shí)，系統(tǒng)將以語音提示的方式及時(shí)主動(dòng)地向安保人員報(bào)警。 軟件平臺(tái)：本系統(tǒng)軟件方面采用Visual C++，利用VC中的MFC框架結(jié)構(gòu)搭建系統(tǒng)的主體對(duì)話框界面，運(yùn)用VC和OpenCV中的庫函數(shù)編譯代碼及數(shù)據(jù)處理。VC的代碼執(zhí)行效率比較高，雖然編寫的代價(jià)過大，尤其在處理視頻檢測和跟蹤時(shí)，有時(shí)需要成百上千行的代碼，但是OpenCV的出現(xiàn)極大地豐富了VC的函數(shù)庫，擴(kuò)展了VC的功能，降低了VC的開發(fā)難度，同時(shí)爭強(qiáng)了系統(tǒng)的運(yùn)行速度和實(shí)用性。 硬件構(gòu)成：系統(tǒng)硬件主要包括：視頻編碼器、后端解碼器（解碼上墻）和網(wǎng)絡(luò)交換機(jī)；超寬動(dòng)態(tài)彩轉(zhuǎn)黑SONY SSCDC598P攝像機(jī)一臺(tái)(云臺(tái)控制)；槍式攝像機(jī)3臺(tái) ；聯(lián)想揚(yáng)天A7700R臺(tái)式PC機(jī)一臺(tái)；32英寸顯示屏一臺(tái)；通信線路采用雙絞線、視頻線和控制線。
管理服務(wù)器由監(jiān)控管理軟件、服務(wù)器硬件、存儲(chǔ)服務(wù)器等組成，提供了完整的監(jiān)控中心管理、錄像管理、報(bào)警管理。監(jiān)視系統(tǒng)由監(jiān)控終端和顯示系統(tǒng)組成，配配置四核4G內(nèi)存的高性能PC機(jī)作為監(jiān)控終端。系統(tǒng)首先將由模擬攝像機(jī)采集的視頻序列，通過視頻線傳到視頻編碼器，編碼器中將采集到的模擬信號(hào)轉(zhuǎn)成數(shù)字信號(hào)，再交給后端解碼器將數(shù)字信號(hào)轉(zhuǎn)換成顯示器可讀的模擬信號(hào)，傳給液晶顯示屏。交換機(jī)相當(dāng)于路由器的作用，它與監(jiān)控終端、磁盤陣列、解碼器等用雙絞線連接。磁盤陣列是一個(gè)超大容量的存儲(chǔ)器，用以儲(chǔ)存攝像機(jī)采集來的視頻文件。在監(jiān)控終端，即PC機(jī)的中心控制平臺(tái)上運(yùn)行軟件系統(tǒng)，利用視頻分析技術(shù)完成對(duì)場景的智能監(jiān)控。 系統(tǒng)總體結(jié)構(gòu)框圖： 圖一 系統(tǒng)總體結(jié)構(gòu)框圖 系統(tǒng)內(nèi)部設(shè)計(jì)框圖：圖二 系統(tǒng)內(nèi)部設(shè)計(jì)框架圖三、關(guān)鍵技術(shù)及功能介紹運(yùn)動(dòng)目標(biāo)的檢測就是將包含運(yùn)動(dòng)信息的視頻序列運(yùn)用適當(dāng)?shù)募夹g(shù)進(jìn)行處理，把與背景存在相對(duì)運(yùn)動(dòng)的前景區(qū)分開的過程。它是計(jì)算機(jī)視覺信息提取中的一個(gè)重要問題，也是更高層次視頻分析，如基于對(duì)象的視頻編碼、目標(biāo)跟蹤 、運(yùn)動(dòng)分析的基礎(chǔ)。系統(tǒng)起初采用了背景差法、幀差法和光流法檢測目標(biāo)。但背景差法對(duì)光線極為敏感，無法用于室外光線較強(qiáng)且變化大的監(jiān)控場景中；而幀差法在檢測出的前景目標(biāo)中會(huì)產(chǎn)生許多空洞，不易于對(duì)目標(biāo)質(zhì)心、軌跡的分析；光流法的計(jì)算量非常大，因此產(chǎn)生的延遲較大，無法運(yùn)用到實(shí)時(shí)監(jiān)控中。最總系統(tǒng)采用了混合高斯背景建模法，即GMM算法進(jìn)行目標(biāo)檢測，實(shí)踐證明綜合效果較好。下面分別介紹一下上述四種檢測算法。 ：背景差法的原理和算法設(shè)計(jì)簡單，運(yùn)行速度較快，在背景變化緩慢的理想情況下，能夠得到比較精確的運(yùn)動(dòng)目標(biāo)信息，是目前使用較多的方法。它用當(dāng)前幀減去背景幀得到包含運(yùn)動(dòng)目標(biāo)的前景圖，然后更新背景圖像，最后對(duì)前景圖作后續(xù)處理，如此循環(huán)。此法可用公式表示如下[7]。： Fk=|PkBk| （31） Bk+1 =f( Bk，Pk) （32）其中：P為本監(jiān)控系統(tǒng)從視頻中得到的第k幀圖片；Bk為經(jīng)過更新后的第k幀對(duì)應(yīng)的背景；Fk為目標(biāo)前景圖；f為背景更新算法。最主要的環(huán)節(jié)是設(shè)計(jì)穩(wěn)定可靠的背景模型，涉及到背景的有效提取以及背景的更新。最簡單的背景模型是時(shí)間平均圖像，大部分的研究人員目前都致力于開發(fā)不同的背景模型，以期減少動(dòng)態(tài)場景變化對(duì)于運(yùn)動(dòng)分割的影響。 ：幀問差法根據(jù)監(jiān)控場景中出現(xiàn)運(yùn)動(dòng)物體時(shí)，相鄰幀之間的運(yùn)動(dòng)區(qū)域會(huì)出現(xiàn)比較明顯的差別，依據(jù)這一差別就可以提取出運(yùn)動(dòng)目標(biāo)。目前利用這一方法的文獻(xiàn)有很多，常見的方法有兩幀差法、三幀差分法、幀間差法和背景差法相結(jié)合的方法[1113]：a ) 兩幀差法：Lipton等人采用的是兩幀差法，直接用相鄰兩幀差分并用一個(gè)閾值函數(shù)檢測出目標(biāo)。這種方法簡單實(shí)用，速度很快，對(duì)前景變化非常敏感，但是這種方法檢測出的目標(biāo)是相鄰兩幀中所有變化的信息，會(huì)存在較多的噪聲，并且得到的幀差圖會(huì)有目標(biāo)區(qū)域的重疊區(qū)域。b ) 三幀差分法：三幀差分法是對(duì)兩幀差法的一個(gè)改進(jìn)，它將前幀和中間幀、中間幀和后幀分別進(jìn)行差分運(yùn)算，然后將得到的兩個(gè)結(jié)果進(jìn)行相與操作得到目標(biāo)前景圖。這個(gè)方法顯然比兩幀差法的噪聲要少很多，但是也有明顯的缺點(diǎn)，即對(duì)于運(yùn)動(dòng)速度過快或者視頻截取間隔比較長的情況下，會(huì)出現(xiàn)捕捉不到前景目標(biāo)的情況。而且對(duì)于一般情況下得到的目標(biāo)前景圖會(huì)有一些空洞，需要作進(jìn)一步的形態(tài)學(xué)腐蝕操作才能作后續(xù)處理。 c ) 幀間差法和背景差法相結(jié)合：針對(duì)這兩種方法的優(yōu)缺點(diǎn)，有許多文獻(xiàn)提出了背景差法和幀間差法相互結(jié)合的方法。有研究者提出了一種基于背景差法和幀間差法相結(jié)合的運(yùn)動(dòng)目標(biāo)檢測和自適應(yīng)背景更新方法，利用幀間差法檢測背景是否劇烈變化，如果是則用變化后的幀替換背景。還有人將連續(xù)兩幀差圖像和背景差圖像直接相乘， 再將相乘的結(jié)果進(jìn)行二值化處理得到運(yùn)動(dòng)檢測結(jié)果， 從而將運(yùn)動(dòng)目標(biāo)從背景圖像中分離出來，取得了較好的結(jié)果。也有人提出了混合高斯模型和幀間差分相融合的自適應(yīng)相融合的自適應(yīng)背景模型方法，從而提高了背景的自適應(yīng)性。[715]：在一個(gè)圖像序列中，物體的運(yùn)動(dòng)是通過圖像中各點(diǎn)的灰度變化來體現(xiàn)的，這就是光流場。通過求解偏微分方程求得圖像序列的光流場，理論上可以跟蹤運(yùn)動(dòng)物體。光流分析法的優(yōu)點(diǎn)是可以在攝像機(jī)運(yùn)動(dòng)的情況下，仍然能檢測運(yùn)動(dòng)對(duì)象，但其計(jì)算復(fù)雜、實(shí)時(shí)性較差，需要特殊的硬件支持。如果光照強(qiáng)度或光源方位發(fā)生了變化，則會(huì)產(chǎn)生錯(cuò)誤結(jié)果，因此在應(yīng)用中比較少。 ：本系統(tǒng)的檢測模塊采用的就是背景建模法中的GMM（混合高斯背景建模），此算法運(yùn)用了數(shù)學(xué)建模思想，對(duì)客觀事物投影的圖像序列進(jìn)行了像素域在時(shí)間尺度上的建模。由于它是基于背景樣本的統(tǒng)計(jì)學(xué)特征，因此能更客觀、更科學(xué)地表征背景信息。混合高斯背景模型公式如下：某點(diǎn) x在某時(shí)刻的隨機(jī)分布概率為： 式中 , K為高斯分布的數(shù)量, 是第 i個(gè)高斯分布的權(quán)值。 為第 i個(gè)高斯分布的均值向量和方差矩陣。 g是第 i個(gè)概率密度的高斯分布函數(shù)。 在這個(gè)分布模型上,以 x為背景的后驗(yàn)概率 p (B / x)可進(jìn)一步表示為 (342)式中 , 為第 i個(gè)高斯分布, 為這個(gè)高斯分布在高斯混合模型中的權(quán)值,在實(shí)際運(yùn)用中,這是一個(gè)先驗(yàn)知識(shí)。當(dāng)有新的觀測點(diǎn) xt+1 來臨時(shí) ,則將這個(gè)樣本的像素值分別與 K個(gè)高斯分布的均值,t相比 ,同時(shí)計(jì)算觀測點(diǎn)落入相應(yīng)高斯分布的概率 ,并按某一判斷法則選擇匹配的高斯分布。這個(gè)法則為: c * ( i = 1, …, K) (343)c為一常數(shù)。 據(jù)此 ,就可以選擇出符合判斷法則的高斯分布。當(dāng)存在匹配的高斯分布時(shí) ,則需要根據(jù)當(dāng)前像素 xt ,對(duì)這些高斯分布的權(quán)值、 均值和方差參數(shù)進(jìn)行更新處理。= (1 α)* +α* ，　 (344)式中 ,α為一與時(shí)間相關(guān)的學(xué)習(xí)速度。 (345) (346)在這些匹配的高斯分布中 ,還需要按照各自的比值進(jìn)行排序 ,然后從中選擇最能代表背景的高斯分布 ,并以此來最終確定表征背景的高斯分布。式 (11)中 ,權(quán)值較大的前 b個(gè)高斯分布被識(shí)別為背景 ,即B = 目標(biāo)分類目標(biāo)分類的目的是從檢測到的運(yùn)動(dòng)區(qū)域中將對(duì)應(yīng)于人的運(yùn)動(dòng)區(qū)域提取出來。不同的運(yùn)動(dòng)區(qū)域可能對(duì)應(yīng)于不同的運(yùn)動(dòng)目標(biāo)，比如交通道路上監(jiān)控?cái)z像機(jī)所捕捉的序列圖像中可能包含行人、車輛及其它諸如飛鳥、流云、搖動(dòng)的樹枝等運(yùn)動(dòng)物體，為了便于進(jìn)一步對(duì)行人進(jìn)行跟蹤和行為分析，運(yùn)動(dòng)目標(biāo)的正確分類是完全必要的。 本系統(tǒng)采用的是基于形狀信息的分類，主要以運(yùn)動(dòng)物體的寬高比等作為特征對(duì)目標(biāo)進(jìn)行分類。當(dāng)運(yùn)動(dòng)物體的寬大與其高，即寬高比小于1時(shí)，我們認(rèn)為目標(biāo)為汽車或車與人的交匯，再將該目標(biāo)的高和寬和我們設(shè)定好的閾值進(jìn)行對(duì)比。若寬或高其中之一大于閾值，那