基于視頻分析技術(shù)的校園安防系統(tǒng)設(shè)計(jì)

徐廣飛,牛月冬

(唐山工業(yè)職業(yè)技術(shù)學(xué)院,河北 唐山 063299)

0 引言

面對(duì)廣大師生的校園安全問(wèn)題,安防監(jiān)控系統(tǒng)的應(yīng)用顯得尤為重要,基于人工智能、視頻分析技術(shù),開(kāi)發(fā)研究了在校園安防環(huán)境下的煙霧全自動(dòng)檢測(cè)、行人檢測(cè)等關(guān)鍵技術(shù),并設(shè)計(jì)實(shí)現(xiàn)了基于視頻分析技術(shù)的校園安防系統(tǒng)。

1 一種新Yolov3 檢測(cè)煙霧方法

每年發(fā)生的火災(zāi)不計(jì)其數(shù),輕則受傷,重則喪生。對(duì)于高校而言,師生所出入的校園場(chǎng)景火災(zāi)預(yù)防再次成為關(guān)注的焦點(diǎn)[1]。 任何事物的形成都有一個(gè)過(guò)程,火災(zāi)也不例外,防火先防煙,動(dòng)態(tài)煙霧的撲滅是防止火災(zāi)蔓延的關(guān)鍵,也是為消防人員第一時(shí)間贏取綠色通道提供便利。

火災(zāi)煙霧檢測(cè)方法有哈爾特征法、傳統(tǒng)Yolov3 煙霧檢測(cè)方法和一種新Yolov3 煙霧檢測(cè)方法[2-3]。 在校園選取4 個(gè)不同場(chǎng)景,足球場(chǎng)、實(shí)驗(yàn)室、宿舍和機(jī)房,分別在每個(gè)場(chǎng)景模擬制造火災(zāi)煙霧現(xiàn)場(chǎng),用3 種特征提取方法進(jìn)行煙霧檢測(cè)對(duì)比,經(jīng)對(duì)比發(fā)現(xiàn),在不同的場(chǎng)景煙霧檢測(cè)效果不同。 本文主要研究一種新Yolov3 煙霧檢測(cè)方法在校園安防中的煙霧檢測(cè),具體流程:輸入圖像-光流算法識(shí)別輪廓-動(dòng)態(tài)前景與靜態(tài)背景-框定動(dòng)態(tài)前景區(qū)域-圖像分離提取動(dòng)態(tài)運(yùn)動(dòng)-檢測(cè)模型-模擬訓(xùn)練檢測(cè)模型-Yolov3 網(wǎng)絡(luò)篩選-檢測(cè)煙霧范圍-Yolov3 框定煙霧區(qū)域完成二次檢測(cè)-結(jié)果輸出。

3 種方法在不同場(chǎng)景中的查全率和誤檢率如表1所示。

表1 不同場(chǎng)景特征提取對(duì)比

通過(guò)校園內(nèi)4 種不同場(chǎng)景的模擬火災(zāi)煙霧實(shí)驗(yàn)對(duì)比發(fā)現(xiàn),哈爾特征和傳統(tǒng)Yolov3 煙霧檢測(cè)對(duì)足球場(chǎng)的煙霧檢測(cè)框選出現(xiàn)偏差,主要原因是受外界日照、風(fēng)速影響難以框定,而新Yolov3 算法通過(guò)圖像的模擬訓(xùn)練增強(qiáng)了框選精準(zhǔn)度。 由于實(shí)驗(yàn)室的化學(xué)藥品有遇高溫易燃易爆的特點(diǎn),新算法經(jīng)過(guò)Yolov3 煙霧的二次檢驗(yàn)實(shí)現(xiàn)了查全率最高。 宿舍和機(jī)房是學(xué)生平時(shí)進(jìn)出頻率最高的地點(diǎn),經(jīng)煙霧模擬檢測(cè)也是新方法框選動(dòng)態(tài)煙霧的查全率最高,同時(shí)誤檢率最低。

經(jīng)不同場(chǎng)景實(shí)驗(yàn)數(shù)據(jù)對(duì)比,一種新的Yolov3 煙霧算法在框選煙霧尺度上更寬泛、更準(zhǔn)確的同時(shí)漏檢率更小。

2 多尺度特征融入行人檢測(cè)方法

行人識(shí)別檢測(cè)和統(tǒng)計(jì)分析對(duì)校園安防起著至關(guān)重要的作用。 它不但能防止校園疫情傳播還能防止校園踩踏等安全隱患。 本技術(shù)包括圖像處理、多尺度特征提取融合、行人重識(shí)別分析3 部分內(nèi)容[4]。

2.1 圖像處理

采集行人數(shù)據(jù)時(shí),因周邊場(chǎng)景變幻不定,數(shù)據(jù)采集會(huì)出現(xiàn)雜聲,雜聲會(huì)直接影響行人識(shí)別。 中值濾波的非線性信號(hào)處理對(duì)抑制雜聲有著深遠(yuǎn)意義,中值濾波是把數(shù)字圖片中一個(gè)點(diǎn)的值使用相鄰域各點(diǎn)值的中值代替,其核心思路是在場(chǎng)景區(qū)域內(nèi)選取圖像點(diǎn)值進(jìn)行排序,最后將中間值作為圖像值輸出[5]。

通過(guò)場(chǎng)景實(shí)驗(yàn)對(duì)比發(fā)現(xiàn),圖片中噪音點(diǎn)得到了平滑處理,圖像畫(huà)質(zhì)也相應(yīng)提高。

2.2 多尺度特征融合行人檢測(cè)

因場(chǎng)景關(guān)系,不同的行人在身高、走姿、衣帽、光照和背景方面有著不同變化,如何在圖片中多尺度精準(zhǔn)定位檢測(cè)出行人,依然是研究的重點(diǎn)方向。 近年,對(duì)行人檢測(cè)主要有兩種方法:第一種是分類(lèi)人體四肢,通過(guò)模塊對(duì)比分析方法找到行人;第二種也是當(dāng)今最流行的多尺度提取行人特征方法。

2.2.1 梯度方向直方圖優(yōu)化

梯度方向直方圖特征是一種表達(dá)人體特征,它通過(guò)檢測(cè)窗口-特征提取-歸一化圖像-計(jì)算梯度-對(duì)于每一個(gè)cell 塊權(quán)重投影-對(duì)比重疊block-把所有block內(nèi)的直方圖向量一起組合成一個(gè)大梯度人體特征[6]。梯度值定義為:

先把圖像分割成若干個(gè)單元格(Cell),將梯度方向分割成若干個(gè)區(qū)間(Bin),然后在每個(gè)Cell 對(duì)全部像素的梯度幅值在各方向Bin 區(qū)間進(jìn)行值方統(tǒng)計(jì)分析,將若干個(gè)Cell 組成一個(gè)Block 塊,Block 掃描塊中的單元格梯度直方圖串聯(lián)得到特征圖,最后將每個(gè)Block 的特征連接得到描述符。 經(jīng)研究發(fā)現(xiàn),Cell 采用“6?6”像素的,Block 采用“3?3”個(gè)Cell 組,一、二象限劃分為9 個(gè)區(qū)間。

2.2.2 局部二值模式特征提取

LBP 特征是一種非統(tǒng)計(jì)的描述符,它經(jīng)輸入圖像-二值處理-分割成若干區(qū)域,在每個(gè)區(qū)域統(tǒng)計(jì)其直方圖-統(tǒng)計(jì)整幅圖像的直方圖,得到最終的描述算子[7]。

2.2.3 多尺度特征融合

多尺度特征融合是先將圖像在一、二象限劃分為大小相等的細(xì)胞格,然后利用細(xì)胞格構(gòu)建梯度方向直方圖,將4 個(gè)細(xì)胞組成1 個(gè)block,block 特征采用串聯(lián)取平均值,因此block 具有9 維特征向量。 然后對(duì)梯度方向直方圖分割圖像,利用局部二值模式特征提取每個(gè)細(xì)胞格,累加block 得到4 維的局部二值模式特征。最后將梯度方向直方圖特征提取的9 維的特征和局部二值模式提取得到的4 維的特征組合成為一個(gè)13 維的融合特征。

通過(guò)多尺度特征融合,自動(dòng)提取人物特征細(xì)胞元素,有效地減少了人工手動(dòng)操作,不但提升了識(shí)別速度,更減少了人為工作量。

2.3 行人識(shí)別分析

行人檢測(cè)和行人統(tǒng)計(jì)中采用支持向量機(jī)分類(lèi)器,對(duì)目標(biāo)位置的預(yù)測(cè)采用mean-shift 算法結(jié)合卡爾曼濾波器,穩(wěn)定了追蹤效果。 mean-shift 追蹤算法對(duì)行人行走軌跡中心區(qū)域同樣使用卡爾曼濾波器,可以提高追蹤的準(zhǔn)確性[8-9]。

系統(tǒng)儲(chǔ)存某時(shí)間段內(nèi)視頻行人往來(lái)圖像,通過(guò)mean-shift 算法將卡爾曼濾波取中間區(qū)域?qū)π腥藞D像追蹤,運(yùn)算結(jié)果提高了時(shí)效性。 先把圖片元素拆分成4 個(gè)區(qū)間,分別在4 個(gè)區(qū)間多尺度特征融合,再設(shè)定特征閾值,用功能數(shù)據(jù)庫(kù)與之比對(duì),如果數(shù)據(jù)庫(kù)小于閾值,確定為陌生人,最后將陌生人增加至數(shù)據(jù)庫(kù)并還原給卡爾曼濾波器,反之為原監(jiān)測(cè)行人繼續(xù)追蹤。

如表2 所示,多尺度特征融合與局部二值融合相比,行人識(shí)別率提高了5.16%,同時(shí)識(shí)別時(shí)間減少了19.13 ms,究其原因是局部二值融合提取時(shí)磨邊重影無(wú)法識(shí)別,影響了識(shí)別率。 多尺度特征融合與LBP-HOG融合相比識(shí)別率提高了2.81%,同時(shí)識(shí)別時(shí)間減少了115.38 ms,所以多尺度特征融合無(wú)論是在識(shí)別率上,還是在識(shí)別時(shí)間上對(duì)傳統(tǒng)融合都有壓倒性優(yōu)勢(shì)。

表2 行人檢測(cè)特征融合對(duì)比

3 校園安防系統(tǒng)與實(shí)現(xiàn)

基于Yolov3 檢測(cè)煙霧改進(jìn)方法和多尺度特征融入行人檢測(cè)方法的基礎(chǔ),再結(jié)合視頻分析技術(shù)引入到校園安防系統(tǒng)中,將從前僅靠人眼的校園監(jiān)控手段解放出來(lái),通過(guò)AI 人工智能替代人去監(jiān)控梳理,實(shí)現(xiàn)校園場(chǎng)景自動(dòng)篩選、自動(dòng)定位、24 h 智能防控,精準(zhǔn)采集分析數(shù)據(jù)信息,并通過(guò)分析最優(yōu)解的方式做出預(yù)處理,實(shí)現(xiàn)事先有預(yù)警、事中優(yōu)處理、事后能取證的智慧校園安防系統(tǒng)[10]。

智能校園安防系統(tǒng)分為基礎(chǔ)層、業(yè)務(wù)層、創(chuàng)新層和表現(xiàn)層4 個(gè)層面,如圖1 所示。

圖1 智能校園安防系統(tǒng)結(jié)構(gòu)

(1)基礎(chǔ)層。 通過(guò)對(duì)各煙霧和行人采集到的數(shù)據(jù),經(jīng)過(guò)加工的方式存入相對(duì)應(yīng)的功能數(shù)據(jù)庫(kù),同時(shí)相應(yīng)記載分析數(shù)據(jù)。

(2)業(yè)務(wù)層。 業(yè)務(wù)層主要包括煙霧識(shí)別改進(jìn)光流和行人檢測(cè)2 個(gè)方面:①檢測(cè)對(duì)應(yīng)點(diǎn)的軟服務(wù),處理對(duì)應(yīng)基礎(chǔ)層的邏輯關(guān)系,對(duì)基礎(chǔ)層服務(wù)定義閾值參數(shù),軟服務(wù)于數(shù)據(jù)分析提取,硬盤(pán)視頻記錄等;②對(duì)基礎(chǔ)層數(shù)據(jù)進(jìn)行高級(jí)篩選,篩選出各個(gè)監(jiān)測(cè)點(diǎn)結(jié)果進(jìn)行數(shù)據(jù)采集,傳輸至創(chuàng)新層[11]。

(3)創(chuàng)新層。 承接業(yè)務(wù)層收集的視頻數(shù)據(jù),把圖像視頻拆分成幀圖像,使用一種新的Yolov3 煙霧檢測(cè)方法和多尺度特征融合的行人檢測(cè)分析算法對(duì)傳過(guò)來(lái)的各種圖像視頻進(jìn)行特征提取、數(shù)據(jù)分析、邏輯運(yùn)算,并將運(yùn)算結(jié)果返回給業(yè)務(wù)層。

(4)表現(xiàn)層。 ①利用數(shù)據(jù)庫(kù)和Echarts 可視化技術(shù)對(duì)創(chuàng)新層返回的數(shù)據(jù)進(jìn)行視頻展示[12];②利用python設(shè)計(jì)程序可供安防采集、獲取安防信息。

用戶登錄自動(dòng)煙霧檢測(cè)系統(tǒng)后,針對(duì)場(chǎng)景動(dòng)態(tài)視頻,可進(jìn)行高維度煙霧取樣并及時(shí)定位測(cè)算生成現(xiàn)場(chǎng)報(bào)告,與此同時(shí),用戶可將分析數(shù)據(jù)報(bào)告以微信小程序的形式推送給相關(guān)安防責(zé)任人。

用戶登錄行人檢測(cè)統(tǒng)計(jì)系統(tǒng)后可規(guī)定檢測(cè)場(chǎng)景區(qū)域,同時(shí)可以劃分出檢測(cè)區(qū)域范圍,設(shè)定該場(chǎng)景區(qū)域的上限閾值,一旦上限閾值被突破,智能安防系統(tǒng)就會(huì)自動(dòng)報(bào)警,安防人員就可以在第一時(shí)間把火災(zāi)消滅在萌芽狀態(tài)。

4 結(jié)語(yǔ)

基于視頻分析技術(shù)的智慧校園安防系統(tǒng),將動(dòng)態(tài)視頻分析技術(shù)運(yùn)用在智能化視頻全面管理、煙霧智慧管理、行人智慧管理等多種應(yīng)用中,并將這些功能模塊匯集到安防應(yīng)用系統(tǒng)中,顛覆了傳統(tǒng)安防系統(tǒng)僅靠人工視頻監(jiān)控的手段,用降維的方法從多個(gè)角度對(duì)校園安保工作進(jìn)行管理。