基于嵌入式技術(shù)的智能遠(yuǎn)程視頻監(jiān)控系統(tǒng)設(shè)計研究

摘 要：針對傳統(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，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），以提升視頻識別能力。通過試驗驗證，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%。在識別任務(wù)中，DS-CDCNN算法的人臉識別準(zhǔn)確率為98.8%，車牌識別準(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；智能識別；深度學(xué)習(xí)

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

隨著社會經(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)對監(jiān)測效率與實時性提出了更高要求。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，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]。針對這個問題，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)，并對其架構(gòu)設(shè)計、硬件選型、軟件開發(fā)以及智能識別算法進(jìn)行了深入研究。試驗結(jié)果表明，所設(shè)計的系統(tǒng)性能更強，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

1.1 系統(tǒng)整體架構(gòu)設(shè)計

在設(shè)計遠(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)控中心或移動終端對目標(biāo)區(qū)域進(jìn)行實時監(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)行移動物體檢測、面部識別、車牌識別等智能分析任務(wù)，提升了監(jiān)控的實時性與準(zhǔn)確性。系統(tǒng)整體架構(gòu)設(shè)計如圖1所示。

系統(tǒng)基于ARM架構(gòu)和Linux操作系統(tǒng)，采用高清攝像頭實時采集視頻數(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，實現(xiàn)實時監(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平臺上運行。系統(tǒng)集成了驅(qū)動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

樹莓派4B作為系統(tǒng)的嵌入式平臺，采用羅技（Logitech）C920 Pro HD（USB接口）高清監(jiān)控攝像頭進(jìn)行視頻捕獲。為實現(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，選用希捷2 TB硬盤（型號ST2000DM008）以滿足監(jiān)控系統(tǒng)對大容量存儲及快速數(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)平臺搭建

由于LogitechC920 Pro HD相機只有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庫實現(xiàn)了運動物體的檢測功能。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 智能圖像識別算法設(shè)計

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)行圖像識別與分析，包括人臉識別和車牌識別。在此基礎(chǔ)上，本文對中心差分卷積網(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，降低計算復(fù)雜度，保證識別性能不受影響。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的點卷積組成。2個DS-CDC層堆疊成CDC_Block，分別負(fù)責(zé)通道數(shù)的擴展和特征的精細(xì)化處理。精細(xì)化特征的計算過程如公式（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為來自多個層次的特征；σ為Sigmoid函數(shù)；Ci為卷積操作；A（Fi）為對Fi進(jìn)行平均池化操作。平均池化是一種下采樣操作，對特征圖的局部區(qū)域取平均值來減少其尺寸；M（Fi）為對特征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，并使用一個卷積層C進(jìn)行處理。

第一個DS-CDC層將通道數(shù)翻倍，同時保持特征圖尺寸不變；第二個DS-CDC層將通道數(shù)減半，特征圖尺寸依然保持不變。3個不同級別的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。各通道特征的計算過程如公式（2）所示。

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

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

對圖像進(jìn)行像素級別監(jiān)督，均方誤差計算過程如公式（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DS-CDC層的通道縮減后，輸出一個32 ppi×32 ppi的單通道深度預(yù)測圖。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)測的Depth Map與調(diào)整尺寸后的輸入圖像進(jìn)行對比，深度損失計算過程如公式（4）所示。

（4）

式中：LCDL為對比度損耗項；N為全局卷積的個數(shù)，那么第n個卷積記為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別性能。

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

2.1 系統(tǒng)功能驗證與測試評估

本文設(shè)計的系統(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]，對內(nèi)容進(jìn)行實時監(jiān)測。

對系統(tǒng)采集與存儲性能進(jìn)行測試后，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。

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

DCNN算法進(jìn)行對比，不同算法的識別效果見表1。

由表1可知，在人臉及車牌識別測試任務(wù)中，DS-CDCNN算法的各個方面均優(yōu)于CNN和CDCNN算法。在人臉識別試驗中，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)用效果評估

為了驗證系統(tǒng)的可行性，本文選擇了10位自愿參加評估的小規(guī)模用戶對系統(tǒng)進(jìn)行測試。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)控場景，用戶能夠利用系統(tǒng)實時監(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)性能對比見表2。

由表2可知，升級后的監(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，監(jiān)控圖像的品質(zhì)、異常識別的準(zhǔn)確度以及整個系統(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，擴大了監(jiān)控范圍，提高了圖像清晰度和系統(tǒng)可靠性，增強了應(yīng)用效果，提升了市場價值。

3 結(jié)語

本文利用樹莓派4B硬件平臺和嵌入式Linux軟件系統(tǒng)，采用DS-CDCNN算法，設(shè)計了高效、穩(wěn)定的視頻監(jiān)控解決方案。試驗結(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。在人臉識別以及車牌識別測試任務(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)量和異常檢測準(zhǔn)確率等指標(biāo)分別提升了19%、11%和10%。本文方案能夠為智能遠(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.自動裝載與視頻監(jiān)控遠(yuǎn)程控制系統(tǒng)[J].微型機與應(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)計與實現(xiàn)[J].自動化與儀器儀表，2021（10）：93-96，100.

[3]皮志松，韓磊.基于海思平臺的音視頻采集和編碼的實現(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，初級工程師，研究方向為嵌入式傳感器接口設(shè)計。

電子郵箱：43191997@qq.com。