基于视频分析技术的校园安防系统设计
来源:用户上传
作者:徐广飞 牛月冬
摘要：随着人工智能技术的不断发展，智慧校园走进教育领域蔚然成风，校园安防系统是现代化校园必不可少的监控系统。常规监控手段在几十年前就被广泛应用于高校，但其主要功能也只停留在手动状态，如：火灾报警、行人识别等。如何使用人工智能手段实现火灾自动报警、自动行人识别技术，创建基于视频分析技术的校园安防系统，为广大师生筑 起一道安全屏障，是未来高校需要解决的问题。
关键词：人工智能;视频分析;安防系统
0 引言
面对广大师生的校园安全问题，安防监控系统的应用显得尤为重要，基于人工智能、视频分析技术，开 发研究了在校园安防环境下的烟雾全自动检测、行人检测等关键技术，并设计实现了基于视频分析技术的校园安防系统。
1一种新 Yolov3 检测烟雾方法
每年发生的火灾不计其数，轻则受伤，重则丧生。对于高校而言，师生所出入的校园场景火灾预防再次成为关注的焦点[1]。任何事物的形成都有一个过程，火灾也不例外，防火先防烟，动态烟雾的扑灭是防止火 灾蔓延的关键，也是为消防人员第一时间赢取绿色通道提供便利。
火灾烟雾检测方法有哈尔特征法、传统 Yolov3 烟 雾检测方法和一种新 Yolov3 烟雾检测方法[2-3]。在校 园选取 4个不同场景，足球场、实验室、宿舍和机房，分 别在每个场景模拟制造火灾烟雾现场，用3 种特征提 取方法进行烟雾检测对比，经对比发现，在不同的场景 烟雾检测效果不同。本文主要研究一种新 Yolov3 烟雾 检测方法在校园安防中的烟雾检测，具体流程：输入图像-光流算法识别轮廓-动态前景与静态背景-框定动 态前景区域-图像分离提取动态运动-检测模型-模拟 训练检 测 模 型-Yolov3 网 络 筛 选-检 测 烟 雾 范 围-Yolov3 框定烟雾区域完成二次检测-结果输出。
3 种方法在不同场景中的查全率和误检率如表1所示。
通过校园内4 种不同场景的模拟火灾烟雾实验对比发现，哈尔特征和传统 Yolov3 烟雾检测对足球场的烟雾检测框选出现偏差，主要原因是受外界日照、风速 影响难以框定，而新 Yolov3算法通过图像的模拟训练 增强了框选精准度。由于实验室的化学药品有遇高温 易燃易爆的特点，新算法经过Yolov3 烟雾的二次检验实现了查全率最高。宿舍和机房是学生平时进出频率 最高的地点，经烟雾模拟检测也是新方法框选动态烟 雾的查全率最高，同时误检率最低。
经不同场景实验数据对比，一种新的Yolov3 烟雾算法在框选烟雾尺度上更宽泛、更准确的同时漏检率 更小。
2多尺度特征融入行人检测方法
行人识别检测和统计分析对校园安防起着至关重要的作用。它不但能防止校园疫情传播还能防止校园 踩踏等安全隐患。本技术包括图像处理、多尺度特征 提取融合、行人重识别分析 3部分内容[4]。
2.1 图像处理
采集行人数据时，因周边场景变幻不定，数据采集会出现杂声，杂声会直接影响行人识别。中值滤波的非线性信号处理对抑制杂声有着深远意义，中值滤波是把数字图片中一个点的值使用相邻域各点值的中值 代替，其核心思路是在场景区域内选取图像点值进行 排序，最后将中间值作为图像值输出[5]。
通过场景实验对比发现，图片中噪音点得到了平滑处理，图像画质也相应提高。
2.2 多尺度特征融合行人检测
因场景关系，不同的行人在身高、走姿、衣帽、光照和背景方面有着不同变化，如何在图片中多尺度精准 定位检测出行人，依然是研究的重点方向。近年，对行人检测主要有两种方法：第一种是分类人体四肢，通过模块对比分析方法找到行人;第二种也是当今最流行的多尺度提取行人特征方法。
2.2.1 梯度方向直方图优化
梯度方向直方图特征是一种表达人体特征，它通过检测窗口-特征提取-归一化图像-计算梯度-对于每一个cell 块权重投影-对比重叠 block-把所有block内的直方图向量一起组合成一个大梯度人体特征[6]。梯度值定义为：
先把图像分割成若干个单元格（Cell），将梯度方向 分割成若干个区间（Bin），然后在每个Cell对全部像素的梯度幅值在各方向 Bin 区间进行值方统计分析，将若 干个Cell 组成一个Block 块，Block 扫描块中的单元格 梯度直方图串联得到特征D，最后将每个Block的特征 连接得到描述符。经研究发现，Cell 采用“6?6” 像素的，Block 采用“3?3”个Cell 组，一、二象限划分为9个区间。
2.2.2 局部二值模式特征提取
LBP 特征是一种非统计的描述符，它经输入图像- 二值处理-分割成若干区域，在每个区域统计其直方图-统计整幅图像的直方图，得到最终的描述算子[7]。
2.2.3 多尺度特征融合
多尺度特征融合是先将图像在一、二象限划分为大小相等的细胞格，然后利用细胞格构建梯度方向直方图，将 4个细胞组成1个block，block 特征采用串联 取平均值，因此 block 具有9 维特征向量。然后对梯度方向直方图分割图像，利用局部二值模式特征提取每个细胞格，累加 block得到4 维的局部二值模式特征。最后将梯度方向直方图特征提取的9 维的特征和局部二值模式提取得到的4 维的特征组合成为一个13 维的融合特征。
通过多尺度特征融合，自动提取人物特征细胞元 素，有效地减少了人工手动操作，不但提升了识别 速度，更减少了人为工作量。
2.3 行人识别分析
行人检测和行人统计中采用支持向量机分类 器，对目标位置的预测采用mean-shift算法结合卡 尔曼滤波器，稳定了追踪效果。mean-shift 追踪算法对行人行走轨迹中心区域同样使用卡尔曼滤波 器，可以提高追踪的准确性[8-9]。
nlc202208301006
转载注明来源:https://www.xzbu.com/8/view-15438729.htm
