基于多通信機制與機器視覺的智慧小區視頻監控系統

胡 石，王 彬，吳志光

?

基于多通信機制與機器視覺的智慧小區視頻監控系統

*胡 石，王 彬，吳志光

(池州職業技術學院機電技術系，安徽，池州 247000)

為了有效監控小區內的車輛速度，實現保障小區業主人身安全和促進城市小區健康發展，本文設計了一套基于多通信機制與機器視覺的智慧小區視頻監控系統。首先，將基于Socket的網口通信與基于RS232的串口通信實施融合，連接測速攝像頭與中心服務器，構建起智慧小區車輛視頻監控系統的硬件平臺。然后，結合高斯模型、Harris角點定位與RANSAC匹配優化方法，設計了車輛速度檢測算子，實現車輛有無判斷和車輛速度計算。在Visiual Studio平臺開發系統，并對所提智慧小區視頻監控系統進行了測試，結果表明：本文提出的智慧小區視頻監控系統，在車速檢測和系統智能性方面，都優于傳統小區視頻監控系統。

智慧小區；視頻監控；多通信機制；機器視覺； Harris角點；RANSAC匹配優化

0 引言

近年來，隨著城市化進程的推進，住宅小區規模和機動車數量都有很大增長，住宅小區內機動車數量也增長迅速，但是，住宅小區內沒有交警巡查或公安電子眼，因此，監控小區內機動車的行車速度可以起到保障業主人身安全的作用。而對于傳統的小區車速管理，往往依靠保安巡查和物業宣傳，這種方式在一定程度上可以起到作用，但是無法實現小區的24小時監控，并且人工成本較大，如果采用智能視頻監控的方式，不僅可以降低人力、物力成本，還可以調取相關視頻，便于后續管理和糾紛處理。所以，如何以智能化、高效率、低成本的技術來監控小區機動車速和保障業主人身安全是具有重要實際意義的。

目前國內研究人員在這一領域已進行了深入研究。如李娟等[1]人提出基于GPS的高速公路車速全程監控方法，采用GPS和地圖匹配技術的高速公路車速全程監控和管理方法，建立相關算法的數學模型，實現高速公路車速的全程監控，但是GPS相關檢測設備價格高，導致該方案很難在細分市場推廣。徐駿驊等人[2]提出了基于邊緣檢測與模式識別的車臉識別算法，基于Lab顏色空間轉換與Canny邊緣檢測，設計車輛前臉區域檢測機制，然后基于粗糙集描述和Adaboost分類器，對車臉特征完成訓練，建立強識別器，準確識別車臉，最后基于開源圖像庫Aforge.NET和C#語言實現算法，開發出瀑布結構標準軟件系統，但是該系統對車輛目標的識別，依賴于攝像頭采集角度和正面車臉圖像，在實際應用場景，往往存在檢測不穩定性。朱善瑋等人[3]設計一個基于Haar-like和AdaBoost的車臉檢測，根據Haar-like特征的分布情況對其進行歸一化處理，利用歸一化處理后的特征構建多個弱分類器，再利用AdaBoost算法把選出的弱分類器級聯為強分類器，最后用強分類器對車輛圖像的車臉部分進行檢測定位，但是AdaBoost分類器對帶標簽高質量樣本數據庫的依賴較大，在實際應用場景中，由于車輛實景圖像采集難度高，樣本庫數量要求較難達到，使其訓練出來的識別分類器往往存在不穩定性。

在小區機動車車速檢測這個智能交通和智慧城市的大市場中細分出來的應用場景，急需采用人工智能的方法，達到車速視頻有效監控，保障業主人身安全。對此，本文提出了基于多通信機制與機器視覺的智慧小區視頻監控系統，有效降低成本和穩定識別車輛車速，達到增強業主居住安全感的目的。

1 本文智慧小區視頻監控系統設計

所提的智慧小區視頻監控系統的預設目標有2個：(1) 利用串口通信與網口通信完成監控系統的硬件平臺構建；(2) 耦合高斯模型、Harris角點定位與Ransac角點匹配方法，設計車速識別算子，實現算法對車輛有無、車輛跟蹤和車速計算，提高物業對于小區內機動車行駛的管控，以低成本高效率高準確度的保障業主人身安全。

如圖1(a)所示，為本文系統的架構，小區主干道路面安置磁電感應線圈，用來感應汽車通過攝像頭監控區域。汽車特征不同于行人，當磁電感應線圈感應到汽車時，通過轉接與RS232串口線，連接于網絡攝像頭，采集視頻的攝像頭對當下采集圖像（視頻當前幀）啟動服務器的車輛識別程序，對該圖像進行識別，有效避免時延問題。RS-232串口標準協議的全稱是 EIA-RS-232C 標準，其中EIA代表美國電子工業協會，RS代表推薦標準，232是標識號，通訊接口之一，通常 RS-232 接口以9個引腳或是25個引腳的型態出現[4]。本系統采用這種低成本的通信形式和協議，完成磁電感應線圈與視覺采集單元的連接。socket本質是編程接口(API)，對TCP/IP的封裝，TCP/IP也要提供可供程序員做網絡開發所用的接口， HTTP是轎車，提供了封裝或者顯示數據的具體形式，Socket是發動機，提供了網絡通信的能力[5]。本系統利用Socket網口通行，連接攝像頭采集數據與中心服務器。本智能小區門禁管理系統借助RS232和Socket這兩種通信方式，發揮傳輸數據和傳遞控制信息的優勢，相比于昂貴的傳感器，本文提出的多通信機制不僅降低了系統成本，還提高了系統信息傳輸相率。如圖1(b)所示，本系統UI，主要有實時視頻圖像采集、車輛定位、車速計算、車速信息顯示。如圖1(c)所示，硬件平臺由磁電感應線圈、RS232串口線、網絡攝像頭、Socket網口網線、服務器構成。待檢測視頻截圖如圖2所示，由圖發現，視頻視野內小區主干道上存在機動車。所設計的系統目的就是為了這些車輛及其速度進行監控。

圖2 待檢測圖像

2 車速檢測算子

為了實現小區內機動車目標的準確識別、跟蹤和車速計算，本文耦合混合高斯建模、Harris角點檢測和RANSAC策略，構成車輛目標定位識別算子，然后處理視頻中的圖像幀序列，計算前后目標移動距離與時間，檢測出車輛速度，其過程見圖3。

圖3 本文車速檢測算子的過程

首先需要對路面行駛的機動車進行圖像采集，進行混合高斯建模?；旌细咚菇Ｊ前凑崭咚狗植紝γ總€像素建立模型，并通過基于回歸濾波的在線 EM 近似方法對模型參數進行更新，它能魯棒地克服光照變化、樹枝搖動等造成的影響[6]?；旌细咚菇］^為傳統成熟，且數學推導公式冗余，本文在這里不再贅述。然后，在高斯建?；A上，進行Harris角點定位，作為車輛定位與移動速度計算的依據。Harris角點定位[7-8]是依據自相關函數給出的，得出了矩陣M，矩陣M中的特征值是自相關函數的一階曲率，如果一階曲率都很高，則認為此處為為角點。本系統中的攝像頭實時采集小區視頻，當磁電感應線圈傳輸信號至攝像頭時，系統保存攝像頭當前視野圖像，并對該圖像進行識別（混合高斯模型、Harris角點檢測等），從而既實現車速檢測，又避免視頻實時處理的高負荷計算量問題，使其較好地滿足實時需求。

在進行Harris角點檢測時，需要計算基于自相關函數的局部圖像灰度變化程度，如下式所示：

式（1）中,代表圖像坐標，代表灰度圖窗口移動后的自相關函數，代表移動窗口，代表圖像。接著以矩陣的形式表示：

式（2）中E代表自相關函數，,代表圖像坐標，代表Harris角點特征值矩陣。接著進行Harris角點相應函數：

式（3）中代表角點相應函數值，越大代表角點可能性越大，代表協方差運算，代表和運算。在Harris角點定位基礎上進行RANSAC運算。

隨機抽樣一致性（RANSAC）算法，可以在一組包含“外點”的數據集中，采用不斷迭代的方法，尋找最優參數模型，不符合最優模型的點，被定義為“外點”[9-10]。為了獲取最優參數矩陣，需要符合如下條件：

式4中、代表實際場景圖像角點坐標，、代表目標圖像角點坐標，矩陣代表單應性矩陣。

以圖2作為待識別目標，對其進行Harris角點檢測，結果如圖4(a)所示，可見，準確檢測出了移動車輛的Harris角點，再對移動車輛進行跟蹤定位，計算車速，如圖4(b)所示，可見定位準確，車速計算結果為3.4 km/h，在正常速度范圍（5 km/h）內，系統顯示“正?！?。

圖4 車速檢測與車輛定位結果

所設計的車速檢測算子的部分關鍵代碼如下：

itkRGBImageType::Pointer extractCellRegionItk(itkRGBImageType::Pointer lowResolutionwholeSlideImage)

{int w = lowResolutionwholeSl

ideImage-> GetLargest PossibleRegion().GetSize(0);

int h = lowResolutionwholeSlideImage-> GetLargest PossibleRegion().GetSize(1);

int centerX = static_cast(w/2);

int centerY = static_cast(h/2);

itkRGBImageType::Pointer imageCellRegion = itk RGBImageType::New();

imageCellRegion->SetRegions(lowResolutionwholeSlideImage->GetLargestPossibleRegion());

imageCellRegion->Allocate();

int radiusSq = static_cast(0.9*std::min (centerX, centerY));

radiusSq *= radiusSq;

RGBPixelType whitePixel;

whitePixel.SetRed(246);

whitePixel.SetGreen(247);

whitePixel.SetBlue(239);

itkIndexType idx;

for (int ih = 0; ih < h; ++ih)

{ idx[1] = ih;

for (int iw = 0; iw < w; ++iw)

{ idx[0] = iw;

if ((iw - centerX)*(iw - centerX) + (ih - centerY)*(ih - centerY) < radiusSq)

{imageCellRegion->SetPixel(idx, lowResolutionwholeSlideImage->GetPixel(idx));}

else{imageCellRegion->SetPixel(idx, whitePixel);

return imageCellRegion;}

3 實驗結果及分析

采用Intel i7 四核CPU，16GB的內存，電腦系統 Windows 10，借助Visual Studio開發平臺對所提的基于多通信機制和機器視覺的智能小區視頻監控系統進行實際應用測試。

為了驗證本文智能小區視頻監控的優異性能，本文設立了對照組，分別為文獻[2]和文獻[3]，對應記為A、B算法。輸入圖像如圖5所示，視野內主干道有機動車待識別，系統功能有包括了視頻采集、車輛定位、車速計算顯示。然后，利用本文技術、A組技術、B組技術來監控圖5中的車輛，分別得到結果如圖6~圖8所示。由圖發現，所提監控系統具有更高的定位精度，可以完成車輛準確定位和車速計算，見圖6。這主要是因為本文采用機器視覺算法，實現系統功能，并基于混合高斯模型建立、Harris角點檢測匹配和RANSAC匹配優化機制，實現車輛實時定位和車速計算。而A組技術采用車輛前臉區域檢測機制，一定程度上解決識別率問題，但是該系統對車輛目標的識別，依賴于攝像頭采集角度和正面車臉圖像，在實際應用場景，往往存在檢測不穩定性，如圖7所示，車輛定位正確，車速計算錯誤。而B組技術利用AdaBoost算法把選出的弱分類器級聯為強分類器，但是AdaBoost分類器依賴比較大的帶標簽高質量樣本數據庫，在實際應用場景中由于車輛實景圖像采集難度高，樣本庫數量要求較難達到，訓練出來的識別分類器往往存在不穩定性，如圖8所示，車輛定位錯誤，車速計算錯誤。

圖5 智能系統與待檢測原圖

圖6 本文算法的檢測結果

圖7 文獻[2]的檢測結果

圖8 文獻[3]的檢測結果

為了反映所提算法的穩定性，將所提系統用于筆者所在小區進行車輛監控測試，時間從2018-11-25日早上7點開始，至2018-11-27下午5點結束，對該時間段內所有車輛進行定位與車速測算，通過調取監控結果發現，該系統總共采集了670幅車輛圖像，正確定位數量為652幅，成功率高達97.31%，且其運行平穩。只有在車輛與非機動車輛距離很近、同方向行使時(12次)，以及大霧天氣(6次)情況下出現過錯誤識別，其余場合均檢測正確。

4 結束語

為了智能化監控小區車輛速度，保障業主安全，本文設計并開發實現了基于多通信機制與機器視覺的智慧小區視頻監控系統。采用磁電感線圈、RS串口線、網絡攝像頭、Socket網線網口和中央服務器，以機器視覺技術為基礎，組成低成本、高效率的智慧小區視頻監控系統硬件架構?；诨旌细咚鼓Ｐ?、Harris角點檢測和RANSAC計算，構建車速檢測算子，達到車輛定位檢測和車速測量的目的。用Visual Studio平臺來實現本文系統，結果表明：相比于對標系統，在保證系統功能前提下，本文系統在車輛定位和車速計算方面具有更高的精度和穩定性。

雨天等天氣對識別率影響是本文目前研究成果上后續開展的內容，以進一步提高本文系統的智能程度與適應性。

[1] 李娟. 基于GPS的高速公路車速全程監控方法研究[J]. 測繪工程,2018, 6(2): 63-67.

[2] 徐駿驊. 基于邊緣檢測與模式識別的車臉識別算法[J]. 控制工程,2018, 2(6):126-129.

[3] 朱善瑋. 基于Haar-like和AdaBoost的車臉檢測[J]. 電子科技, 2018, 11(5): 58-63.

[4] 黃山. 基于無線數據通信及微機接口的單片機教學平臺的研究[D]. 廣州: 華南理工大學, 2018: 52-54.

[5] 陸翔鶯. 基于PCA算法的車臉識別系統研究[J]. 通訊世界,2018, 27(3): 1042-1045.

[6] 馬平華,徐曉光,夏雯娟. 基于改進型Camshift和卡爾曼濾波器的車輛跟蹤算法[J]. 井岡山大學學報:自然科學版,2015, 36(5): 60-65.

[7] 張立亭,黃曉浪,鹿琳琳. 基于灰度差分與模板的Harris角點檢測快速算法[J]. 儀器儀表學報,2018,39(2): 218-224.

[8] Wang Z C, Li R, Shao Z H. Adaptive Harris corner detection algorithm based on iterative threshold[J]. Modern Physics Letters B,2017,31(15): 1750181-1750189.

[9] 劉三毛. 基于RGB-D的室內場景SLAM方法研究[D]. 長沙:湖南工業大學, 2017:21-39.

[10] Cheng L, Li M C, Liu Y X. Remote sensing image matching by integrating affine invariant feature extraction and RANSAC[J]. Computers and Electrical Engineering, 2012, 38(4): 1023-1032.

Intelligent Community Video Surveillance Management System based on Multi-Communication Mechanism and MachineVision

*HU Shi, WANG Bing, WU Zhi-guang

( Department of Mechanical and Electrical Technology, Chizhou Vocational Technical College, Chizhou, Anhui 247000, China)

In order to effectively monitor the vehicle speed in the residential area, and realize the purpose of ensuring the personal safety in the residential area, as well as promote the healthy development of the urban residential area, this paper designs a smart residential area video monitoring system based on multi-communication mechanism and machine vision. Firstly, integrating socket-based network communication with RS232-based serial communication, connecting speed measuring camera and central server, the hardware foundation of vehicle video surveillance system of intelligent community is constructed. Then, combining the Gaussian model, Harris corner location and Ransac corner matching method, the vehicle speed detection operator is designed to realize the vehicle judgment and vehicle speed calculation. The system is developed on Visual studio platform, and the video surveillance system of intelligent community is tested, the output results show that this intelligent video surveillance system is superior to the traditional video surveillance system in speed detection and system intelligence.

intelligence community; video surveillance; multi-communication mechanism; machine vision; Harris corner; RANSAC matching

TP391

A

10.3969/j.issn.1674-8085.2019.02.010

1674-8085(2019)02-0052-06

2018-10-15；

2019-01-05

安徽省高校優秀拔尖人才培育資助項目(gxyq2017218)；安徽省高等學校省級質量工程項目(2017sjjd052，2017jxtd079)

*胡 石(1988-)，男，安徽省池州市人，講師，碩士，主要從事模式識別、圖像處理、視頻監控技術等研究(E-mail: hushi8811@sina.com);

王 彬(1987-)，男，安徽省池州市人，講師，碩士，主要從事模式識別、智能控制等研究(E-mail: Wangb1987ac@126.com );

吳志光(1979-)，男，安徽省合肥市人，副教授，碩士，主要從事智能控制、計算機應用等研究(E-mail: Wzg1979prof@126.com).