基于攝像頭檢測的防盜拍系統開發和算法研究

張文豪 ， 吳懷宇

（1.武漢科技大學 信息科學與工程學院，湖北 武漢 430081；2.西英格蘭大學 工程設計和數學系，布里斯托爾BS16 1QY）

伴隨著攝像機等數碼錄制產品的發展，全球電影產業遭受到了日益嚴重的侵權和大額的利潤虧損[1]。不法分子非法攜入攝像機進入電影院盜拍電影[2]，成為了盜版光碟、網絡盜版電子內容的根源。在信息全球化的當今社會，其惡劣影響不僅傳播迅速，而且難以有效控制。于是，對電影院中非法攝像頭的檢測便成為了一種有效的、直接的、從本源上消除這一現象的手段。然而目前對于攝像頭的檢測手段比較匱乏且效果欠佳——人工檢測不僅費時費力，對電影院的環境產生干擾，而且十分低效；金屬探測器[3]、非線性節點探測器[4]等輔助設備覆蓋面積小，且專一性不夠，不能有效地區分攝像頭和其它電子或金屬設備，以至于產生很高的誤報率；即使捕捉攝像頭工作時產生的無線信號，該信號也易與其他個人電子設備混淆于同一頻譜而難以區分。這些檢測攝像頭的方法泛而不精，過于依賴于環境信息，對各種干擾的魯棒性不強，以至于效果十分不顯著而未被廣泛采用。

鑒于此，一些基于視覺的方法用于檢測非法攝像頭的產品在商業市場上開始出現。雖然它們種類繁多，功能卻是大同小異：通過檢測攝像頭鏡頭上的反射高光來偵查和定位攝像頭[5]。該類產品通過內置的可見光源高頻率閃爍，照亮潛在的攝像頭鏡頭，并檢測其反射光線以確定攝像頭的存在。這類產品應用視覺檢測的手段，表現出了一定了有效性，然而也存在十分大的局限性。1）高照明度的光源頻閃對周圍的人員干擾性巨大，不具有理想的隱蔽性；2）設備的有效范圍不廣，大多都被局限在10米以內，且需要人為控制，引導光源方向；3）設備檢測算法單一，對任何檢測到的反射高光都產生報警，無法區別攝像頭鏡頭和其他產生高光的反射面。

通過和一英國公司以及一加拿大公司的合作，本文中介紹的系統克服了以上檢測方法的不足，以一種系統的、智能的方式對非法攝像頭進行檢測。首先，本系統采用的智能算法針對性強，使用范圍廣，對環境依賴性低，具有很強的魯棒性和廣泛的高效性。其系統設計在攝像頭檢測領域具有其創新性；其次，智能算法采用層級檢測算法和模式識別[6]算法相結合，涉及基于視覺方法的高光檢測和識別領域。再次，該系統和算法具有可移植性，不僅適用于電影院環境，也適用于劇院、會議室等需要進行資料保密的場所，其算法也能用于解決機器人導航中的單目視覺等各類問題。以下將對該系統的硬件架構和檢測原理進行介紹，對實驗數據集進行統計分析，對模擬實驗進行闡述，對軟件和算法設計進行描述，并對實驗結果和系統性能進行統計和分析。

1 系統硬件描述和原理介紹

該防盜拍系統通過系統地結合硬件、軟件模塊，旨在對無控環境中的各類攝像頭進行精準地捕捉。本系統的硬件部分沿用了合作公司的系統架構[7]，但對一些硬件模塊進行了改造，使得系統具有更高的可靠性；另一方面，本研究中重新研究提出的智能檢測算法與硬件結構相匹配，大幅改善了整體系統性能。

1.1 硬件結構

該智能防盜拍系統的硬件部分主要包括3個部分：近紅外光源模塊、檢測器模塊、圖像處理器模塊。它們之間的相互關系如圖1所示。

圖1 硬件模塊結構Fig.1 Hardware module structure

具體而言，近紅外光源模塊隱蔽地置于電影屏幕中央，透過屏幕將近紅外光線向觀眾席方向投射；系統初始采用的光源模塊為一個矩形的發光二極管陣列，產生波長為920納米的不可見光線，對電影屏幕上的影像效果以及人眼的視覺均無影響，具有很強的隱蔽性；置于其下的檢測器為一個PTZ（pan-tilt-zoom）云臺攝像機，可以在水平和垂直的兩個軸上平移。它被隱藏在平臺后方，只有鏡頭與外部環境相通，實時對觀眾席區域的場景進行掃描。檢測器鏡頭上裝有濾波裝置，濾去了系統近紅外光源以外波長的光線。攝像頭的每個位姿都被映射到了觀眾席中的一個區域，用于通過該映射關系確定盜拍攝像頭的具體位置，并能同時針對距離目標區域的遠近，通過光學變焦對該區域進行縮放，以保證所有采集的圖像具有相似的比例；此外，圖像處理模塊和檢測器耦合，對檢測器進行控制，處理檢測器捕捉的場景，并通過檢測算法對該信息進行計算分析。在以下描述的檢測原理中，這些硬件模塊相互配合運作，分別提供數據和待檢模式，采集數據，處理數據，最終通過一體化的系統以實現其功能。

1.2 檢測原理

系統的檢測原理利用了攝像機鏡頭的光學特性以及回射原理[8]。該檢測原理和名為“貓眼”的道路反光安全裝置類似，將入射光線沿原方向返射回去，從而產生高光。

本系統中，首先，光源模塊將光線向觀眾席方向投射，當光線到達攝像頭表面時，便在攝像頭鏡頭上產生回射，回射光線集中而無明顯散射，隨后被光源模塊下方的檢測器接收，如圖1中所示。如此，在檢測器所采集的場景圖像中，倘若有攝像頭鏡頭存在，圖像中則會有相應的高光部分。此后，在圖像處理器的控制下，檢測器逐行掃描整個觀眾席，并將記錄的圖像傳入圖像處理器進行分析。當圖像處理器檢測到圖像中的高光[9]，并進一步確認為攝像頭鏡頭高光，便產生報警，并記錄對應觀眾席的位置。光源模塊在鏡頭上產生的高光模式成為了整個檢測的初始依據，作為待測數據被檢測器采集，被圖像處理器辨識。光源模塊的結構和性能直接影響該高光模式的大小、亮度、形狀等特征；圖像處理器的檢測算法則決定了對該高光模式檢測的準確度、區分度，從而影響報警的敏感性和正確率。

2 實驗數據集統計分析

2.1 數據集的構成

系統產生報警的同時也會將相應的場景信息記錄下來，這樣非法攝像頭以及其上的高光模式便被以圖像的方式保存了下來。本研究將系統在采用舊算法進行測試或實際應用中采集的318張圖像組成了一個數據集，作為實驗用數據和系統性能評價的參考。若用一個318行1列的元胞數組D318×1來表示該資料集，則 D318×1（n）（n=1，2，……，318）表示其中的一張圖像。由于系統采用近紅外光源模塊，檢測器采集的圖片也屏蔽了其他波段的光照，所以所有的數據均為紅外圖像，只有一個通道保存各像素的強度值信息，若用矩陣I480×640的形式表示 D318×1（n）中所有像素的強度值，則 D318×1={X1，X2，X3，……，X318}T。當光源模塊在非法攝像頭上產生了反射高光，高光形成特定的模式，具有其獨特的特征（例如：高光的數量、大小、形狀、強度值等）。對于此高光模式的檢測和識別便可作為判定攝像頭存在與否的依據。

對于數據集中的部分圖像，塑料水瓶等物體上的高光模式在系統采用舊算法分析處理后被誤認為是鏡頭高光，從而產生了假報警。在本文以后的內容中，把報警圖像中含有非法攝像頭的情況稱為真陽性，而把導致誤報的圖像記錄和結果數據稱為假陽性。為了尋求提高真陽性率，降低假陽性率的方法，數據集中的318張圖像被分為A、B兩類：集合A中只含有真陽性數據，并人工標記Xn以相應的標簽Yn=1；集合B中只含有假陽性數據，并人工標記Xn以相應的標簽Yn=0。于是數據集便被轉化為了318行2列的元胞數組 D318×2={X1，X2，X3，……，X318；Y1，Y2，Y3，……，Y318}T；分類后，集合A中共有77幅圖像，集合B中共有241幅圖像，亦即 A77×2∈D318×2，B241×2∈D318×2。 有了此數據集，監督式學習等模式識別及分類方法便有了數據基礎，也為算法性能的測試提供了依據。

2.2 數據集分析和人工特征選取

對數據集進行分析主要有以下幾個目的：1）對圖像的噪聲等級進行分析，必要時進行降噪處理，以免大量異常值影響算法性能；2）對攝像頭鏡頭高光的模式進行描述，以便人工提取有效特征，作為分類的依據；3）對高光背景信息進行分析，盡可能多的捕獲可用特征信息；4）對假陽性圖像進行分析，找出產生假報警的原因，以便降低假報警率。

經過分析，對結果歸納如下：1）圖像噪聲等級較高，需要對圖像進行降噪等預處理；2）攝像頭鏡頭反射高光大小不一，排列方向各異，形狀也由于邊緣亮度值衰減而導致不規律，無法采用回歸算法進行形狀擬合；同一鏡頭上由于攝像頭多組鏡面的互反射導致鏡頭上出現一個（當多個高光點重合時）或多個高光點；多個高光點兩兩間距和單一高光點的大小被約束在一定范圍內，該統計如圖2中曲線圖所示；3）鏡頭上除高光點外的背景像素較暗，對其亮度值統計信息如圖2中柱狀圖所示；4）假報警主要由于塑料瓶、首飾、座椅扶手、衣著裝飾、眼鏡、皮包等反射物件觸發。

圖2 高光點特征統計Fig.2 Specularity feature statistics

由此分析可知，鏡頭高光大小在5至40像素之間，高光點間距在33像素以內，高光點背景像素多分布在0至25像素之間。于是人工選取鏡頭高光特征為：高光點大小、高光點兩兩間距、高光點背景統計直方圖。

3 算法設計及結果分析

3.1 靜態模式層級檢測算法

通過將人工選取的特征進行整合，以特征的約束條件以及特征之間的關聯為基礎，本文針對每個單幅圖像（圖像中的鏡頭高光模式為靜態模式）設計層級檢測算法如圖3所示。

首先，算法讀入圖像處理器中接收的圖像，在預處理階段進行降噪處理，通過中值濾波、低通濾波、圖像平均的結合降低圖像噪聲水平，大量消除異常值的負面影響；基于對數據集的分析，選取合適的閾值，對“過大”、“過小”高光點進行定義，在亮度值方面，統計背景像素異常值數目，對“過亮”背景區域進行定義，針對成對高光點，對“過遠”間距進行定義；對圖像分別轉化成二值圖、灰度圖儲存備用。之后，算法在二值圖中對高光點進行檢測，移除“過大”高光點，移除處于圖像邊緣的高光點。對于剩下的高光點，算法通過兩次設定不同閾值，將同一原始圖像轉化成兩幅二值圖，并對齊進行比較，以移除物體邊緣上的高光區域。然后，算法利用高光點背景像素信息，移除處于“過亮”背景上存在的高光點區域；算法計算高光點兩兩間距，并對非成對出現的高光點進行更嚴格的背景復檢，最終綜合各監測情況給出是否產生報警的判定。最終統計結果顯示，在真陽性集合A77×2中，所有的77幅圖像都被成功地檢測出含有非法攝像頭，準確率100%；在假陽性集合B241×2中，241幅圖像中的215幅圖像被成功的判定為假陽性，有效性89.21%。

圖3 層級檢測算法流程圖Fig.3 Flowchart for the cascade detection algorithm

此流程中的背景信息被單獨提取，用于圖像直方圖比較，以提供另一個判定是否報警的依據。在這個過程中，每張待檢圖像中的背景信息都與數據集中所有的圖像背景信息的直方圖進行比較，計算之間的歐幾里得距離，之后統計所有歐氏距離的結果，計算結果中異常值所占比例，從而輸出該背景為攝像頭高光背景的概率，以表征攝像頭鏡頭高光存在的百分比。測試中，一個隨機真陽性值所生成的判定結果如圖4所示。

圖4 待測圖與參考圖歐氏距離計算Fig.4 Euclideandistancebetweenaqueryimageandthereferenceimages

歐氏距離計算在0.1以上的值被定位異常值，輸出概率按照probability=100-α×outlier_percent計算。其中系數α根據此數據集的大小，在本測試中選取為5。于是該待檢圖像背景信息為真陽性的概率通過計算為81.9005%，表示此背景圖像處于攝像頭鏡頭內部的可能性極大。此方法對于總體的報警決策有著輔助作用，在層級檢測算法外添加了概率性判斷，使得結果更加客觀和具體。

3.2 主成分分析和K最近鄰法分析

主成分分析[10]作為一種對數據集進行分析和簡化的方法，通過正交變換，將數據映射到新坐標系中，同時保留了數據集的主要特征，而去除對方差影響不大的部分，從而降低數據的維數，簡化后續運算的復雜性。K最近鄰法分析[11-12]是一個機器學習分類方法。該算法尋找待檢樣本在參考樣本集中的最相似的K個樣本，倘若K個樣本中的大多數樣本屬于某一類別，則判定該待檢樣本也屬于同一類別。通過該方法進行分類，即可將待測的靜態高光模式在真陽性、假陽性兩類中進行判定，從而又作為一種增加報警輸出準確性的依據。

由于這兩種方法應用廣泛，在各個領域都有成熟的應用，本文在此對兩種方法的概念不再贅述，但對選擇并結合這兩種方法的原因做出如下解釋：首先，K最近鄰算法簡單明了，易于應用，適合嵌入本文中的靜態模式層級檢測算法中；其次，K最近鄰算法需要的數據集已被整理并賦予標簽，在第二章中做出了介紹；第三，層級算法已經對高光點的中心、面積、背景等參數和特征進行了計算，易于提取出來作為K最近鄰算法的訓練樣本。最后，K最近鄰法需要計算待測樣本與每個參考樣本的歐氏距離，當數據維數高，數據集較大時，便需要大量的計算時間，不具有良好的實時性。這是限制該算法實用性的最大局限所在。而主成分分析方法降低數據的維數而對數據本身特征影響不大，將數據進行極大的壓縮，減少了大量的計算時間，使得K最近鄰算法可以在實時系統中進行應用。

提取的訓練集樣本以高光點群集的中心圖像的中心，根據高光點的大小決定圖像半徑。提取出的訓練集被分為真陽性、假陽性兩類，各85個樣本。用全部170個樣本作為訓練樣本首先應用主成分分析方法進行數據降維，然后再用K最近法進行分類運算，最終將待檢樣本歸為真陽性或假陽性，從而影響報警決策信號。為了使得結果客觀而保證訓練集的稠度，算法中采用交叉驗證，從訓練集中依次選取一個樣本作為待檢數據，其他作為訓練數據，通過生成的結果和數據標簽的對比判斷結果的正誤。為了使算法生成的結果準確度最高，同時保證效率最高，于是對主成分維數N以及鄰近樣本數量K需要進行合理的選擇。本文對在不同的N值以及不同K值的情況下對算法性能進行了統計測試，計算K近鄰算法在數據保留N個主元的情況下的準確性，生成的結果如圖5所示。

測試結果表示，在主元數目固定時，最近鄰數目為3使得算法有最高準確度；另一方面，最近鄰數目固定時，主元數目為40時，繼續增加主元數目對算法準確度無明顯影響。所以應用算法將選取N=40，K=3以保證系統的快速性和準確性，該算法對假陽性的誤判進一步成功降低了73.94%。

圖5 算法準確度與選取參數關系Fig.5 Algorithm accuracy dependent on selected parameters

4 小規模模擬實驗

以上針對單一圖像中靜態模式的檢測和分析算法有著理想的效果，然而仍有部分假陽性結果因為極其類似真陽性高光模式，也因為靜態模式檢測的局限性，不能被區分出來，從而產生假報警；同時，正方形光源模塊產生的鏡頭高光因其強度值從中心向四周放射性衰減，進而高光區域由正方形退化成不規則矩形或圓形，和其他反射高光不易區分。本章中介紹的小規模模擬實驗便旨在改善和解決這兩個問題，使得硬件結構能夠配合軟件算法，同時改善系統的整體性能。

實驗中采用的裝置主要由8個高亮LED構成，每4個LED被等間距地固定在一個條形金屬上，兩個條形金屬可以組合成不同的形狀（一字型、十字形等），模擬出不同形狀的光源。實驗中，此裝置由電壓源供電，朝向一攝像頭（模擬非法攝像頭），攝像頭上的高光模式被記錄下來，用于比較分析和計算。當兩個條形光源排成一字型輪流照明時，非法攝像頭上的高光模式在不同時刻的同一位置被記錄下來，經過差值運算，其結果如圖6所示。

為了便于觀察，圖6對原結果進行了反相處理。兩幅不同時刻記錄的圖像對應左右條形光源的照明，它們的差值被映射到了灰度顏色表，顏色越暗代表差值越大。圖像中間部分為非法攝像頭，其上最暗的部分即為一字型光源產生的動態高光模式，該差值最大值為246（差值范圍為0-255）；其左右兩側及下側分別為塑料瓶、塑料袋，其上最暗的部分的差值最大值為185；其余白色或灰度較低的部分則代表更小的差值。

圖6 模擬實驗左右輪換照明下的高光模式差值Fig.6 Subtraction of specularities in alternating illumination in the simulation experiment

據實驗結果反映，攝像頭鏡頭在動態光源照射下產生的高光模式差異較大，其他反射物體對動態光源敏感度較低。如此，通過檢測不同等級的差值，即可將動態模式進行區分，假陽性值便能被進一步地排除。

5 結束語

本文介紹了一種新型的、智能的、有效的攝像頭檢測系統。該系統利用計算機視覺技術，對暗環境中的隱匿攝像頭進行檢測，并產生報警。通過全面的、系統的介紹，本文內容涵蓋了系統基于回射的檢測原理，針對該原理設計的硬件部分和算法設計的介紹，數據集的建立和使用，實驗的結果和系統性能分析等多個方面，更對結果進行了統計，并基于此對系統的潛力進行了展望。該改善的系統與原系統相比保留了100%的敏感性，準確性在層級檢測算法應用下提高了89.21%，在機器學習算法下提高了73.94%。同時，這一系統提出了通過定向人工光照彌補暗環境光照不足的一種方法，并對反射高光這一圖像處理中的重點、難點進行分析，制造并利用反射高光特征，進行物體檢測和分類。系統采用的算法模塊化，可融合性強，和系統硬件相互配合達到了高效、智能檢測的目的。

[1]BAI J，WALDFOGEL，J.Movie piracy and sales displacement in two samples of Chinese consumers[J].Information Economics and Policy，2012，24（3-4）:187-196.

[2]MALIN， J，FOWERS， B J.Adolescent self-control and music and movie piracy[J].Computers in Human Behavior， 2009，25:718-722.

[3]YAMAZAKI S，NAKANE H，TANAKA A.Basic analysis of a metal detector[J].IEEE Transactions on Instrumentation and Measurement，2002，51（4）:810-814.

[4]TKACH V N，SHCHERBAKOV G N.Use of non-linear junction detectors to ensure the safety of IED search[M]//SCHUBERT H，KUZNETSOV A.Detection and Disposal of Improvised Explosives， Netherlands:Springer，2006:237-239.

[5]TRUONG K N，PATEL S N，SUMMET J W，et al.Preventing camera recording by designing a capture-resistant environment:Proceedings of the 7th international conference on Ubiquitous Computing， Tokyo， 2005[C].Berlin-Heidelberg:Springer，2005.

[6]季盛強，紀海英，辛曉虎，等.幾種特征選擇方法在局部放電模式識別中的應用[J].陜西電力，2011（11）：1-4，9.

JI Sheng-qiang，JI Hai-ying，XIN Xiao-hu，et al.Application of Several Feature Selection Methods in Partial Discharge Pattern Recognition[J].Shaanxi Electric Power，2011（11）：1-4，9.

[7]MAHDAVI M，MAHDAVI H，FARSI F.System and method for video recording device detection:US，20120128330[EB/OL].（2012-05-24）[2012-11-15].http://www.faqs.org/patents/app/20120128330

[8]GROSGES T.Retro-reflection of glass beads for traffic road stripe paints[J].Optical Materials，2008，30（10）:1549-1554.

[9]ZISSERMAN A，GIBLIN P，BLAKE A.The information available to a moving observer from specularities[J].Image and Vision Computing，2002，7（1）:38-42.

[10]ABDI H，WILLIAMS L J.Principal component analysis[J].Wiley Interdisciplinary Reviews:Computational Statistics，2010，2（4）:433-459.

[11]MAGNUSSEN S，TOMPPO E，MCROBERTS R E.A modelassisted k-nearest neighbour approach to remove extrapolation bias[J].Scandinavian Journal of Forest Research，2010，25（2）:174-184.

[12]韓學軍，鄧艷秋，張全厚，等.基于改進小生境粒子群優化算法的電力系統無功優化研究[J].陜西電力，2012（12）：36-38，46.

HAN Xue-jun，DENG Yan-qiu，ZHANG Quan-hou，etal.Research on improved niche particle swarm algorithm for reactive power optimization[J].Shaanxi Electric Power，2012（12）：36-38，46.