嵌入式智能視頻監控報警系統設計

顏珂斐

(電子科技大學 成都學院， 四川 成都 611731)

隨著信息化技術的發展，以及人們對生活品質和安全性需要的提高，視頻監控已經廣泛應用于社會的各行各業中。傳統的視頻監控方式主要為人工實時監控，或存儲后進行事后回放覓蹤，這種監控方式存在應對類似于搶劫、偷盜等緊急事件時，時效性差，無法有效地保證人民群眾的人身財產安全，及完全依賴于人工監控和事后進行繁瑣的回放的缺點，造成人力成本和時間成本的極大浪費[1]。

本文提出了一種自動實現視頻監控、識別入侵者的算法和實現方法。該方法不僅能夠自動識別監控攝像頭所拍攝的入侵者，并且可以通過網絡向指定目標發送報警信息。由于目前ARM嵌入系統的廣泛應用和低成本優勢[2]，因此文中提出的圖像處理算法是基于嵌入式平臺進行設計且進行了優化，使之能夠流暢地運行在性能不高的嵌入式平臺上。

1 智能視頻監控報警系統的總體框架

本研究的具體思路如下：首先需要通過特定功能的攝像頭實現長時定位監控，在此過程中要求監控系統能對所采集的圖像進行分析、處理和自動判斷報警，能根據具體的判決條件進行后續的工作。例如，當有入侵者時，要對其進行拍攝并保存圖片至本機中，作為破案線索使用，并可以通過網絡傳輸的方式使控制服務器進行報警[3]，讓安保人員能在最短的時間內快速做出反應，以充分保障客戶的人身和財產安全。

本智能視頻監控報警系統實現流程如圖1所示。

工作步驟如下：

(1) 系統開始運行，對攝像頭進行初始化設置；

(2) 攝像頭采集的實時圖像通過圖像采集模塊的處理，進行HLS(色相、亮度、飽和度)模型轉換，并提取其中H分量圖像；

(3) 對采集到的圖像進行判斷，以獲知系統是否開機或攝像頭是否被移動，如果是，則啟動相關的圖像采集模塊、HLS轉換模塊以及尋找背景模塊，將相關的背景圖片進行比對分析；

(4) 采集圖像，將已經通過HLS處理后的圖像作為研究的對象，并運行圖像對比模塊，將其與第(3)步中獲取的背景圖像進行像素取值分析，得到兩張圖像之間的差異度；

(5) 如果對比后得到的差異度高于事先設定的攝像頭位置變化移動門限的85%以上，此時判定其攝像頭的位置已經被移動，需要將后續的進程跳轉到第(3)步；

(6) 如果第(5)步中出現實際運作結果小于事先設定的攝像頭位置變化移動門限的85%，(該門限取決于攝像頭離監視目標的距離，越遠越小，例如20%)則認為出現緊急情況，即出現具有安全隱患的入侵者，因此需要采集其圖像，并保存到本機，通過網絡系統將警告信息傳送給服務器，將進程轉向第(2)步；

(7) 假設實際的分析結果不大于設定的入侵者判定門限，則此時可以認為屬于正常狀態，監視系統繼續工作，其進程跳轉到第(2)步。

2 快速HLS算法

2.1 RGB色彩模式算法的弊端

通過視頻采集系統采集的圖像是基于三原色分量顯示，即紅綠藍3原色分量(RGB)，其中，每個分量占8個bit，也就是0～255取值范圍[4]。所有的圖像像素點都是使用RGB3個字節數值表示，例如白色是(255,255,255)，紅色是(255,0,0)。同樣顏色的像素點由于外界光線明暗的變化，會導致RGB數值會有很大的變化。即使兩幅內容相同但是亮度不同的圖像，通過自動比較圖像并根據差異度來判斷是否有可疑物出現都是無法實現的。因此，要做到準確比較兩幅圖像內容的差異性，必須屏蔽亮度因素對圖像各像素點數值的影響。

圖像中的亮度因素需要屏蔽掉，但像素的顏色需要保留以用于對比分析。因此本文針對上述問題引入了圖像RGB到HLS色彩空間變換的算法。

2.2 色彩空間特性HLS的概念

色彩空間特性HLS(色相hue、亮度luminance、飽和度saturation)是圖像的三要素。其中，色相H分量是顏色最重要的屬性，體現圖像的基本色彩，也就是可見光譜的構成，每一個類別代表著一種色相的概念，可以通過調整該值改變圖像相關顏色；亮度L分量是指圖形顏色之間的明暗對比度，一般是指RGB圖像；飽和度S分量是指圖像顏色的彩度。

綜上所述，可知HLS色彩空間特性中的3個分量H、L以及S之間是完全獨立的。考慮到亮度對本系統自動判斷的干擾，亮度L分量是必須屏蔽掉的，而S分量與圖像物體內容分辨無關，可以忽略[5]。在本系統實際分析的過程中，圖像對比的最大干擾因素體現在亮度的變化上，而H分量側重于色相的分析。所以進行分析時，去掉L分量，只提取出H分量，就可以更大限度地濾除亮度的干擾影響[6]。

2.3 傳統的HLS色彩空間算法

由于嵌入式平臺在能耗、成本和體積上有巨大的優勢，因此本系統基于主流的嵌入式平臺進行設計。傳統的HLS算法如下。

2.3.1 亮度L的計算

亮度L的計算公式為

L=(R+G+B)/3或者L=(max(R,G,B)+

min(R,G,B))/2

其中，R、G、B分別采用RGB格式圖像中的紅、綠、藍三原色獨立分量的強度，而max(R,G,B)和min(R,G,B)所研究的對象分別是這三原色獨立分量中的極大值以及極小值[7]。

針對ARM嵌入式平臺計算能力較弱的特性，本系統選用了較為簡單的公式L=(R+G+B)/3作相應的處理。

2.3.2 色相H和飽和度S的計算

如果紅(R)、綠(G)、藍(B)獨立分量的強度值中，最小值為紅色分量R[8]即

min(R,G,B)=R

則有：

H=(B-R)/3[(L-R)+1]

S=1-R/L

如果min(R,G,B)=G，

則有：

H=(R-G)/[3(L-G)+2]

S=1-G/L

如果min(R,G,B)=B，

則有：

H=(G-B)/[3(L-B)+1]

S=1-B/L

2.3.3 傳統的HLS算法討論

傳統的HLS算法涉及大量運算，一般嵌入式平臺無法承載實時HLS色彩空間算法變換的巨大計算量。傳統的圖像處理中對精度的分析均采用浮點數的模式，經過相關的計算得到的結果均是不超過3的浮點數值[9]，彼此之間的差值很小，且不能變成直觀觀察的灰度圖像，不利于系統的后續處理。

2.4 快速HLS算法

以上述的公式作為研究的基礎，并針對嵌入式平臺的特點進行改進，提出了一種經過優化的新算法。基于此系統的設計需求，本文研究的重點分量是色相H，需屏蔽亮庋L以及飽和度S分量。計算時將L分量代入到H方程式中，不需計算S分量。如果采用傳統重定標模式進行處理，將一幅圖像中的H值規范為最小值等于零和最大值等于255，其他范圍內的H值進行相應比例的調整[10]，這樣可以有效克服H分量的顯示問題，但是存在2個問題：一是計算復雜，對圖像進行了逐像素H分量值計算后還需要重定標，對于計算能力較低的嵌入式平臺來說并不適用[11]；二是兩幅相同圖像經過重定標操作后，相同H值的計算結果可能并不相同，影響系統判斷的準確性。因此，本文提出一種改進的優化算法。

由于上述計算公式的結果最大值為3，所以可在進行HLS變化的同時將H值乘以85(即255/3)，以便將H值轉化為差異幅度大的整型數并保證取值范圍在0～255之間。該算法計算過程簡潔，只需逐像素計算H值時乘以一個整數，無需在計算H值后再進行一次逐像素計算。同時該算法非常適合以RGB方式顯示，且不同圖像上色相值相同的像素轉化后的H分量數值完全相同，有利于圖像的對比判別。改進后的具體公式如下所示。

亮度L的計算：

L=(R+G+B)/3

H和S的計算：

如果min(R,G,B)=R，則有

H=(B-R)/[3(L-R)+1]

將L=(R+G+B)/3代入H的表達式并乘以變換系數85，則有

H=85×(2B+G-3R)/(G+B-2R)

如果min(R,G,B)=G，則有

H=(R-G)/[3(L-G)+2]

將L=(R+G+B)/3代入H的表達式并乘以變換系數85，則有

H=85×(3R+2B-5G)/(R+B-2G)

如果min(R,G,B)=B，則有

H=(G-B)/[3(L-B)+1]

將L=(R+G+B)/3代入H的表達式并乘以變換系數85，則有

H=85×(2G+R-3B)/(R+G-2B)

如果R、G、B三分量值相同，則H為最大值的2/3,即H=170。

利用該算法編寫軟件進行比對分析，采集的圖像經過HLS轉變之后的亮度改變對系統的影響顯著下降，符合技術參數指標的要求。在此基礎上考慮實際圖片并調整其亮度，并使用HLS變換濾除L和S分量后的結果進行對比驗證，結果見圖2和圖3。

變換前的兩幅原始圖分別如圖2(a)和圖3(a)所示，圖2(a)是亮度較低的圖片，圖3(a)則是同樣背景下亮度較高的圖片。雖然兩張圖片背景相同，但使用傳統的RGB色彩模式算法對這兩張圖片進行逐像素對比計算，結果顯示有差異像素的數目占一幅圖像總像素數目的99.994%，這種結果會導致系統誤判，無法使用。

對這兩幅原始圖片做快速HLS變換提取H分量并轉換為灰度圖像，分別得到相同背景下的低亮度圖像灰度圖和高亮度圖像灰度圖，結果分別如圖2(b)和圖3(b)所示。

本文同樣選擇逐像素比對的方式對獲取到的H分量形式的圖像進行研究，卻發現高亮度和低亮度時，不同的像素量占總像素值的比例僅為5.8%，由此可知，改進后的算法能很好地抵消亮度所造成的影響，使后面監控過程中判別異常情況成為可能。

圖2 低亮度圖像進行H分量提取

圖3 高亮度圖像進行H分量提取

3 多幅圖像對比方法屏蔽攝像頭角度和位置移動因素

入侵者的判斷是基于圖像對比差異度進行的。如果攝像頭的角度和位置發生了變化，在此過程中，當圖像背景變化較大時，可能會超過系統設定的判斷有入侵者的門限值，從而產生錯誤告警。為了解決該問題，引入了以下算法：在實時圖像對比分析過程中，如果發現某一次對比差異度大于90%，則自動觸發背景重定位功能。

背景重定位功能的原理是：在設定的時間內即1.5 s的時間間隔內進行圖像的采集，每隔0.5 s采集一幅圖像。之后對這3幅圖像進行HLS轉換處理，提取出系統所需的H分量像素進行判斷，假如在允許范圍內，容差滿足的特定條件下，圖像相同則設定其為背景圖像，并隨機選取某個圖像作為背景進行研究。

實驗表明，此種模式準確率高，速度快，系統占用率完全可以達到理想的設計要求。在系統實際的應用操作中，可根據需要進行準確率及速率的設定，以滿足其實際應用的要求。

4 告警模塊

在發現可疑入侵者后，會連續對入侵者采集3張圖片，并保存后送往告警模塊。

告警模塊是一套基于網絡的告警系統，根據使用者需求可以進行如下4種選擇：(1)將入侵者圖像發送至指定中央服務器(如小區保安室)并引發警鈴[12]；(2)如果擁有室內終端(如智能小區客戶機)，可以將入侵者圖像顯示在終端上并引發終端警報；(3)發送郵件至指定郵箱；(4)如有短信貓，可以發送告警短信至指定號碼的手機上。

以上告警方式可同時選擇，也可僅選擇一項。

5 結束語

本文實現了一種智能識別入侵者的視頻監控報警系統設計。該系統的主要創新點和優勢在于：該系統基于ARM等嵌入式平臺設計，針對ARM平臺計算能力較弱、浮點計算能力差的特點，提出了優化圖像處理算法，使該系統的成本控制在較低水平，從而應用前景更廣泛；針對圖像自動對比分析中出現的亮度因素影響問題，引入了使用HLS色彩空間變換并提取H分量進行分析的圖像處理方法，并根據ARM嵌入式平臺的特點進行了優化，形成一種快速HLS變化計算方法；針對攝像頭位置變化帶來的圖像分析不精確問題，提出了簡單的快速背景重定位方法。

實踐證明，該系統能夠流暢地運行于主頻為220 MHz的ARM9平臺上，分析結果準確且快速，能夠有效地降低人力干預成本。當然，該算法也同樣適用于X86或其他平臺，具有很好的應用普適性。

[1] 劉富強. 數字視頻監控系統開發及應用[M].北京:機械工業出版社,2003：136-139.

[2] 夏瑋瑋，沈連豐，肖婕，等. 嵌入式系統關鍵技術分析與開發應用[J]. 單片機與嵌入式系統應用, 2003，2(2)：30-34.

[3] 楊繼華，嚴國萍. 基于嵌入式Linux與S3C2410平臺的視頻采集[J]. 單片機與嵌入式系統應用, 2004，11(3)：52-56.

[4] 王澤兵，楊朝暉. 彩色圖像分割技術研究[J].電視技術，2005, 26(4):20-24.

[5] Sollins K. The TFTP Protocol[J].Massachusetts Institute of Technology, 1980,1(37):155-159.

[6] 閆敬文. 數字圖像處理技術與圖像圖形學基本教程[M].北京:科學出版社，2002：76-78.

[7] 王福利. 一種基于HLS的快速圖像分割算法[J]. 電子世界，2012,21(9):15-17.

[8] 宋冠群. 基于FPGA的色度空間轉換設計[J].電子測量技術，2007，30(1):39-41.

[9] 杜娟，李文鋒. 基于金字塔連接算法的彩色圖像分割[J].武漢理工大學學報, 2006,28(1):112-114.

[10] 楊朝霞，逯峰.圖像處理中RGB與HLS之間的轉換[J].現代計算機,1998,7(7):38-40.

[11] 周維,陳默.基于S3C2410的ARM開發平臺[J].電子技術, 2004，7(31)：4-7.

[12] 張洋，王健.基于Intel PXA255平臺的網絡攝像機設計[J].單片機與嵌入式系統應用，2004,12(23):76-79.