基于對象識別的智能化監所監控方法

文|朱杰王晶杜婉音張輝柴變芳吳樹芳

基于對象識別的智能化監所監控方法

文|朱杰1王晶1杜婉音1張輝2柴變芳2吳樹芳3,4

監獄是關押和改造犯罪人員的場所，對在押犯人行為的監控是保障監獄安全必不可少的管理手段。我國各地的監獄一般都建立了模擬閉路電視監控系統來監控犯人的行為。由于模擬閉路電視監控系統的錄像只能簡單的記錄下場景信息，并不能夠對視頻進行實時的分析。由此可見，發現突發事件只能依靠值班獄警的注意力，除此之外，如果物體移動速度較快且光線不夠充足，單純的依靠人眼的判斷無法準確迅速的判斷出移動物體的身份。本文依賴于圖像處理領域的對象識別技術來捕獲對象信息，并且根據提取的特征來判斷對象身份。文中提出的利用智能化的圖像視頻分析技術來解決視頻監控的問題的方法，對監獄安全有著比較大的現實意義。

信息社會環境下，大力推進監獄信息化建設，不僅是一項實現科技強警、科技興監的戰略偉大工程，而且也是促進監獄依法、規范、公正、文明執法的重要保障。如何在不增加警力的情況下，提高對于監所的監控管理的能效率已成為迫切要求。傳統的視頻監控系統并不能夠對視頻進行實時的分析。依靠人工監控的方式就更難于及時發現并解決問題。

智能視頻監控技術的出現，實現了監控方式由被動到主動的轉變，能夠實現全天候不間斷地對視頻進行檢測，自動發現監控畫面中的異常情況，從而能夠更加有效地協助工作人員處理危機，并最大限度地降低誤報和漏報現象，能夠滿足監獄安防系統對于安全的要求。

本文提出了一種基于顯著性圖的對象識別分類方法，首先算法要自適應的學習監所內干警和犯人的衣著、外形等特征。然后，提出一種能夠對于光線明暗比較魯棒的顯著性圖構造方法。接下來要自適應的學習出各種行為動作的安全性。最后把顯著性圖提取出的對象區域與自適應學到的各種行為動作做比對并進行安全性檢測。

張俊芳在分析智能視頻監控技術的基礎上，探討了其在監獄中的具體應用。尹向兵，提出在監獄實際情況和視頻圖像識別技術的基礎上，利用神經網絡分類器和智能終端而實現的基于BP神經網絡的視頻圖像識別方法。張蕾程智能苴控系統主要是通過采用圈像處理、模式識別和計算機視覺技術，采取在監控系統中增加視頻分析模塊的方式。再輔助計算機強大的數據處理能力過濾掉視頻畫面無用的或干擾信息.自動識別不同物體，實現了集中控制和集中管理。張棉好提出雙模式高斯混合模型，即分開建構開、關燈環境的背景高斯混臺模式，并由檢測感應式照明設施的開、關燈切換高斯模式。結果表明雙模式可較好地對近紅外線視頻圖像中人體目標進行檢測。

智能化識別方法

3.1特征提取

圖像的特征分為三種即底層特征、中級特征和高級特征。為了獲取對象區域，我們首先要提取圖像的底層特征即像素級特征。為了區分對象身份，我們需要首先進行有監督的訓練，我們在視頻中截取1000幅干警的圖像，然后再截取1000幅犯人的圖像，用以指導以后的特征選取。由于干警的衣著體貌特征等與犯人不同，我們可以判斷出每種像素顏色對應的像素的重要性。可以利用互信息或者TF-IDF來進行計算。

3.2構造顯著性圖

文中我們改進了由Goferman等人提出的算法，我們對圖像進行了預處理，首先判斷了對象的身份，即提取圖像中各種關鍵顏色的比率。比如：我們通過之前特征提取部分的有監督學習得到了警服的主要顏色和犯人服裝的顏色。如果發現圖像中某種顏色的比率變化比較明顯，證明當前圖像中的對象是有著響應的身份。其次，我們用對圖像中像素進行加權。用顏色的重要性進行加權，此方法可以有效的提高顯著性圖的效果。為了解決圖像中光線不足的問題，我們引入了Color Name (CN)和HUE兩種顏色。

3.3動作的自適應學習

在3.1中我們提到，我們提取1000幅干警的圖像和1000幅犯人的圖像，并且圖像中包括各種正常的和所有非正常的動作，并配以時間標簽。比如：開車的動作，在白天是允許的，但是夜間是不允許的。稀疏編碼有非常強的去噪能力，我們可以利用稀疏編碼去掉眼鏡等裝飾物，更清晰的反應對象的真實情況。

3.3動作識別

基于視覺的人體動作識別要解決的主要問題是通過計算機對傳感器(攝像機)采集的原始圖像或圖像序列數據進行處理和分析，學習并理解其中人的動作和行為。一般在運動檢測、特征提取的基礎之上，通過分析獲得人體運動模式，建立視頻內容和動作類型描述之間的映射關系，以使計算機能夠“看”視頻或“理解”視頻。本文中我們主要討論的是人體的靜態特征。