基于OpenCV的家庭入侵檢測系統

張清華，林 勇，溫陽東

（合肥工業大學 電氣自動化工程學院，合肥 230009）

0 引言

監控系統能夠為家居環境的安全提供一個重要保障。一個監視系統包括進行圖像采集的攝像頭和負責進行流媒體處理的服務器。通過結合計算機視覺的方法，能夠對捕獲的視頻進行智能檢測，如自動車輛監控[1]、行人檢測[2]。同樣，在家庭環境中，通過監控系統提供智能化的功能，在特定的情況下能夠實現對環境動態的監視。通過對視頻的圖像幀的分析自動的得出運算結果，并自動執行相應的任務，以代替人工的干預和監測行為。

文中對嵌入式系統的設計考慮到了家庭環境和設備資源的局限性。系統識別每個視頻幀中是否有人體的存在。為了識別人體的存在，系統集成了HoG特征和Haar-like功能的算法[3]。當入侵檢測模塊處于工作狀態時，在正常情況下，本地不存在任何人，如果存在，將被確認為入侵者。這里的入侵者指的是人，其他任何移動的物體，如寵物將被忽視，但系統仍然能夠感知到他們的存在。

在視頻監控領域已經有較多的研究，但大多數的設計自動化程度并不高，如遠程視頻監視配合紅外熱能傳感器監測、超聲波傳感器檢測入侵者。如果這些外圍傳感器檢測到入侵信號，相機會被用來捕捉瞬間影像。本文設計的監控系統采用了基于圖像差分的運動檢測方法[4]，實現了通知、報警、保存事件圖像等有效的操作。圖像差值可以通過計算不同像素的數目來確定，當這個數字超過預定值時，系統將其識別為運動事件。本文同時考慮了由于外界環境的變化如正常的光線強度變化，引起的監測失誤的情況。該系統采用物聯網[5]提供的遠程監控基礎平臺。

1 系統整體結構

1.1 硬件構成

系統硬件的基本組成：1）控制器，為一個嵌入式Linux板。目前該系統采用樹莓派開發板作為控制器平臺；2）攝像頭，視頻采集裝置，系統測試使用普通的網絡攝像頭；3）以太網網卡，它為該系統提供了TCP/IP連接，使這個該設備捕獲的視頻幀能夠傳輸到網絡上。它還提供了監控系統應用的可訪問性；4）存儲介質，負責視頻幀的存儲。

1.2 軟件構造

系統軟件的組件采用面向事件和服務的體系結構，具體采用Java模塊化設計。同時采用Python程序實現管理外圍元件的輸入和輸出。圖1從軟件架構的角度描述了服務的組件。有兩個重要的計算機視覺算法被用來檢測入侵者。為降低開發難度，系統集成了OpenCV開發環境[6]。

2 系統工作流程

系統基本構造包含一個嵌入式Linux板和一個通用串行總線（USB）存儲介質。一個普通的攝像頭通過USB端口連接到板上作為一個視頻捕獲設備。系統實現

圖1 應用軟件結構圖

的拓撲結構如圖2所示。

圖2 監控系統拓撲結構

在實際環境中，監控系統應放置在安全位置，以實現圖2所示星型拓撲結構，攝像頭模塊分布在家中各處，控制器需要一些時間來檢測所有的鏡頭并采取必要的預警措施。采用外部輸入按鈕啟動入侵者檢測功能，為了這個目的，采用一個通用輸入輸出（General Purpose Input Output，GPIO）引腳作為輸入源。其他的GPIO引腳用來驅動外部設備進行各種活動，如打開照明開關。

在基于ARM架構的32位芯片上使用OpenCV，需要在主機平臺上編譯該庫，同時也需要在控制器上配置Java運行環境（Java Run Time Environment，JRE），最后，為了優化系統性能和最大限度地利用中央處理單元，對未使用的Linux服務[7]，如日志記錄服務進行裁剪。

圖3 系統初始化流程圖

2.1 系統初始化

在系統啟動階段，使用相應的系統服務調用應用程序軟件。當應用程序啟動后，它初始化外設GPIO引腳，檢查是否有任何視頻輸入設備連接到系統中。如創建一個視頻設備，應用軟件讀取設備信息并保存為xml文件格式。此外，它檢查備份存儲介質，如果發現，將其掛載到預定義的位置，然后創建一個可寫目錄。

在啟動階段，操作系統通過網絡時間協議（Network Time Protocol，NTP）初始化當前日期和時間。當網絡無法連接到外部服務器時，可以使用代替的解決方案，手動設置日期、時間和時區。系統軟件架構支持USB連接攝像頭模塊，在啟動或者啟動階段結束時，系統為每個攝像頭模塊啟動專用線程[8]，以捕獲視頻幀。除了視頻捕獲線程，在結束設備初始化階段后對USB端口連接狀態進行偵聽，以觀測USB連接的生命周期，初始化流程圖如圖3所示。

2.2 圖像采集

攝像頭模塊首先讀取設備配置文件。使用有效配置信息，系統應用程序開始記錄每個設備捕獲的視頻幀。在捕獲每個視頻幀之前，每個相機模塊系統都會在系統啟動階段創建一個獨立的目錄，目錄名稱對應配置文件中的相機名稱。在該階段系統只檢查設備的可訪問性、讀取調用請求。如果此設備讀取請求調用返回成功，則將相關配置視為有效配置。除此之外，配置文件還包含一個鍵值數據庫表單。表1描述了一個模型配置文件結構。在應用的生命周期，如果應用軟件未能讀取任何設備，軟件生成系統警報信息，并產生相應的事件通知。

表1 攝像頭設備模型配置

2.3 入侵檢測

入侵的檢測是一個很具有價值的研究領域，具有很廣泛的用途。通過比較身體形狀可以從圖像中識別出人；上下文匹配是用來比較形狀的算法之一。然而通過評價特定的形狀來定義人是很困難的，由于人的姿勢不同，人站著的形狀不同于坐著的形狀。有一些研究已經采取了改進的檢測模型，如頭部輪廓檢測。利用HoG特征和支持向量機（Support Vector Machine，SVM）[9]有效地提升檢測的性能。該方法考慮檢測對象的特征在于由局部強度梯度或邊緣方向的分布。將圖像分為小的方格和空間區域的小窗口，包含局部一維梯度方向直方圖。支持向量機的計算復雜度高，但OpenCV提供了訓練支持向量機，減少了訓練階段的開支。

OpenCV默認的HoG實施已經過測試，當類似人的形狀存在于低對比度和分辨率圖像時容易產生錯誤的檢測，如圖4所示，圖4(a)原始圖像包含類人型的形狀以進行對比，圖4(b)出現錯誤的檢測信息，圖4(c)采用HoG相關方法，能夠消除檢測的錯誤，圖4(d)對真實人物能夠正確的檢測，相關因素變化大于0.02。為了提高系統的可靠性，對圖像的內容和強度偏差使用相關性的方法。對于每個攝像頭模塊，需要提供一個參考圖像，它代表預定義的環境和照明條件。該參考圖像應在正常的環境照明條件下進行，并應確保圖中沒有人的存在，以供系統確定光照強度和圖像內容的變化。每個對象反射由成像設備捕獲的光量以在二維平面再現圖像。

圖4 入侵者檢測方法仿真

另一方面，當環境光強度降低時，同一物體反射的光量減少。同樣，當光照強度增加時，物體反射光的量不同，圖像質量也隨之增加。圖像特征，如邊緣或角點變得更清晰，如圖5所示為光線強度變化時圖像像素的變化。HoG特征是通過計算圖像局部區域的梯度方向直方圖來獲取的。因此，如果圖像特征變得更加明顯，HoG特征檢測和SVM分類器可以得出更好的結果。綜上所述，當開啟入侵檢測時，將當前圖像幀的直方圖與參考圖像直方圖進行比較。

圖5 光線強度對像素的影響

系統同時使用Haar-like特征算法，Haar-like的功能與HoG方法結合的人的檢測方法，通過Haar-like特征的方法來檢測對象。在該系統中，它用來檢測人臉特征。OpenCV提供了一個可以訓練的正面人臉檢測分類器[10]。為了避開分類器的訓練階段以及降低計算成本，系統使用已實現的OpenCV的一個功能，Haar-like特征的級聯分類器。對于每個捕獲的視頻幀，該方法用于確定人臉的存在，如果檢測到則產生報警。在某些情況下，如電源故障、光源故障或攝像頭被覆蓋，當前圖像幀變得無效，通過HoG特征檢測能夠識別無效的圖像幀。無效圖像指當前圖像幀的圖像內容和光照強度發生顯著變化。通過HoG特征檢測能夠識別，如果相關系數低于0.70，系統將認為它是一個巨大變化的光強度或內容，即使沒有入侵者檢測也會生成系統報警，如圖6所示。

圖6 光線強度發生顯著變化時的檢測結果

【】【】

3 實驗結果討論

使用HoG特征算法對人體的檢測方法進行了測試。根據觀測，當光照強度降低時、發生變化時，系統會產生誤報。為了降低出錯的概率，在進行HoG特征匹配時，如果沒有觀察到偏差，則丟棄當前檢測的圖像。如圖7所示，當圖像的分辨率增加時[11]，錯誤檢測會消失。可知在有足夠的光照強度和相機分辨率時將產生更好的結果。考慮光照強度和圖像本身的變化，對HoG特征比較，在理想的情況下參考圖像等于當前圖像幀相，關系數約為1，當圖像光強變化為亮到暗時，相關系數降低，當低于0.7時考慮為顯著變化。

圖7 比較不同分辨率的檢測結果

性能測試觀察到采用頻率為900MHz的四核ARM芯片的嵌入式Linux平臺，當檢測尺寸為640×480的圖片時，整個過程需要1.22秒來檢測人體的存在。

4 結束語

該系統的主要目標是實現一個嵌入式監控[12]系統的體系結構，能夠支持入侵檢測。通過整合計算機視覺算法，已經實現該項功能。影響系統性能的兩個重要因素一是光強，二是相機模塊，高分辨率攝像頭是系統設計的首選。

系統軟件已經提供了必要的服務構件，實現了監控系統的基本功能。通過對核心架構的擴展可以提供如Web控制臺、報警服務、短消息服務、語音消息和電子郵件等廣泛應用于智能家居領域的通知接口，以增強當前系統的通知發送機制。

[1]VIOLA P, JONES M J. Robust real-time face detection[J].International journal of computer version,2004,57(2):137-154.

[2]DALAL N，TRIGG S B. Histograms of oriented gradients for human detection[A].In Proc.IEEE CVPR[C].2005,886-893.

[3]向征,譚恒良,馬爭鳴.改進的HOG和Gabor、LBP性能比較[J].計算機輔助設計與圖形學學報,2012,24(6):787-792.

[4]GOULD S.DARWIN:a framework for machine learning and computer vision research and development[J].Journal of Machine Learning Research,2012,13(12):3499-3503.

[5]劉曉克,孫燮華,周永霞.基于新Haar-like特征的多角度人臉檢測[J].計算機工程,2009,35(19):195-197.

[6]YANG M H,KRIEGMAN D J,AHUJA N.Detecting faces in images: A survey[J].IEEE transactions on pattern analysis and machine intelligence,2002,24(1):34-58.

[7]葉林,陳岳林,林景亮.基于HOG的行人快速檢測[J].計算機工程,2010(22):206-207.

[8]郭烈,王榮本,張明恒,金立生.基于Adaboost算法的行人檢測方法[J].計算機工程,2008(3):202-204.

[9]王進花,曹潔,李宇.一種基于特征融合的點特征目標跟蹤算法[J].電子測量與儀器學報,2010,24(6):536-541.

[10]TREFNY J,MATAS J.Extended set of local binary patterns for rapid object detection[A].Proceedings of the Computer Vision Winter Workshop.Nove Hrady,Czech Republic: Czech Pattern Recognition Society[C].2010:1589-1596.

[11]FAWCETT T.An introduction to ROC analysis[J].PatternRecognition Letters,2006,27(8):861-874.

[12]汪亞明.基于動態圖像序列的自動扶梯客流量的測量[J].測試技術學報,2012,16(1):14-16.