面向校園安全的視頻區(qū)域入侵檢測算法

向翼凌，何 偉

1.武漢工程大學(xué)科技處，湖北 武漢 430205；

2.閩江學(xué)院經(jīng)濟管理學(xué)院，福建 福州 350108

近年來，高校校園的安全問題日益嚴(yán)峻，例如2015年著“學(xué)生裝”大盜流竄12省專偷高校財產(chǎn)，盜竊200多臺電腦；2018年1月，復(fù)旦大學(xué)一男生因醉酒在清華大學(xué)校園內(nèi)溺水身亡。種種事件表明，校園安全問題仍不容忽視。為了保障學(xué)生的人身安全，視頻監(jiān)控系統(tǒng)被廣泛地應(yīng)用到校園中。為了保證良好的高校教學(xué)、科研氛圍，特別是保障良好的治安環(huán)境，在高校校園建立綜合安全防范系統(tǒng)是十分必要的。而安防監(jiān)控系統(tǒng)作為校園安全管理的重要技術(shù)手段，對預(yù)防校園內(nèi)發(fā)生財產(chǎn)的損失，減少、避免安全事故以及違法犯罪案件的發(fā)生等各種校園內(nèi)的不安全因素發(fā)揮著重要的作用［1］。

視頻監(jiān)控技術(shù)的廣泛應(yīng)用為大學(xué)生的安全防范方法提供了新的解決思路，快速準(zhǔn)確的判斷依賴于大學(xué)生安全防范的風(fēng)險預(yù)警模式的準(zhǔn)確識別，具體包括數(shù)據(jù)收集系統(tǒng)、信息分析和預(yù)測系統(tǒng)、決策報警系統(tǒng)等功能模塊的建構(gòu)和整合［2-3］。高校可以通過建立起涵蓋學(xué)生作息習(xí)慣、網(wǎng)絡(luò)言論、生理原因、興趣愛好、校園生活、人際關(guān)系等要素的指標(biāo)體系、權(quán)重，運用現(xiàn)代化物聯(lián)網(wǎng)在線監(jiān)測技術(shù)［4］與數(shù)據(jù)挖掘技術(shù)［5］，可以實時反饋學(xué)生個體行為，提高分析預(yù)測群體安全風(fēng)險水平等級的精準(zhǔn)度，實現(xiàn)對在校學(xué)生的精準(zhǔn)多元動態(tài)監(jiān)測。我國高校現(xiàn)有的大學(xué)生安全管理體系遠(yuǎn)未對此技術(shù)帶來的改變有高度的認(rèn)識，分散的多方面安全風(fēng)險仍然存在。就此而言，大數(shù)據(jù)、智能視頻檢測技術(shù)可以視為目前高校實現(xiàn)學(xué)生安全管理工作精細(xì)化的有效手段。

作為保障校園安全重要技術(shù)措施的安防監(jiān)控系統(tǒng)，其監(jiān)控設(shè)備的布局決定了所能采集到的安全狀態(tài)參量的覆蓋范圍，但實際場景中往往受限于監(jiān)控設(shè)備分辨率不高、檢測目標(biāo)距攝像頭較遠(yuǎn)［6］，從而導(dǎo)致最終建立的視頻監(jiān)控系統(tǒng)反映校園不同區(qū)域的風(fēng)險［7］狀態(tài)準(zhǔn)確程度較低。因此，利用現(xiàn)有的校園安防監(jiān)控系統(tǒng)，升級為更精確、高效智能化的安防檢測系統(tǒng)，成為提升校園安全的有效途徑之一。本研究將目標(biāo)運動的連續(xù)性和圖像序列的時空連續(xù)性運用在入侵檢測中，提出一種基于時空約束的改進三幀差分算法，利用圖像序列直接的連續(xù)性與場景空間結(jié)構(gòu)聯(lián)合約束提高檢測性能。

在智能監(jiān)控系統(tǒng)中，入侵檢測［8］在保障人身安全方面取得了巨大的成功，入侵檢測是一項重要的智能識別自動報警技術(shù)。所謂入侵，是用戶根據(jù)自身實際需求，在視頻圖像上添加帶有位置方向的虛擬警戒線。在監(jiān)控視場范圍中，在設(shè)定的區(qū)域內(nèi)，一旦有運動物體進入該區(qū)域，系統(tǒng)會自動觸發(fā)報警信號，提示安保人員關(guān)注并及時處理入侵事件。

從入侵檢測的定義來看，其功能的實現(xiàn)包含了兩個部分：運動目標(biāo)檢測和入侵條件判定［9］。運動目標(biāo)檢測方法是利用背景建模，檢測目標(biāo)的運動情況，在實際情況中，常用的背景建模方法容易受到光照變化和物理環(huán)境的影響。而另一方面，由于現(xiàn)實場景中的三維場景投影到二維平面上造成的檢測區(qū)域偏移也給入侵檢測造成了技術(shù)上的難題。

目前主流的視頻檢測算法有背景建模［10］和Vibe算法［11］等。背景建模方法中最為常用的是混合高斯法，該算法假設(shè)背景像素分布符合高斯分布，而利用多高斯假設(shè)對背景和可能出現(xiàn)的前景目標(biāo)進行建模，因此利用混合高斯特性預(yù)測前景目標(biāo)。和傳統(tǒng)的幀差法相比，混合高斯背景建模方法較為精確的描述的背景信息，但是該類方法計算量大，且依賴于模型的準(zhǔn)確性，在動態(tài)條件下的模型泛化能力不理想。ViBe算法利用像素級特性對背景和前景進行建模，采用隨機更新的策略更新背景模型，該算法相對混合高斯模型更為靈巧和實用。但其本身也具備了一定的局限性，如鬼影、靜止目標(biāo)、復(fù)雜前景和運動目標(biāo)檢測不完整等問題［12］。

1 基于時空聯(lián)合約束的入侵檢測

1.1 區(qū)域繪制

本文主要研究基于OpenCV的視頻區(qū)域檢測算法，提出了利用圖像序列之間的時間和空間拓?fù)浣Y(jié)構(gòu)的約束提高檢測性能。繪制檢測區(qū)域的方法是讓用戶在視頻上直接用鼠標(biāo)繪制“危險區(qū)域”［13］。具體使用的手段是在程序中設(shè)置絆線編號，如圖1所示：完全進入檢測區(qū)域和部分進入檢測區(qū)域的判定條件并不相同。目標(biāo)入侵區(qū)域檢測方法可以分為兩類絆線問題：一種是運動目標(biāo)只有部分進入描繪區(qū)域；另一種是運動目標(biāo)完全進入描繪區(qū)域。將運動目標(biāo)表示為若干個矩形，當(dāng)矩形任意邊界與設(shè)置危險區(qū)域邊界相交，系統(tǒng)立即報警。當(dāng)檢測目標(biāo)進入設(shè)置區(qū)域時需要證明目標(biāo)矩陣任意一條線段在危險區(qū)域邊界的兩側(cè)，即證明線段p1p3和p1p4與線段p2p3和p2p4叉積異號時，運動目標(biāo)入侵“危險區(qū)域”，其中點（x1，y1）為p1，點（x2，y2）為p2，點（x3，y3）為p3，點（x4，y4）為p4。

圖1 運動目標(biāo)進入設(shè)置區(qū)域示意圖：（a）完全進入，（b）部分進入Fig.1 Schematic diagram of moving target invading into the setting region：（a）total entry，（b）partial entry

1.2 基于時空約束的三幀差分法

由于幀間差分法能夠快速檢測出相鄰圖像中的運動目標(biāo)所引起的運動范圍，但是它提取的運動目標(biāo)往往比實際的目標(biāo)要大，通常會出現(xiàn)“陰影”現(xiàn)象，檢測出來的物體是前后兩幀相對變化的部分，無法檢測到重疊部分，導(dǎo)致檢測到的目標(biāo)發(fā)生“空洞”現(xiàn)象［14］。所以在其基礎(chǔ)上人們提出了三幀差分方法，將相鄰的三幀圖像作為一組數(shù)據(jù)進行再差分，能夠較好的檢測出中間幀運動目標(biāo)的形狀輪廓［15］。本文在三幀差分法上增加了時間和地域的約束條件，進一步加強三幀差分法在實際場景中的應(yīng)用。在時域的多幀約束的基礎(chǔ)上，利用繪制預(yù)警區(qū)域在圖像空間中的幾何屬性，時空域的聯(lián)合約束能夠提高入侵檢測算法的精度和實用性。

利用公式（1）分別計算相鄰兩幀圖像插值：

對得到的差值圖像通過選擇合適的閾值τ進行二值化：

在每一個像素點（x，y）將得到的二值圖像邏輯相“與”，得到三幀圖像中間幀的二值圖像：

與混合高斯背景建模、ViBe法相比該方法迭代速度快、程序設(shè)計復(fù)雜度低。其缺點是閾值τ的選取困難，若值過低，選取的該幀圖片背景噪聲過大，容易錯誤檢測運動目標(biāo)；若τ值過高，當(dāng)多個運動目標(biāo)出現(xiàn)在“危險區(qū)域時”容易丟失部分運動目標(biāo)，產(chǎn)生誤檢，τ值的適當(dāng)與否直接影響到檢測效率。針對算法中的閾值選擇問題，研究了兩種典型的應(yīng)用場景：白天和夜晚監(jiān)控場景。白天人流量大，Δt和τ值的選取適宜小，增加時域采樣的間隔，提高精度；另一方面夜晚人流量少，從節(jié)約資源的角度適用較大的參數(shù)，因此本文展示了兩種參數(shù)配置條件下的實驗結(jié)果。

基于時空約束的三幀差分算法應(yīng)用于實際場景時，將入侵檢測分為兩大類時域：一種為白天檢測，若有目標(biāo)運動到所設(shè)危險區(qū)域內(nèi)，系統(tǒng)不會立刻報警，會發(fā)出提示讓觀測人員警惕，當(dāng)目標(biāo)在區(qū)域內(nèi)停滯不前且停留時間過長，系統(tǒng)立刻報警；另外一種是夜晚檢測，無論目標(biāo)怎么運動，只要入侵“危險區(qū)域”，系統(tǒng)立刻報警（見圖2）。在警報準(zhǔn)確率的基礎(chǔ)上引入了虛警率、漏警率這兩個概念，更好地評判本算法的效率值。假設(shè)共有T個警報的正例，F(xiàn)個未警報的負(fù)例，經(jīng)過警報確認(rèn)后有Tt個系統(tǒng)警報且人為評判為正例，F(xiàn)t個系統(tǒng)警報且人為評判為負(fù)例，則Tt+Ft=T；有Ff個系統(tǒng)未警報且人為評判為負(fù)例，Tf系統(tǒng)未警報且人為評判為正例，則Ff+Tf=F。準(zhǔn)確率、虛警率、漏警率公式如下：

圖2 基于時空約束的入侵檢測流程圖Fig.2 Flowchart of intrusion detection algorithm by spatio-temporal constraints

引入時空聯(lián)合約束后有效的降低了系統(tǒng)的虛警率，對比其他算法三幀差分法檢測背景圖像不累計、更新速度快、算法計算量小，克服了對運動目標(biāo)檢測區(qū)域過大、模糊的缺陷。

2 實驗部分

實驗分為兩個時段進行檢測，白天時段三幀差分法設(shè)置的參數(shù)如下：τ值為10；夜晚時間段參數(shù)τ值為12。在計算機學(xué)院大樓入口選擇不同的區(qū)域進行檢測，拍攝視頻使用的器材是：kinect2.0，SOMITA三腳架。可在視頻圖像上繪制任意幾何形狀“危險區(qū)域”，當(dāng)校內(nèi)行人穿越設(shè)置區(qū)域時，以此來模擬“入侵”事件。當(dāng)目標(biāo)經(jīng)過區(qū)域時，如果與區(qū)域產(chǎn)生交集則算作一次入侵，如圖3所示。此次實驗繪制檢測區(qū)域形狀為三角形，視頻錄制時段為白天下午2點，晚上10點。

白天，定義學(xué)校池塘為危險區(qū)域，當(dāng)有行人“入侵”池塘?xí)r間過長，為了防止意外發(fā)生，默認(rèn)為目標(biāo)有危險及時報警。在白天實驗測試的基礎(chǔ)上，基于時空約束增加了晚上不同時段相同區(qū)域檢測的實驗，晚上當(dāng)有行人“入侵”池塘區(qū)域，系統(tǒng)因監(jiān)控背景幀間變化不大以免超時誤報即刻報警。晚上課后還定義學(xué)院入口大門為“危險區(qū)域”，當(dāng)學(xué)生下課走出學(xué)院與系統(tǒng)設(shè)定絆線方向規(guī)則一致時，系統(tǒng)不會報警，若檢測目標(biāo)運動方向與規(guī)則不一致則隨即報警，防止閑雜人員進入。本系統(tǒng)應(yīng)用的校園環(huán)境并不復(fù)雜，主要檢測目標(biāo)是行人，當(dāng)目標(biāo)運動的標(biāo)識矩陣與設(shè)定區(qū)域的邊線相交時，判定目標(biāo)是否違反方向規(guī)則選擇報警與否。白天實驗結(jié)果如表1所示。

圖3 白天不同區(qū)域檢測Fig.3 Detection in different areas during daytime

表1 不同方法實驗數(shù)據(jù)對比Tab.1 Experimental results from different methods %

實驗數(shù)據(jù)表明，當(dāng)τ值為10時，系統(tǒng)的準(zhǔn)確率最高。基于時空約束的三幀差分法相對于混合高斯背景法、ViBe法、三幀差分法準(zhǔn)確率分別提高了4.5%、2.5%、1.5%；虛警率分別降低了4.6%、2.7%、1.7%；漏警率分別降低了4%、2%、1%。數(shù)據(jù)清晰的表明本算法利用監(jiān)測圖像的兩類時域與場景空間變換的聯(lián)合約束大大提高了入侵檢測效率。在實驗過程中發(fā)現(xiàn)，本方法既不受區(qū)域環(huán)境亮度的影響，也不會因為區(qū)域環(huán)境亮度差異過大而產(chǎn)生誤判。實驗誤差類型漏檢產(chǎn)生的主要原因為幀間目標(biāo)的重疊部分無法明確分割，會誤判為一個目標(biāo)，尤其是在攝像頭放置較遠(yuǎn)、運動目標(biāo)間距小的情況下。

為了測試參數(shù)τ值對識別算法性能的影響，實驗增加了不同取值條件下的準(zhǔn)確率實驗，如圖4所示，可以看出在τ值為10時，算法的識別性能最優(yōu)。在后續(xù)研究中，將對自適應(yīng)取值問題開展進一步研究。

圖4 不同τ值時的準(zhǔn)確率Fig.4 Accuracy at differentτvalues

3 結(jié) 語

本文主要討論基于時空約束的區(qū)域檢測問題，將區(qū)域檢測問題分為不同時間、不同區(qū)域分別討論。“危險”區(qū)域的繪制與入侵的判斷是區(qū)域檢測的首要目標(biāo)。用戶可以自行繪制任意幾何形狀的檢測區(qū)域，通過區(qū)域檢測系統(tǒng)上增加智能分析模塊，分時段、分區(qū)間多方面對運動目標(biāo)進行檢測判定，極大的提高了檢測系統(tǒng)的智能水平。本文采用基于時空約束的三幀差分法，獲取連續(xù)的三幀圖像進行差分，令得到的兩個差分圖像對應(yīng)的像素進行與運算，檢測出運動目標(biāo)以應(yīng)對校園內(nèi)復(fù)雜多變的環(huán)境。實驗表明，本文所提出的算法能夠準(zhǔn)確實現(xiàn)基于時空約束的入侵檢測，降低危險報警的虛警率；該方法已在實際生活中應(yīng)用，效果較好。