基于改進神經網絡的智能校園監控系統研究

鄧傳國

摘要：研究了改進神經網絡在智能校園監控中的應用。針對夜間校園監控過程，使用區域亮度分析方法實現圖像質量的有效增強。為提高校園監控的適應性，完成了混合高斯背景模型的構建。高校校園圖像信息通過監控視頻完成采集和預處理過程后，采用改進神經網絡完成所需圖像閾值的計算，然后對監控圖像的邊緣輪廓特征量進行提取，將據此獲取的閾值作為信息輸入實現監控圖像處理過程，得出異常特征量以保證校園環境的安全，圖像處理及監控過程具有延時短、實時性強、智能水平高的優勢。為智能高校校園的安全管理提供參考。

關鍵詞：校園監控;改進神經網絡;視頻圖像處理;混合高斯背景模型

中圖分類號：TP183

文獻標志碼：A

ResearchonIntelligentCampusMonitoringby

UsingImprovedNeuralNetworkSystem

DENGChuanguo

（

DepartmentofArchitectureandMunicipalEngineering，HefeiIndustrialSchool，Hefei230000，China

）

Abstract：Thispapermainlystudiestheapplicationofimprovedneuralnetworkinintelligentcampusmonitoring.Thenighttimecampusmonitoringimageachieveseffectiveimagequalityenhancementthroughtheuseofregionalbrightnessanalysismethod.Inordertoimprovetheadaptabilityofcampusmonitoring，ahybridGaussianmodeliscompleted.Afterthecampusimageinformationiscollectedandpreprocessedbythemonitoringvideo，theimprovedneuralnetworkisusedtocompletethecalculationoftherequiredimagethreshold，andthentheedgecontourfeaturequantityofthemonitoringimageisextracted，andthethresholdobtained.Theinformationinputrealizesthemonitoringimageprocessingprocess，andtheabnormalfeaturequantityisobtainedtoensurethesafetyofthecampusenvironment.Theimageprocessingandmonitoringprocesshavetheadvantagesofshortdelay，strongrealtimeandhighintelligencelevel.Itmayprovideareferenceforthesecuritymanagementofsmartcampuses.

Keywords：campusmonitoring;improvedneuralnetwork;videoimageprocessing;mixedGaussianbackgroundmodel

0引言

隨著我國教育事業的發展，高校建設規模及招生人數不斷增加，高校師生日常學習生活面臨的不安定因素隨之提升，高校校園內的安全管理受到社會廣泛關注，對以校園內部區域環境為主的校園安全管理提出了更高的要求，促使校園安全防范管理發生了顯著的變化（包括技術、模式、措施等）。視頻監控系統已成為高校普遍使用的監控手段，不斷發展和完善的智能視頻分析系統已經在各高校發揮一定的職能功效，為校園安全提供更好的保障。高校通過構建視頻監控管理平臺在節省人力財力物力的同時，能夠對校園內人員及大范圍事物進行實時監控預防意外事件的發生，有效彌補了人防、物防的不足，幫助校園安全管理人員實現不良行為的及時發現和減少突發事件，是確保在校人員生命財產安全的有效手段[1]。

1現狀分析

視頻監控技術隨著安防技術的不斷深入研究而得到了快速的提升，展現出了較高的市場價值，對智能視頻監控圖像處理領域的研究也不斷深入，并已經取得了一定的研究成果，例如，對智能視頻監控下的多目標跟蹤技術的應用研究，從多目標跟蹤技術應用現狀出發，在對目標陰影關照和顏色特征進行分析的基礎上，完成了基于多目標跟蹤技術的監控過程。該方法簡便高效易操作，但存在監控目標跟蹤準確率較低的問題[3];針對海面圖像實現基于監控目標區域提取的監控方法，完成灰度化和高斯濾波后，在獲取圖像全部邊緣點集的基礎上（使用Canny邊緣檢測方法完成），將最大有效度的直線從中選取出來作為海天線，據此完成海天線區域的確定。借助該方法顯著降低了監控運動目標（如檢測、跟蹤、避障）的時間以及誤檢概率。但較為復雜的應用過程限制了該方法的應用范圍[4];一種多視角視頻監控系統實現了對運動目標的有效跟蹤，通過將高清攝像機同系統前端FPGA模塊相連完成對視頻的收集和初級處理操作，再使用GPU服務器完成更高級的處理過程，從而使在多攝像機間連續跟蹤目標功能得以實現。該系統顯著提高了目標跟蹤準確率，但對復雜環境的適應能力較差[5]。在現有研究基礎上，本文完成了基于改進神經網絡的校園監控的設計，并詳細研究和分析實現智能化視頻監控的算法和關鍵技術，以期提高校園視頻監控的智能化應用水平。

2監控運動目標閾值計算

隨著視頻監控技術在各行業的廣泛使用，視頻監控技術為高校校園安防系統提供了及時支撐，對視頻監控領域的研究不斷深入，在高校校園內應用視頻監控技術是提升校園智能化管理水平的有效手段，滿足校園環境安全管理的需求，這也順應了當前高新科技主流發展趨勢。為滿足校園安全管理對校園監控不斷提高的需求，本文主要對智能校園監控方法進行了研究，在校園安全防范中應用網絡計算機的基礎上，通過智能視頻分析系統的構建以確保異常環境及行為等能夠被及時準確的發現（包括協助破解更多的校園案件），從而在確保學生安全的同時提供一個和諧舒適的學習環境?？紤]到傳統網絡化的視頻監控系統是目前校園普遍使用的視頻監控模式，數字化及智能化水平有待進一步提高，本文所構建的智能校園監控方法結合運用先進的互聯網技術及改進神經網絡實現了對校園整體高效的監督管理過程，通過監控圖像質量的增強提高了該方法對環境的適應能力。對運動目標通過圖像閾值的計算實現對其邊緣的有效檢測，進而據此識別出異常行為特征，有效提升了對異常行為判斷的準確率及校園夜間監控效果，進一步提升了校園安全管理的信息化、制度化、智能化水平。

2.1夜間監控圖像質量的增強

目前校園視頻監控大多離不開人工輔助，需配置安保人員以確保校園監控的正常使用，通常需要長時間通過監控畫面捕捉異常，提升了人力成本的同時降低了對校園的監管效率，此外單純的視頻監控技術對環境光線的要求較高，導致受到夜間光線昏暗的影響對夜間的視頻監控效果較差，不利于異常行為及環境的及時發現，降低了監控系統對夜間異常行為檢測的精準度。本文主要通過RGB圖像到HSI空間的轉換實現圖像增強效果，通過建立起同R、G、B間的計算關系獲取HSI中的三個分量，如式（1）。

H=

θ，如果B≤G

360°-θ，如果B>G

θ=arccos12（R-G）+（R-B）（R-G）2+（R-B）（G-B）12

（1）

S=1-3R+G+Bmin（R，G，B）

I=1/3（R+G+B）

在獲取HSI3個分量的基礎上，采取自適應選擇的方法確定相應圖像尺度參數，首先需完成圖像在HSI空間中的區域劃分，假設圖像背景強度由I（x，y）表示，m、n、r表示權值，圖像的漸變率即梯度閾值由G（x，y）表示，在圖片對角線中四鄰域組成的集合由L表示，針對圖像背景區域亮度，通過對鄰域像素進行加權求平均計算獲取，如式（2）。

I（x，y）=m∑Lf（x，y）+n∑Lf（x，y）+rf（x，y）4（m+n）+r

（2）

由Id表示圖像像素的最大差值，為了完成對圖像的兩度區域的有效劃分，Id的計算表達如式（3）。

Id=1026max（f（x，y））-min（f（x，y））1026-min（f（x，y））

（3）

在H的區域范圍在[0°，120°]之間時，R、G、B的計算如式（4）[4]。

R=I1+ScosHcos（60°-H）

B=I（1-S）

（4）

G=3I-（B+R）

在H的區域范圍在[120°，240°]之間時，R、G、B的計算如式（5）。

R=I（1-S）

G=I1+Scos（H-120°）cos（180°-H）

（5）

B=3I-（G+R）

在H的區域范圍在[240°，360°]之間時，R、G、B的計算如式（6）。

R=3I-（G+B）

G=I（1-S）

（6）

B=I1+Scos（H-240°）cos（360°-H）

2.2高斯模型

更新參數是高斯模型的基本操作，高斯分布的方差及均值在模型能夠匹配像素值的情況下的計算如式（7）[5]。

μi，t=μi，t-1+β（Xt-μi，t-1）

σ2i，t=σ2i，t-1+β[（xt-μi，t）T（xt-μi，t）-σ2i，t-1]

（7）

本文所設計的高校校園視頻監控方法是在傳統神經網絡的基礎上進行改進，并完成了調整改進神經網絡權值方法的設計，具體權值的調整表達式如下（對應t+1時刻）[6]如式（8）。

W（t+1）=W（t）-signE（t）W如果ΔtE（t）W≠0

0如果E（t）W=0

（8）

以迭代的梯度方向為依據，權值在迭代連續兩次保持相同梯度方向的情況下會增加更新值，并且不改變權值的調整方向。假設更新值由Δt表示，且mc的取值范圍在（0，1）間，則針對Δt的調整如式（9）。

α×（1-mc）×Δ（t-1）+mc×Δ（t-1）

（9）

假設，I（i，j）和I（k，l）均表示像素，I（i，j）和I（k，l）的質量分別由Mi，j和mk，l表示（對應圖像領域中的灰度值），在I（i，j）的附近某個像素I（k，l）對其產生的作用力由i，j，k，l表示，并且此處的i，j，k，l有大小和方向，位于其附近的鄰域由Ω表示（m×n），則I（i，j）附近全部像素點所帶來力的大小如式（10）[7]。

i，j，k，l=Gmi，jmk，l3

（10）

本文方法在對閾值圖像的邊緣進行計算時主要通過使用拋物線方式完成，具體計算表達式如（11），將閾值計算過程劃分成對應區域分別為（0，50]、（50，200）、[200，255]的三個分段函數如式（11）。

g（x）=

-0.009545x2+30，0

-0.000641x2+0.162794x+1.62554，50

-0.017493x2+8.921283x，1087，463557，200≤x≤255

（11）

3監控圖像異常特征的獲取

3.1采集與預處理

假設，采集到的圖像

由σi表示其邊緣像素集，圖像譜特征分量由G（x，y，σi）表示，

針對監控視覺通過信息融合方法的使用實現信息融合迭代的描述如式（12）。

Sgif（x，y）=-log（Pif（x，y）+G（x，y，σi））

（12）

然后以視覺特征傳感信息采集結果為依據，將降噪處理過程通過使用小波特征分解方法完成，所獲取的小波系數表達式如式（13）[7]。

η=ηij：（i，j）∈S，ηij∈S

（13）

再通過使用LBF對圖像進行噪聲濾波處理，在視覺監控信息輸出時所對應的高頻特征分量如式（14）。

=argminL（η），Rx=1k∑Kk=1xkxHk

（14）

在獲取圖像濾波結果的基礎上對圖像做進一步處理，主要通過自適應降噪及融合處理使提取異常特征的能力得以顯著提高。

3.2監控圖像運動特征提取

完成監控視頻圖像的有效采集后，采用向量量化特征分解方法對圖像進行分解，再通過灰度素分解和均衡控制方法的綜合使用實現對應圖像的仿射不變矩記的獲取。針對視覺監控圖像，假設，其高階統

計量由xp表示，輪廓的長度由yq表示，如式（15）[8]。

mpq=∑Mm=1

∑Nn=1xpyqf（x，y）

（15）

本文方法通過對監控對象的邊緣輪廓特征量進行提取實現視覺監控能力的進一步提高，據此獲取的基元函數（指改進神經網絡）如式（16）。

P（X=x|Y=y）=Z-1exp-U（x|y）

（16）

接下來對圖像進行分割處理，得到由Gm，n（m=1，2，…，M;n=1，2，…，N）表示的子塊共M×N個（2×2），通過正則化分解方法的使用實現監控中異常特征量的獲取，如式（17）。

Gm，n=gm，n（1，1）gm，n（1，2）

gm，n（2，1）gm，n（2，2）

（17）

圖像邊緣輪廓及異常特征點經過上述操作后即可有效提取出來，以所獲取的特征量作為輸入實現識別監控圖像異常特征過程，最終實現對整個校園的安全監控過程。

4仿真實驗及結果分析

通過仿真實驗驗證本文所設計的基于改進神經網絡的智能高校校園監控系統及方法的實用性和穩定性，具體仿真環境和參數設定為：采集頻率為12kHz，寄存器容量為1200kbit，采用長度為1024的監控信息幀，系統運行速度范圍在（15ns，20ns）間。對異常行為檢測性能進行實驗，將本文方法獲取的圖像同真實拍攝的視頻圖進行對比，實驗結果表明傳統單一視頻監控方法雖能檢測出行人個體，但對行人異常行為的檢測準確率較低、檢測結果誤差較大，本文方法則能夠將圖像中的異常行為準確檢測并標記出來，顯著提高了監控效率，驗證了方法檢測異常行為功能的有效性。針對夜間監控圖像增強效果，采用上述方法進行相應處理后所獲取的包括圖像均值、對比度、方差、熵在內的實驗參數如表1所示。

結果表明圖像的主要參數均得以顯著提高，證明了圖像經該方法處理后在顯著增加了亮度明的同時更好的突出了細節信息，具有較高的適用性，采用區域亮度分析方法增強了夜間監控圖像的質量，彌補了傳統方法的不足[9]。為進一步測試改方法的性能進行了監控的實時性實驗，對比文獻[3]、[4]、[5]及本文方法的實驗結果，具體如圖1所示。

文獻[3]中的方法具有較大的延時變化幅度（最高可達0.53ms），文獻[5]中方法的監控延時同樣相對較高。文獻[4]中方法的延時（范圍在0.28ms0.32ms間）隨著監控次數的不斷增加而呈現出上下浮動的現象即缺乏穩定性，并且其實時性不夠理想。而本文方法的延時在監控次數的不斷增多時延時數值變化穩定（一直保持在0.1ms以下），驗證了本文方法具有較高的實時性和實用價值，為智慧高校校園的建設奠定基礎。

5總結

快速發展的科學技術為視頻圖像處理領域提供了技術支撐，隨著人們對校園安全的重視程度不斷提高，目前校園所采用的傳統視頻監控方法的智能水平較低，大多存在適應性較差、難以對異常行為進行準確判斷等問題，為有效解決目前校園監控方法中存在的問題，本文提出了一種智能高校校園監控方法，該方法基于改進神經網絡，仿真實驗結果證明了本文監控方法的有效性及對監控環境良好的適應性，在顯著提升了對校園圖像監控質量的同時，能夠準確判斷出校園內行人異常行為，具有較高的實際應用價值。

參考文獻

[1]

趙彥，許常青，鄧小龍，等.基于OneNet云平臺的智慧平安校園遠程監控系統[J].電訊技術，2018（9）：11031107.

[2]陳天恒，楊曉靜，王偉力，等.基于蟻群算法的變電站視頻監控聯動方案優化設計[J].電力系統保護與控制，2018（2）：134139.

[3]左陽，司建軍.智能視頻監控下的多目標跟蹤技術探討[J].科技展望，2016（13）：152153.

[4]孫茂芬，盧道華，李忠國.海上監控圖像的海天線及其目標區域提取[J].機械工程師，2016（2）：8992.

[5]徐海剛，李朋偉.智能視頻監控系統中多視角目標跟蹤研究與FPGA實現[J].現代電子技術，2016（17）：611.

[6]杜麗娟，路曉亞.視頻監控中多視角目標智能定位追蹤方法研究[J].科學技術與工程，2017（16）：270274.

[7]RexYuxingDu，WagnerAKamakura.Improvingthestatisticalperformanceoftrackingstudiesbasedonrepeatedcrosssectionswithprimarydynamicfactoranalysis[J].InternationalJournalofResearchinMarketing，2016：94112.

[8]劉智旸，馬婭婕，余湧.基于Android和RaspberryPi的遠距離視頻監控系統的設計[J].現代電子技術，2017（7）：1215.

[9]邵振峰，蔡家駿，王中元，等.面向智能監控攝像頭的監控視頻大數據分析處理[J].電子與信息學報，2017（5）：11161122.

（收稿日期：2019.07.18）