基于深度學習的監控圖像信息目標檢測系統設計

倪金卉

(吉林建筑科技學院,吉林 長春 130114)

0 引言

數字化理解輸入到計算機中的圖像是計算機視覺中的一部分,利用該原理可以快速模擬人類的識別視角,完成目標檢測。 深度學習技術是ML(Machine Learning)發展中的一部分,與實際的人工智能目標有著密切的關系。 因此,深度學習可以根據樣本數據的實際狀態,采集并識別獲取樣本中的關鍵信息,分析采集到的關鍵信息[1-3]。 深度學習是一種較復雜的算法,但因其在實際應用中的識別效果較好,且分析效率較高,被廣泛地應用在數字化圖像處理及檢測中。 本文基于深度學習設計了監控圖像信息目標檢測系統。

1 硬件設計

1.1 數字信號處理器

首先,DSP 數字信號處理器可以根據實際信號中蘊含的邏輯單元設置控制器,并將各個采集模塊采集到的信息集中在一個模塊中;其次,在內部設置符合數字信號處理需求的處理算法,實現簡單且高效的數字信號處理[4-6]。 傳統的NMOS 處理器的功耗較大且成本較高,不滿足本文設計系統的實際運算需求,因此本文使用三代DSP 處理器。 該處理器可以將常用的處理模塊集中在同一個芯片內部,這樣不僅減少了實際處理功耗,還降低了處理成本。 在DSP 信號處理器調試過程中,可以加入CMOS,設置運算芯片,提高信號處理器的處理速度,保證監控圖像信息目標檢測系統的檢測效率。

1.2 CCD 圖像采集器

監控圖像信息目標檢測系統中最重要的就是監控圖像的采集,因此可以使用含有ASS6552 芯片的CCD圖像采集器采集監控圖像信息。 在CCD 圖像采集器工作過程中,首先,要利用前端的數字信號處理器進行圖像信息解碼;其次,使用CCD 器件進行衛星MOS 轉換。當CCD 圖像采集器中的傳感芯片感光后,可以立即形成光照信號電流,完成監控圖像信息的采集。 本系統使用Composite Video Broadcast Signal 進行拍攝信息轉換,保證采集圖像的質量。 在圖像采集器內部,還設置了ASS6552 解碼芯片,起到模數轉換的作用,因為該芯片具有高速數字處理作用。 在該芯片內部,含有9 位CVB 信號處理通道,可以隨時處理前端采集到的數字化圖像信息。 為了增加實際圖像處理的效率,ASS6552解碼芯片額外設置了自動控制模塊,不僅可以自動進行濾波解碼,還能將PLASECAM 等格式轉換成系統實際所需的形式,實時進行數據信號的切換。 除此之外,ASS6552 解碼芯片還含有4 個A/D 轉換器,提高了分辨頻率,增加了監控圖像信息采集的準確度。

1.3 TMSDM642 儲存器

本設計的監控圖像信息目標檢測系統中的數據交互量較大,為了確保系統的實際圖像信息檢測效率,需保證其能夠及時處理調用產生的檢測信息,因此本設計的目標檢測系統設計了TMSDM642 儲存器。 該儲存器內部含有微小的中央處理元件并使用指定的EMIF接口與監控圖像采集器進行連接,微小的中央處理元件可以及時控制TMSDM642 儲存器內部的狀態,保證其可以根據需求進行數據的處理和調用,因此該處理器內部包含幾個差異性功能單元。

TMSDM642 儲存器內部設置了寄存模塊,根據實際信息的狀態設置特異性Veloci 架構。 TMSDM642 儲存器內部可以儲存超過64 位的圖像處理數據,并額外添加了相關的功能單元,使用儲存器內部的數據轉換通道可以實現數據的多方向訪問和轉換,提高了整個系統的運行效率。 TMSDM642 儲存器內部還設置了延遲時鐘,避免CPU 中相關數據載入產生的數據地址驅動變換問題。

2 軟件設計

2.1 采集監控圖像目標檢測信息

監控圖像目標信息檢測最關鍵是要采集監控圖像信息,因此本文設計的模塊通過數據標注及篩選實現監控圖像目標信息的采集,以數據驅動作為基本驅動原則,根據實際監控需求可以設置正確的監控圖像目標檢測信息采集算法。 首先,配置圖像目標檢測信息采集算法的實際圖像訓練集,利用labelling 作為綜合處理工具;其次,利用Python 對相關的采集QT 進行初步開發,將圖像信息轉化成xml 格式的文件;最后,利用PASCAL VOC 進行數據采集格式轉換,配置編譯源碼,實現監控圖像目標檢測信息的初步采集。 初步監控圖像信息采集完畢后需要進行數據預處理,初始圖像數據可能會由于采集效果不同出現白化效果,因此可以進行歸一化裁剪進行處理。 除此之外,由于數據之間存在測試訓練差異性,可以利用Faster-CNN 框架與相關的數據傳輸接口相連。 如果存在冗余的數據需要進行數據打包,保證數據處理的高效性,還可以利用lmdb快速引擎進行key-xalue 接口處理,降低leveldb 的內部消耗,增加了圖像處理的效率。

2.2 基于深度學習構建監控圖像訓練框架

利用深度學習可以劃分樣本的實際層次,對圖像樣本進行綜合分析處理從而構建高效的圖像訓練框架,因此可以基于Fast-RCNN 深度學習訓練模型構建監控圖像的訓練框架,如圖1 所示。

圖1 監控圖像訓練框架

由圖1 可知,整個監控訓練框架由利用C++語言進行綜合開發,并使用python 進行綜合封裝,依賴Matlab 進行綜合實現。 根據C++架構可以實現Matlab與Python 的綜合轉換,整個框架的組件可以用執行與調用來表示并通過Memory 實現數據的交互,應用過程中可以利用shape_進行blob 維度儲存,data_進行數據內轉換。 因此,blob 往往呈多維配置,但在blob 應用過程中還應避免其存在維度受限問題。 整個訓練可用loss 進行數據的反傳,并使用blobProto 進行數據序列轉換SGD,AdaDelta,AdaGrad,Adam,Nesterov,RMSProp都是模型相關caffe 的正確優化措施,其綜合優化式如公式(1)所示。

公式(1)中,a代表數據轉換系數,e代表優化指數。 應用該公式可以計算訓練指標,實現Forward Backward 函數與其他監控函數之間的交互轉換,保證監控圖像信息的訓練效果。

2.3 設計功能模塊

本系統的功能模塊較復雜:首先是系統的登錄注冊模塊。 用戶在第一次登錄后需要進行注冊,輸入驗證并輸入正確的密碼后才能完成初次登錄。 本系統還添加了信息儲存功能,即用戶的信息可以在本地保存,方便用戶的二次登錄。 其次是監控圖像的檢測模塊。在系統應用中心可以進行監控圖像選定,并實時上傳到處理中心,進行終端檢測并處理。 成功獲取檢測結果后,再將監測數據與客戶端進行解析,并繪制出矩形框,實現監控圖像信息的實時監測。

檢測記錄模塊是實現監控圖像信息目標檢測的重要模塊,不僅可以根據從服務端返回的檢測結果進行數據更正并保存,還可以及時處理錯誤的檢測信息并進行記錄,避免信息不準確對目標檢測結果造成的影響。 圖像標注模塊可以對復雜的監控圖像及時標注。

2.4 實現監控圖像信息目標檢測

本文利用creator 對整個系統的QT 界面進行綜合開發,保證其可以與標準的數據庫及檢測中心實時交互,因此設計界面中需要包含檢測快捷鍵、網絡配置文件及數據模型處理參數,方便后續的可視化檢驗。 本文使用C++框架開發初始的圖像界面,利用creator 進行QT 庫的擴展及開發,實現SDK 的綜合設計。 為了實現系統的綜合初始化功能在數據讀取后可以構建string model_file_path,string prototxt_file_path,float confidence,完成模型網絡的初始化,實現監控圖像信息目標檢測系統的綜合功能,保證系統界面有效性。

3 平臺測試

為了檢測本文設計的系統檢測性能,本研究搭建了系統測試平臺,在指定的環境下進行系統測試。

3.1 測試準備

為了保證系統測試的測試效果,本測試選取GTX5665 作為系統測試平臺,系統的客戶端需要提前進行部署,保證用戶測試的準確性,測試CPU 使用E5-54-5441。 根據初始狀態下測試平臺的實際空間占用情況配置測試的監控圖像,針對系統的實際情況選取了實際監控圖像,如表1 所示。

表1 測試圖像

由表1 可知,在圖像上傳完畢后即可進行圖像訓練,設計的圖像訓練集可分為PASCAL VOC2020,City Scapes 及 Pattern Analysis Statical Modeling and Computational Learning。 利用設計的深度學習算法進行圖像分割及檢測,根據上述的訓練結果在NVIDIA Tesla環境中進行后續的系統測試。

3.2 測試結果與討論

根據上述的測試圖像置信度,將全部數據集中的數據圖像劃分為A～J10 個不同的類型,分別使用本文設計的監控圖像信息目標檢測系統和傳統的圖像信息目標檢測系統進行系統測試,檢測兩者檢測識別的時間差異,測試結果如表2 所示。

由表2 可知,在相同狀況下對不同類型圖像樣本進行檢測時,設計的圖像信息目標檢測系統的檢測識別耗時始終較短,證明設計的檢測系統的性能較好。

表2 系統測試結果

4 結語

綜上所述,隨著計算機技術與圖像技術的發展,計算機視覺技術的應用范圍越來越廣泛,及時對監控到的圖像信息進行檢測不僅可以提高數字化圖像的處理效率,還能擴大計算機技術的應用范圍。 本文利用深度學習設計了監控圖像信息目標檢測系統,進行系統測試。 結果表明,設計的圖像信息目標檢測系統的檢測性能良好,耗時較短,具有一定的應用價值。