基于分布式集群的无人值守监控系统研究
来源:用户上传
作者:
摘 要：随着监控摄像头数量的几何式增加，传统的仅依靠人工实时观看监控信息已力不能及。无人值守系统是一种不需要大量人工干预的智能监控系统，它可以自动检测视频中目标，并通过报警的方式提醒工作人员。系统通过运动目标检测、目标定位、Hash图像匹配、人脸识别等功能实现无人值守。服务器采用分布式集群架构设计，实时完成前端智能摄像头传送特征参数到后台进行匹配的任务。最后，也简单设计了无人值守监控系统的数据库。
关键词：无人值守 分布式集群 智能监控 数据库
中图分类号：TP277 文献标识码：A 文章编号：1672-3791（2019）11（c）-0013-04
自平安城市项目和3111工程项目建设以来，我国的视频监控系统得到了快速发展。在2010—2017年期间，我国视频监控市场规模从242亿元增长到1124亿元，年均复合增长率达24.53%，其中上海世博会期间，浦东城区高清监控覆盖项目就投资达10亿元人民币，共设有10000多个监控点。但是，大量视频监控点的架设，相应地也产生了海量数据，如果要从海量的数据中人工筛选出有用信息，必然消耗大量人力，并且研究表明，人在盯着视频画面仅仅22min之后，人眼对视频画面里95%以上的活动信息视而不见[1]。无人值守监控系统是一种不需大量人员干预的智能视频监控系统，其已经成为智能监控系统的研究热点。
当前，无人值守监控系统的主要研究内容包括：（1）视频中无人认领可疑物品的检测报警;（2）对视频中人流量的自动检测报警;（3）对禁区内人和物品进入的检测报警;（4）对视频中移动物体的检测识别和比对，发现可疑对象报警;（5）对视频中个体的行为动作识别，发现危险可疑行为自动报警等。其中，前三类智能视频监控系统易于实现且研究已较为成熟;第五类智能视频监控系统不仅涉及图像处理知识，更多涉及人工智能领域相关知识，且目前相关研究进展较为缓慢，还有待进一步深入研究。而该文无人值守监控系统设计是针对上述第四类智能视频监控系统。
系统将整个智能监控任务拆分为视频实时监控部分、信息录入部分和特征匹配部分。其中视频实时监控部分完成视频目标检测、目标定位、Hash值计算、人脸特征提取等工作;信息录入部分是基于MVC设计模式实现嫌疑人信息录入;特征匹配部分主要完成视频监控部分传来的特征数据与数据库中需检测的嫌疑人进行匹配。
1 分布式集群架构
前端智能摄像头提取到人脸特征值，会将这些特征值发送到后台服务器进行特征匹配，当大量摄像头都给服务器发送特征值进行匹配时，后台服务器的数据运算量也就会急剧增加，单个服务器很难满足这种数据处理的需求。
分布式集群是指一组可协同工作服务器所组成的系统，它可以很好地解决海量数据处理的问题。分布式可以理解将一个业务拆分成多个子业务，服务器对这些任务并行处理，每个子业务可以进行通信。集群是将这些服务部署到多台服务器上，每个服务器称之为集群节点，每个节点提供相同的服务，通过负载均衡服务器来调度每个节点的负载情况。并且，集群系统还具有可拓展性，可扩展性主要体现在集群中可实时加入新的服务器提升系统整体的性能。通过分布式集群架构，将视频分析算法应用到分布式集群上，利用无数个集群节点实现对视频任务的并行处理，进而满足实时视频监控的需要[2]。
2 视频实时监控
视频实时监控部分是由各个智能监控摄像头完成运动目标检测、目标定位、目标Hash值计算和人脸特征提取等任务并实时向特征匹配部分发送相关特征值进行匹配。
2.1 運动目标检测
运动目标检测即是从视频里提取画面中的运动目标，获取目标在画面中的位置、范围信息，它是无人值守监控系统的基础。运动目标检测算法有很多，这里简单介绍其中一种——背景差分法。
背景差分法适用于固定监控范围的摄像头，它是将视频当前帧同背景参考帧做差，提取差分图像，在此基础上再选取合适的阈值对差分图像进行二值化，继而获取前景运动目标。背景差分法主要分为3个步骤：首先，是如何获取视频中当前背景图像。目前来说，获取背景图像方法有很多，其中的根本是截取一段连续视频，统计这段视频内所有背景帧与前景帧，根据背景帧与前景帧分布上的差异，从而得到背景图像。其次，二值化图像获取前景目标。这个过程主要是使用当前帧减去背景帧，设定阈值，提取出运动目标。最后，背景的自适应更新。背景更新的目的是为了适应环境和光照等因素而造成背景的变化，对背景实时更新，继而更准确地提取运动目标。
2.2 人脸特征提取及识别
人脸特征提取是指从监控画面中检测出人脸，然后将人脸信息量化而提取特征，人脸特征提取之后将数据传送到信息匹配模块，与录入数据库中的人脸进行比对，而后完成人脸识别。
人脸检测作为人脸识别的第一环节，它的目标是找出视频图像中所有的人脸对应的位置，算法的输出是人脸外接矩形在图像中的坐标。文献[3]中将人脸检测算法分为了4类：（1）基于知识的方法，它将典型的人脸形成规则库对人脸进行编码，并通过面部特征之间的关系进行人脸定位;（2）特征不变方法，该算法的目的是在姿态、视角或光照条件改变的情况下找到稳定的特征，然后使用这些特征确定人脸;（3）模板匹配方法，存储几种标准的人脸模式，用来分别描述整个人脸和面部特征，然后计算输入图像和存储的模式间的相互关系并用于检测;（4）基于外观的方法，与模板匹配方法相反，从训练图像集中进行学习从而获得模型，并将这些模型用于检测。
人脸识别过程主要是指将视频中实时检测的人脸目标同系统数据库中人脸根据相似度进行分类比对的过程。人脸识别过程主要可以分为1∶1识别和1∶N识别。其中1∶1识别是指将现有的人脸图像同数据中对应的该人人像进行比对，辨认是否为同一人的过程;而1∶N识别是人脸图像与数据库中已有全部的人像进行比对的过程，是众里寻一的过程。当然也可以是客户端录入一个人脸特征信息，与前端众多智能摄像头各自提取的人脸特征数据比对。1∶N的人脸辨认过程较1∶1的人脸确认过程困难得多，因为1∶N的人脸比对过程往往需要海量的数据比对过程。 2.3 图像Hash值匹配
无人值守中另一个功能是图像匹配，它的应用也很广泛，如在一个监控画面中发现目标，截取这个画面在监控系统中匹配查询，最终获取目标所在位置信息。
图像匹配的算法有很多，其中Hash图像匹配是众多图像匹配算法的一种，这类算法的原理都是通过图片进行处理，去除图片中的高频信息，通过低频轮廓信息生成图片Hash值，再通过图片Hash值汉明距离来刻画图片的相似程度。
3 系统数据库设计
根据数据库设计的相关原理及方法，无人值守监控系统的实体包括公安机关、摄像头、嫌疑人、监控截图、人脸等实体对象，其中公安机关与摄像头及嫌疑人之间存在信息录入联系，摄像头与监控截图及人脸之间存在监控联系，而监控截图及人脸实体为嫌疑人的特征。无人值守系统中涉及实体及实体间联系可由图1加以描述。
根据图1刻画的无人值守监控系统的实体关系图，结合数据库设计相关原理，设计无人值守系统数据库表见表1～表7。
4 系统整体设计
无人值守监控系统整体设计为分布式集群系统。系统将整个智能监控任务拆分为视频实时监控部分、信息录入部分和特征匹配部分。其中视频实时监控部分是由各个智能监控摄像头完成对不同场景视频背景的自适应、目标定位、目标Hash值计算和人脸特征提取等任务并实时向特征匹配部分发送相关特征值进行匹配;而信息录入部分是基于MVC设计模式实现嫌疑人信息录入，其中视图模块包括录入机关登陆、嫌疑人身份录入、监控截图上传、监控人脸截图上传等功能;信息上传后，模型模块对上传的图像进行Hash计算并识别人脸特征，最终将需监控的嫌疑人相关信息录入系统数据库并通知特征匹配部分读取新嫌疑人信息;特征匹配部分主要完成从视频监控部分传来的运动目标相关特征值等同数据库中需监测嫌疑人相关特征值进行比对，当监測出与嫌疑目标有相似特征时，通过传来数据包的IP和MAC地址在数据库中查找出相应探头以实现对嫌疑人行踪的实时定位。无人值守系统整体设计如图2所示。
5 结语
该文从整体架构上对无人值守监控系统进行了阐述，分布式集群架构能很好地解决特征实时匹配的问题，前端智能摄像头提取特征数据再传送到后台，也减轻了服务器的负荷，对无人值守监控系统的设计具有借鉴意义。
参考文献
[1] Wojek C，Dollár P，sSchiele b，et al p.Pedestrian Detection：An Evaluation of the State of the Art[J].IEEE Pattern analysis and machine intelligence，2012，34（4）：743-761.
[2] 陈权.基于分布式集群的多摄像头的目标检测和跟踪的并行算法[D].南京理工大学，2015.
[3] 赵丽红，刘纪红，徐心和.人脸检测方法综述[J].计算机应用研究，2004（9）：1-4.
[4] 黄凯奇，陈晓棠，康运锋，等.智能视频监控技术综述[J].计算机学报，2015，38（6）：1093-1118.
转载注明来源:https://www.xzbu.com/8/view-15111303.htm
