视频识别论文神经网络论文
摘要：监狱视频监控系统中视频监控、识别、智能报警等形成一个整体并实现联动，真正形成报警系统的整体解决方案。该文拟在具体监狱实际情况和视频图像识别技术的基础上，对基于神经网络分类器和智能终端在监狱报警系统中的应用研究，重点研究了基于bp神经网络的视频图像识别方法。通过实现监狱监控、识别和智能报警一体化，降低了监管人员工作负荷，提高监狱科学管理水平，从而保证监狱安全，减少越狱等恶性事件发生，提高对犯人的监督和改造效果。
关键词：视频识别；报警系统；神经网络；视觉识别 prison video identification alarm system research and implementation
yin xiang-bing1,2, wang hong-qun1,2
(1.hefei university of technology, hefei 230009, china; 2 anhui officer vocational college, information management department, hefei 230031, china)
abstract: prison video surveillance system video surveillance, identification, intelligent alarm linkage to form a whole and to achieve real alarm system to form a total solution. this paper intends to actual
conditions in specific prisons and video image recognition technology, based on neural network classifiers based on intelligent terminals and alarm in the prison system in applied research, focusing on a video based on bp neural network image recognition. through the realization of prison monitoring, identification and intelligent alarm integration, reducing the regulatory staff workload, improve the scientific management of the prison to ensure prison safety and reduce escape vicious incident, improve the supervision of prisoners and the effect of reconstruction.
key words: video identification; alarm system; neural network; visual identity
监狱监区属于高危场所，必须使报警信息能及时有效的发出，确保险情尽早尽快地发现，针对监狱安全防范工作的要求，报警系统设备组成、系统架构、视频识别、智能报警等是其重要内容。
本系统利用基于神经网络技术和视频图像识别技术应用于监狱监控系统。本可以长时间连续运转，更充分的利用现代网络技术，实现信息共享。在安全防范管理的基础上，
结合了监狱的监管功能模块，节省了大量的人力物力，提高监狱安全管理水平和工作效率[1]。
1 视屏识别监控系统的总体结构
监狱视频识别报警系统的基本结构框架如图1。 视屏识别监控系统采用的是典型基于b/s模式结构，由屏幕墙的视频数据硬件处理模块、报警信息发送模块、ip网络，以及客户端数据发送模块和报警功能模块组成。
视频监控中心视频数据硬件处理模块采用dvr主机实现采集图像/视频信号，并进行实时保存，利用bp神经网络进行视频流数据识别，对异常信号实现现场报警和利用短信猫发布短信通知。通过主控端镜头控制，达到监控现场目的。
客户端数据发送模块通过摄像头或红外射线获取现场实时数据，传输给各个终端主机最终存储至监控中心。服务器运行，各终端主机启实施监听和现场监控。当发现异常信号，服务器开始向客户端发送信号报警[2]。
2 系统硬件模块构成
整个系统软件采用监狱监控、识别和智能报警一体化管理模式，将监狱中的视频监控、识别、报警、gsm短消息服务模块等进行统一管理，实现各个功能模块之间的联动，使整个管理功能强大。为了满足监狱数字化建设的要求确保监狱安防系统的先进性和安全性，系统提供了dvr主机视频设
备和报警控制设备等几类硬件设备[3]。
1）监控中心dvr主机。它既承担录像功能，又承担了识别子系统中的数据的采集、存储和处理，同时，可以将数据生成各类报表直接打印出来。
2）报警设备。报警设备包括报警主机和前端报警器以及手机报警。
3）前端设备模块。其一，手机模块。手机模块是报警系统的核心器件之一内容，基本作用是接受服务器端短信猫发送的异常信号。其二，前端视频设备。在本系统中的前端设备建议配备日夜转换一体摄像机，另外，为了保证本系统前端视频设备的清晰度，为每一个摄像机配备防护罩。
3 系统软件模块构成
服务器端管理软件可以对系统中前端视频设备采集得到数据直接存储到后台数据库，并进行相应处理。服务器端屏幕墙可以实时监控系统中所有院墙周围的当前状态，通过短信猫和报警器实时反馈监测到得异常信号。服务器端管理软件将视频信号抓拍、录像和识别，并及时报警，整体模块有机结合使整个系统中的各个子系统相互联动。系统构成图如图2。
1）视频图像处理模块：根据视频采集，通过微软公司提供的directshow连接摄像头，部分函数代码如下：
bool connectfilters(void) { hresult hr = s_ok; static int i =0; //连接监视filter
hr|=mgraphbuilder->renderstream(&pin_category_preview,&mediatype_video,mvideoinputfilters->getfilter(),pgrabbase,null);
//连接抓取filter
hr |= mgraphbuilder->renderstream(null, null,null,null,pmux);
hr |=
mgraph->mvideowindow->put_autoshow(oafalse);//显示帧
if( failed( hr ) )
{ afxmessagebox(\"can't build the graph\"); return false;}
return true;} 获取视频序列图像，大多数图像上有许多孤立的噪声点，因此在对获取图像进行特征采用、分割之前，需要消除图像序列中噪声的干扰和图像质量的退化。一般情况下，图
像滤波在图像预处理中起着至关重要的作用。本系统运用适合自己的滤波方法，即二维中值滤波[4]。滤波后，可以使用该图像进行建模。通过高斯背景建模方法等到背景图像。
再利用建模后的背景图像和帧间差分的方法，再有人通过背景后，可以将人从背景图像中分割出来。识别模块的主要目标就是将移动物体从背景图像中分割出来，以便进行下一步目标特征提取。
2）目标特征提取：通过识别模块，我们可以得到目标区域。考虑到实时性的要求，本系统只提取运动区域的面积、长度、高度、占空比、体态比、上区灰度、下区灰度和全区灰度这8个特征值。运动参数不适合用来作为特征值，因为运动目标速度的不稳定性和速度方向的随机性会导致神经网络的振荡地收敛或者无法收敛。而且，前面所述的这些特征值对于某些模式不一定都是本质特征值 [5]。
3）神经网络模式识别模块：本系统是基于神经网络模式识别理论所建立的跟踪系统。其主要思想是：利用神经网络具有非线性逼近函数和存储记忆能力的强大功能，对训练特征向量集合进行学习训练，得到稳定收敛的网络，最后对实时采集的特征向量进行识别，实现系统功能。
第一步，通过mod算法，在跟踪的过程中提取上述8个特征值，并保存为特定单模式的文件，以便后期处理。通过
采集可以设置所要采集的特征集合个数，即模式的个数以及各个模式的特征向量个数；
第二步，通过对系统所采集到的训练特征值集合进行自组织特征映射，得到一个二维空间拓扑阵列。该特征阵列的特点是具有相似特征的向量会聚集在几何位置相邻的空间。这样，就可以得到初始的特征聚类阵列。在学习之前，可以随时改变学习的各种参数，以达到最佳的聚类效果。最后，可以对二维阵列进行保存备份；
第三步，通过最简单的聚类方法——学习k均值聚类，对上述的特征向量进行聚类于一定数目的模式。接着，通过分析这些模式特征向量之间的方差，按方差的大小进行特征值的排列，可以指定特征向量的维数或者方差的阈值自动选择特征值，也可以通过观察各个特征值的方差进行人工选择。最后，进行输入和输出特征向量的构建，作为bp网络的输入，并保存为文件；
第三步，进行bp网络的参数设置，以提高网络的收敛性能。可以设置输入和输出的特征值的维数；设置收敛控制参数，选择是否动态改变学习率，选择是顺序训练还是随机训练；设置各种训练，如权值级别、步长系数、稳定系数、误差阈值、最大迭代次数、隐层单元个数、力求使网络简单又能实现模式识别；
第四步，进行网络的训练，在训练过程中可以动态的显示误差收敛曲线、误差值和迭代次数，而且可以控制网络中途停止训练。通过观察误差收敛曲线图，可以直接判断该网络是否收敛。在一定的条件下，只要不断的进行特征的不同组合的选择，同时适时改变训练参数，网络总可以达到满意的收敛效果。最后得到权值网络，并保存为文件，作为全自动模式识别的核心模块；
第五步，选择已训练好的网络，进行全自动模式识别跟踪。跟踪过程中当前帧分别用数字显示识别出的模式类别号。当遇到网络输出层都小于某个阈值时，就判断是新的目标模式，将其编上一个特殊的列别号。
在得到训练网络之后，只要知道输入模式的特征值，就可以判断该特征向量属于哪个模式。如果有多个特征向量，可以分别求出它们的模式类别，即可以识别出不同的目标。这样要跟踪哪些目标，只要预先知道它们是属于哪个模式，就非常容易进行跟踪。因此，要实现神经网络模式识别，关键技术是权值网络的训练。在全自动模式识别跟踪之前，必须进行权值网路的训练（若其权值网络不存在）。
4）系统集成识别、报警模块
视频识别报警系统拥有的主要智能分析功能有[6]： ① 目标识别：目标识别是智能化分析的前提，利用最
新的视频图像分析识别技术，准确无误的识别画面中的各个目标，包括人的识别，动物的识别等各种运动在监狱围墙上的物体识别。
② 连续穿越双警戒线：当罪犯或者其他物体越过了规定的警戒线一，则视为行为发生，但不构成报警条件，此时不会产生报警。若停留在警戒线一段允许时间内，再次穿越警戒线二时，则发生危险行为，引起双警戒线报警。使用穿越警戒线报警情况来检查翻越围墙的动作。
③ 出现识别：出现识别是指犯罪分子和一些物体出现在警戒线范围内，被认定为事物呈现出现识别，动作发生。出现识别是针对摄像机指定区域产生的分析识别，出现识别强调物体突然出现在特定区域。
④ 弃置识别：当画面中某人从监狱围墙周围丢下一物体，都会产生弃置识别事件。在日常管理中，有不明身份的人向监狱围墙内丢弃物体时，则触发了弃置识别事件。狱警第一时间发现不明物体，能及时赶往现场排除物体。
⑤ 场景变化识别：当摄像头被转动位置时，场景发生变化，智能化分析设备能够自动捕获这类行为。比如当产生爆炸等情况，视频的光亮度异常自强，场景变化识别足以对该情景进行报警。
⑥ 滞留识别：当某人在某个区域内一定时间内逗留不
走，将产生一个滞留识别事件。当围墙等重要场所有人进行逗留，来回徘徊，智能视频处理器则会对该类行为进行分析，产生报警。
5） 系统运行过程
在视频识别过程中，简单对获取图像与神经网络分类器识别系统进行比较，一般难以实现分类识别功能。因为，此种方法一般只能得到物体的外形，获取物体外形在图像处理中仅仅反映物体的大概轮廓，仅有这一点是无法识别具体物体，更难对监控过程中运动中的目标作出正确有效的判断的。所以，我们要采用图像序列和一些经验性的缺省规则来加以判断[7]。视频识别系统的一般流程程序如下。该程序流程中采用若干规则粗略地判断监控目标的属性[8]。
①系统运行后，全天候采集和保存各个监控点数据，并随时读取各摄像头监控获取大的图像和录像。
②随时计算各监控点监控图形图像结果和参考图形图像结果的差值。根据差值分析，当某阈值大于当前图形图像与参考图形图像的最大灰度差值，表示此监控范围内没有异常情况发生。
③实际图像与标准图像的最大灰度差值大于某另一个阈值，则通常可能结果为一般外形轮廓，转为其他识别模块，可以做进一步分析。反之，若实际图形图像与标准图形图像
的最大灰度差值介于两个阈值之间时，则可能为异常情况，进入非法入侵对象识别模块。
④确认非法入侵对象后，视频识别报警系统启动，手机模块启动，特定人员捕获信息，并网络保存数据，以备日后参考。
⑤完成报警，系统复位。 6） 系统运行结果与分析
本系统实现跟踪一个特定用户的目标，实现运动区域特征参数的检测与提取。本系统提取运动区域的长、宽、面积、占空比、体态比、上区灰度、下区灰度和全区灰度这8个特征值，每一种模式跟踪采集20帧，生成20个特征向量，确定3种模式类别（特征向量共60个）。从这些特征向量中抽取结果，构成向量集合，作为自组织特征映射网络的输入。由聚类学习得到二维拓扑空间阵列，经过k均值聚类自组织学习，通过对中心向量的研究，实现特征的选择，得到bp网络的输入特征向量和目标特征向量。
①bp算法系统模型算法性能分析
本系统利用bp算法是对特征向量展开网络训练，另对所得到的特征向量检测其是否可以分类得到各种模式，本系统分别选择上述6种特征值中较大的数据进行训练，发现此种情况能够使网络稳定收敛；若使用全部8个特征值数据训
练，发现不收敛。根据实验数据的研究，特征向量和各种训练参数值是网络快速稳定地收敛的重要因此。
②实验结果及性能分析
本文实验所用计算机的主频为 2.0 ghz， 内存为 512 mb，像采集设备为普通摄像头，采集图像的大小为 352×288。户图像经处理后将转化为鼠标控制信号实现对计算机的控，实验中系统的视觉处理部分速度可以达到 15 帧/s。实验为人体通过和猫狗通过识别正确率。
人体和猫、狗分别通过监控摄像头50次，实验结果如表1。
由于考虑运动物体的正确识别率，所以选择测试数据的特征向量和各种训练参数值直接影响到bp网络的收敛性要稳定。对特征向量进行特征选择等要求构成本系统的必备的功能单元，其中，特征的选择和训练参数的设置是本系统的重要内容。因此，本系统产生到个别误差应该来自于特征提取过程中所产生的误差。
6 结束语
视频识别报警系统通过服务器端视频监控、运用bp神经网络完成识别、通过智能终端实现报警等形成一个整体模块，真正实现报警系统的整体功能。基于此类技术基础上研制出来的视频识别报警系统是一套基于图像处理、模式识别
和计算机多媒体等技术于一体互动系统。
参考文献：
[1] 王玉夫,监狱数字视频监控报警系统概述[j].中国公共安全,2009(08).
[2] 赵雪明,安防一体化在金库监控中的应用[j].金卡工程,2004(11):29-31.
[3] 周小四,用于监控职能报警系统的图像识别技术[j].上海交通大学学报,2002,36(4).
[4] 韩力群.人工神经网络理论、设计及应用[m].化学工业出版社,2007:48-49.
[5] 沈凤龙,毕娟.基于多神经网络分类器的汽车车型识别方法研究[j].辽东学院学报:自然科学版,2007,14(3):135-138.
[6] 段文娟.bp神经网络应用于高等学校顾客满意度测评的研究[j].辽东学院学报:自然科学版,2008,15(2):90-93.
[7] 伏思华,张小虎.基于序列图像的运动目标实时检测方法[j].光学技术,2004,30(2):215-217.
[8] 蒋薇薇,基于gsm的小区智能报警系统[j].仪器仪表学报,2005,26(8).
