智能校园安防监控物联网系统设计
2019-04-04王谨毓
王谨毓
关键词: 智能校园; 安防监控; 物联网; 异常情况; 校园预警; 模板匹配方法
中图分类号: TN99?34 文献标识码: A 文章编号: 1004?373X(2019)06?0051?04
Abstract: The traditional campus security monitoring based on manual patrols has no data analysis and linkage alarm mechanism, and there exists slackness in manual patrols, which greatly reduces the reliability of campus security monitoring. Therefore, an Internet of Things (IoT) system for intelligent campus security monitoring is designed in this paper, which includes the perceptual layer, network and management layer, and application layer. The intelligent video monitoring module is used to monitor the abnormal situations on campus in real time. The obtained abnormal situations are uploaded to the monitoring center, which controls the campus entrance and exit behaviors according to the site conditions by means of the access control management module. In the software design part of the system, the location and scope of the abnormal situations are judged according to the motion detection principle, and the types of the abnormal situations are judged by using the order similarity detection algorithm in combination with the template matching method, so as to realize campus early?warning. The experimental results show that the comprehensive correlation value of the designed system is 0.067 1, and the reliability level of the system is 1, which indicates a high reliability.
Keywords: intelligent campus; security monitoring; Internet of Things; abnormal situation; campus early?warning; template matching method
物联网(Internet of Things),简单来说就是万物相连的互联网。物联网依据射频、红外感应等传感设备将所有事物和互联网相连实现信息交互,其是在计算机、互联网之后出现的世界信息产业发展的第三次浪潮[1?2]。传统校园安防监控方式通常都是人工巡逻,不具备数据分析与联动报警机制,人员与智能机器相比,易出现懈怠,在险情出现时不能及时预警[3],导致校园安防监控的可靠性大大降低。本文为了提高校园安防监控的可靠性,设计智能校园安防监控物联网系统,在系统硬件结构中设计门禁模块和智能视频监控模块,进行校园出入口的进出控制,以及异常情况的实时监测,实验采用物元分析法检测得到本文系统的可靠性等级是1级,说明具备较高的可靠性。
1 智能校园安防监控物联网系统设计
1.1 系统总体结构设计
本文设计的智能校园安防监控物联网系统的总体结构如图1所示。系统分为感知层、网络及管理层以及应用层。应用层中的智能视频监控模块是系统的核心,其将监控到的内容转换成图像信号,上传至监控中心的监视器中,智能视频监控中摄像部分的优劣和图像信息质量同总体系统的监控质量具有较高的关联性[4]。
1.1.1 智能视频监控模块
智能监控模块使用图像处理、模式识别与计算机视觉技术,在监控系统里添加智能视频与视频分析模块,去除视频画面里无效的冗余信息,识别不同类型的物体,该模块的结构如图2所示。本文系统采用的智能视频监控模块是一种可实现事前预警、事中处理、事后实时取证的全自動、全天候、实时监控的智能模块。该模块有效解决了传统校园安防系统仅有“安”而无“防”的弊端,不单可以用于事后调查,还能够根据监控画面里的突发情况实施事前预警,以此提升系统进行视频监控的“防”能力[5?6]。
从图2中可以看出,智能视频监控模块前端部分中的摄像头音频采集装置,用于采集视频图像与音频信号;智能视频音频处理装置是智能视频监控模块的关键部分,可将模拟的视频与音频信号转变成数字信号,经过校园网将数据上传至监控中心,并且实时分析处理视频图像和音频,对各种异常情况实行报警[7]。
1.1.2 门禁模块设计
校园安防监控物联网系统通过门禁模块实现出入管理。系统设计的门禁模块包括RFID卡、RFID读写器、门禁控制与门禁管理4部分[8]。
门禁模块设定在校园里的宿舍、教学楼、办公楼、实验室、校大门等场所。在此类场所的入口与出口安置RFID读写器,教职工与学生需要刷卡才可进出。门禁模块的结构图见图3。
1.2 系统软件设计
系统软件部分设计了系统对异常情况进行识别的方法,采用模板匹配结合运动检测的原理以及序贯相似性检测算法识别监控视频图像。图像识别是模式识别的子类别,一般把图像智能识别过程理解成通过图像的变换、增强、复原等技术对图像进行优化的过程,同时获取有效特征对图像进行识别分类。模板匹配方法是通过已知图像识别模式,在另一幅图像里获取对应图形识别模式的方法。本文采用模板匹配结合运动检测的原理实现图像识别,使用运动检测原理判别出异常情况出现的地理位置和事发范围[9];通过每种已知异常情况设制模板,在前期检测后的区域里进行一一匹配操作,判别异常情况的类别,详细过程如下:通过帧间变化检测技术判别是否出现异常情况和异常情况所属位置。其流程图见图4。
获取异常出现的区域和关键信息后,使用模板匹配判别异常情况的类别[10]。因为系统需要处理的是连续性、大量的视频图像,对处理的精度和自动性要求较高,所以本文系统使用常见的序贯相似性检测算法(SSDA),将每种可能出现的异常情况放在可能出现异常情况的区域里一一匹配,相似性最大的即为异常情况。假定模板[M]是[m×m]的参考图像,检测图像[T]是一个[n×n]的图像,[m
计算每个因素的权值和本文系统综合关联度值,结果见表4。
本文等级设为5种,根据物元分析法的有关原理,若[0≤HjR≤1],则表示本文系统的可靠性等级高。由表4的综合关联度值可知,本文系统的综合关联度[H1R=0.067 1],本文系统整体可靠性等级是1级,可靠性等级是“高”。
3 结 论
本文设计智能校园安防监控物联网系统,在系统硬件结构中设计门禁模块和智能视频监控模块,进行校园出入口的进出控制,以及异常情况的实时监测,其中智能视频监控模块不单可以用于事后调查,还能够根据监控画面里的突发情况进行事前预警,以此提升系统进行视频监控的“防”能力。系统软件通过序贯相似性检测算法结合模板匹配方法判别异常情况的类别。实验采用物元分析法检测得到本文系统的综合关联度值是0.067 1,可靠性等级是1级,具备较高的可靠性。本文系统解决了传统采用人工巡逻的校园安防监控方式存在的智能化水平低、可靠性差的弊端,极大地提高了校园安防监控的智能化水平,为学生的安全提供了可靠的保障。
参考文献
[1] 王畅,孙福明,李漾.基于物联网的多算法智能监护系统研究[J].电子技术应用,2017,43(11):7?10.
WANG Chang, SUN Fuming, LI Yang. Research on multi?algorithm intelligent monitoring system based on the Internet of Things [J]. Application of electronic technique, 2017, 43(11): 7?10.
[2] 黄伟,潘俊宇.分布式光纤预警系统在成品油管道安防中的应用[J].激光技术,2016,40(6):897?901.
HUANG Wei, PAN Junyu. Application of distributed fiber optic warning system in the refined oil pipeline [J]. Laser technology, 2016, 40(6): 897?901.
[3] 张茉莉,李艳霞.基于模式识别的全光纤周界安防系统[J].激光杂志,2017,38(10):65?68.
ZHANG Moli, LI Yanxia. All fiber perimeter security system based on pattern recognition [J]. Laser journal, 2017, 38(10): 65?68.
[4] DEDIEU N, RHONE M, VIGOUROUX R, et al. Assessing the impact of gold mining in headwater streams of Eastern Amazonia using Ephemeroptera assemblages and biological traits [J]. Ecological indicators, 2015, 52: 332?340.
[5] 刘业琦,吴治军,刘昌举,等.一种应用于安防监控的CMOS图像传感器的自动曝光算法研究[J].半导体光电,2017,38(2):283?287.
LIU Yeqi, WU Zhijun, LIU Changju, et al. Study on an auto exposure algorithm applied in CMOS image sensor for security monitoring [J]. Semiconductor optoelectronics, 2017, 38(2): 283?287.
[6] FERNANDES F L, PICAN?O M C, FERNANDES M E S, et al. A new and highly effective sampling plan using attractant?baited traps for the coffee berry borer (hypothenemus hampei) [J]. Journal of pest science, 2015, 88(2): 289?299.
[7] 蔡莹,杨伟,黄国兵.水力一体化治漂与枢纽库面安防系统研究及实施[J].水利水电技术,2017,48(11):168?173.
CAI Ying, YANG Wei, HUANG Guobing. Study and implementation of hydraulic integrated floating debris control and reservoir surface security system for water control project [J]. Water resources and hydropower engineering, 2017, 48(11): 168?173.
[8] 匡珍春,吴刘萍.基于物联网园林视觉监控方法研究与仿真[J].计算机仿真,2016,33(4):447?450.
KUANG Zhenchun, WU Liuping. Monitoring method based on IoT garden vision research and simulation [J]. Computer simulation, 2016, 33(4): 447?450.
[9] 马玉娟,杨国华,卫宁波,等.基于ARM?LabVIEW的家居安防监控系统的设计[J].电视技术,2015,39(11):108?112.
MA Yujuan, YANG Guohua, WEI Ningbo, et al. Design of home security system based on ARM?LabVIEW [J]. Video engineering, 2015, 39(11): 108?112.
[10] YIN X C, LIU J. Research on the design of intelligent campus service APP: a case study of college students′ reading APP [J]. Art & design, 2017(9): 101?103.