一种基于YOLO算法的智能监控系统

2019-11-30杨玉棋邱虎鸣王子龙王跃进

电子技术与软件工程 2019年9期

文/杨玉棋邱虎鸣王子龙王跃进

1 当前校园监控存在的问题

在当今社会中，校园安全一直是每个学校最为重视的一点，学校的安全工作，是全社会安全工作的一个十分重要的组成部分。他直接关系到学生能否安全、健康地成长，关系到许多家庭的幸福安宁和社会的稳定。要时刻保证学生安全，但学院里存在的安全隐患十分的多，比如车辆，流浪猫狗等。校园内的监控摄像头的作用就是加强对校园的监控，但是目前校园中广泛采用的监控系统只能实现监控视频的录制，不能对安全隐患及时做出预警，一旦发生诸如学生进入禁区、攀爬栏杆等情况，警卫人员如未能及时发现等事后赶到现场就为时已晚。所以需要加强监控对安全隐患的探查与预警，将隐患扼杀在摇篮中。

2 改进的实时监控系统

针对现有监控系统不能及时发现潜在安全隐患的问题，本文提出一种改进的智能监控系统：

（1）制作人物及潜在安全隐患事物（猫、狗、自行车、汽车等）的数据集;

（2）训练YOLO神经网络，提取各类别物体的特征；

（3）在现有的监控系统基础上通过摄像头采集监控录像传入监控系统；

（4）智能监控系统划分敏感区域，同时对采集到的监控视频中的物体进行分类标注；

（5）一旦有人物进入该区域，即将之标注为红色，将该条记录写入数据库，同时在监控系统的界面中显示该条日志；

（6）警卫人员在接到预警信息及时赶往现场。

迁移学习也就是所谓的有监督预训练，我们通常把这个称为迁移学习。就是把一个任务提前训练好的参数，拿到另外一个任务中，作为神经网络的初始参数值,这样以来相比于直接去采用随机初始化的方法，它的精度可以大大的提高。图片的分类和已经注释好的数据十分多，但是物体检测的标注数据却十分少，尽量去使用较少的标注数据，来训练高质量的一种模型。

对象检测需要确定对象的边界框。我们不光要找到对象的边界框。同时我们还需要认识到边界框内的对象是我们要找的这个对象。YOLO的CNN网络将输入的图像分成S×S的网格，然后其中每个单元负责检测中心点落在网格内的地点。每个单元格都存在预测边界框和边界框的置信度。所谓的置信度实际上包括两个方面，一个是包括目标边界框的可能性，另一个是边界框的精确性。前者表示为Pr（对象），当边界框作为背景时，不包括此对象。这时，Pr= 0。当边界框含有目标的时候，Pr=1。边界框的精确性可以通过预测框和实际框的IOU来表示出，表示为IOUpredtruth。因此，可以将置信度定义为Pr（对象）*IOUpredtruth。边界框的大小以及位置可以用四个数值来表示：（x，y，w，h），其中（x，y）是边界框的中心坐标，w和h是边界框的宽度和高度。同样重要的是要注意，中心坐标（x，y）的预测值是相对于每个单元的左上角的坐标点的偏移值，并且该单位是相对于单元尺寸的。边界框的w和h预测值是相对于整个图像的宽度和高度的，因此理论上四个元素的大小应该在[0,1]的范围内。因此，每个边界框的预测值实际上包含5个元素：（x，y，w，h，c），其中前4个表示边界框的大小和位置，最后一个值是置信度。

根据提取的对象的特征执行识别，并且识别的结果显示在由相机捕获的图片或视频中由YOLO算法构成的边界框上，并且呈现项目名称。在学校的一些存在安全问题，较容易发生危险事故的地点，如危险品仓库，化学实验室等地方。将这些区域设置划为一个敏感区域，每一个敏感区域设置一个数据库，根据边界框的中心坐标（x，y）是否在禁区坐标范围内判定是否有标记物体进入禁区，将物体类别计入该禁区所对应的数据库中,在敏感区域内，矩形框标注出的事物的名称采用不同的颜色来表示，用来着重强调。

通过提前设定的数据集，系统将识别我们所规定的一些在校园内具有危险性的物体，将其识别后并保存到数据库。

当系统识别出物体，并将它们存到数据库中时，同时将当前系统时间一起写入数据库中，由于画面拍摄和系统的物体识别基本上是同步进行的，所以可以将系统识别的时间看做成画面拍摄时间，将这些信息保存到数据库中，并作为日志实时输出到系统的操作界面。且在系统刚开始检测视频的同时即保存标注后的视频，方便事后调出查询。