基于深度学习的监控图像信息目标检测系统设计

倪金卉

(吉林建筑科技学院,吉林 长春 130114)

0 引言

数字化理解输入到计算机中的图像是计算机视觉中的一部分,利用该原理可以快速模拟人类的识别视角,完成目标检测。 深度学习技术是ML(Machine Learning)发展中的一部分,与实际的人工智能目标有着密切的关系。 因此,深度学习可以根据样本数据的实际状态,采集并识别获取样本中的关键信息,分析采集到的关键信息[1-3]。 深度学习是一种较复杂的算法,但因其在实际应用中的识别效果较好,且分析效率较高,被广泛地应用在数字化图像处理及检测中。 本文基于深度学习设计了监控图像信息目标检测系统。

1 硬件设计

1.1 数字信号处理器

首先,DSP 数字信号处理器可以根据实际信号中蕴含的逻辑单元设置控制器,并将各个采集模块采集到的信息集中在一个模块中;其次,在内部设置符合数字信号处理需求的处理算法,实现简单且高效的数字信号处理[4-6]。 传统的NMOS 处理器的功耗较大且成本较高,不满足本文设计系统的实际运算需求,因此本文使用三代DSP 处理器。 该处理器可以将常用的处理模块集中在同一个芯片内部,这样不仅减少了实际处理功耗,还降低了处理成本。 在DSP 信号处理器调试过程中,可以加入CMOS,设置运算芯片,提高信号处理器的处理速度,保证监控图像信息目标检测系统的检测效率。

1.2 CCD 图像采集器

监控图像信息目标检测系统中最重要的就是监控图像的采集,因此可以使用含有ASS6552 芯片的CCD图像采集器采集监控图像信息。 在CCD 图像采集器工作过程中,首先,要利用前端的数字信号处理器进行图像信息解码;其次,使用CCD 器件进行卫星MOS 转换。当CCD 图像采集器中的传感芯片感光后,可以立即形成光照信号电流,完成监控图像信息的采集。 本系统使用Composite Video Broadcast Signal 进行拍摄信息转换,保证采集图像的质量。 在图像采集器内部,还设置了ASS6552 解码芯片,起到模数转换的作用,因为该芯片具有高速数字处理作用。 在该芯片内部,含有9 位CVB 信号处理通道,可以随时处理前端采集到的数字化图像信息。 为了增加实际图像处理的效率,ASS6552解码芯片额外设置了自动控制模块,不仅可以自动进行滤波解码,还能将PLASECAM 等格式转换成系统实际所需的形式,实时进行数据信号的切换。 除此之外,ASS6552 解码芯片还含有4 个A/D 转换器,提高了分辨频率,增加了监控图像信息采集的准确度。

1.3 TMSDM642 储存器

本设计的监控图像信息目标检测系统中的数据交互量较大,为了确保系统的实际图像信息检测效率,需保证其能够及时处理调用产生的检测信息,因此本设计的目标检测系统设计了TMSDM642 储存器。 该储存器内部含有微小的中央处理元件并使用指定的EMIF接口与监控图像采集器进行连接,微小的中央处理元件可以及时控制TMSDM642 储存器内部的状态,保证其可以根据需求进行数据的处理和调用,因此该处理器内部包含几个差异性功能单元。

TMSDM642 储存器内部设置了寄存模块,根据实际信息的状态设置特异性Veloci 架构。 TMSDM642 储存器内部可以储存超过64 位的图像处理数据,并额外添加了相关的功能单元,使用储存器内部的数据转换通道可以实现数据的多方向访问和转换,提高了整个系统的运行效率。 TMSDM642 储存器内部还设置了延迟时钟,避免CPU 中相关数据载入产生的数据地址驱动变换问题。

2 软件设计

2.1 采集监控图像目标检测信息

监控图像目标信息检测最关键是要采集监控图像信息,因此本文设计的模块通过数据标注及筛选实现监控图像目标信息的采集,以数据驱动作为基本驱动原则,根据实际监控需求可以设置正确的监控图像目标检测信息采集算法。 首先,配置图像目标检测信息采集算法的实际图像训练集,利用labelling 作为综合处理工具;其次,利用Python 对相关的采集QT 进行初步开发,将图像信息转化成xml 格式的文件;最后,利用PASCAL VOC 进行数据采集格式转换,配置编译源码,实现监控图像目标检测信息的初步采集。 初步监控图像信息采集完毕后需要进行数据预处理,初始图像数据可能会由于采集效果不同出现白化效果,因此可以进行归一化裁剪进行处理。 除此之外,由于数据之间存在测试训练差异性,可以利用Faster-CNN 框架与相关的数据传输接口相连。 如果存在冗余的数据需要进行数据打包,保证数据处理的高效性,还可以利用lmdb快速引擎进行key-xalue 接口处理,降低leveldb 的内部消耗,增加了图像处理的效率。

2.2 基于深度学习构建监控图像训练框架

利用深度学习可以划分样本的实际层次,对图像样本进行综合分析处理从而构建高效的图像训练框架,因此可以基于Fast-RCNN 深度学习训练模型构建监控图像的训练框架,如图1 所示。

图1 监控图像训练框架

由图1 可知,整个监控训练框架由利用C++语言进行综合开发,并使用python 进行综合封装,依赖Matlab 进行综合实现。 根据C++架构可以实现Matlab与Python 的综合转换,整个框架的组件可以用执行与调用来表示并通过Memory 实现数据的交互,应用过程中可以利用shape_进行blob 维度储存,data_进行数据内转换。 因此,blob 往往呈多维配置,但在blob 应用过程中还应避免其存在维度受限问题。 整个训练可用loss 进行数据的反传,并使用blobProto 进行数据序列转换SGD,AdaDelta,AdaGrad,Adam,Nesterov,RMSProp都是模型相关caffe 的正确优化措施,其综合优化式如公式(1)所示。

公式(1)中,a代表数据转换系数,e代表优化指数。 应用该公式可以计算训练指标,实现Forward Backward 函数与其他监控函数之间的交互转换,保证监控图像信息的训练效果。

2.3 设计功能模块

本系统的功能模块较复杂:首先是系统的登录注册模块。 用户在第一次登录后需要进行注册,输入验证并输入正确的密码后才能完成初次登录。 本系统还添加了信息储存功能,即用户的信息可以在本地保存,方便用户的二次登录。 其次是监控图像的检测模块。在系统应用中心可以进行监控图像选定,并实时上传到处理中心,进行终端检测并处理。 成功获取检测结果后,再将监测数据与客户端进行解析,并绘制出矩形框,实现监控图像信息的实时监测。

检测记录模块是实现监控图像信息目标检测的重要模块,不仅可以根据从服务端返回的检测结果进行数据更正并保存,还可以及时处理错误的检测信息并进行记录,避免信息不准确对目标检测结果造成的影响。 图像标注模块可以对复杂的监控图像及时标注。

2.4 实现监控图像信息目标检测

本文利用creator 对整个系统的QT 界面进行综合开发,保证其可以与标准的数据库及检测中心实时交互,因此设计界面中需要包含检测快捷键、网络配置文件及数据模型处理参数,方便后续的可视化检验。 本文使用C++框架开发初始的图像界面,利用creator 进行QT 库的扩展及开发,实现SDK 的综合设计。 为了实现系统的综合初始化功能在数据读取后可以构建string model_file_path,string prototxt_file_path,float confidence,完成模型网络的初始化,实现监控图像信息目标检测系统的综合功能,保证系统界面有效性。

3 平台测试

为了检测本文设计的系统检测性能,本研究搭建了系统测试平台,在指定的环境下进行系统测试。

3.1 测试准备

为了保证系统测试的测试效果,本测试选取GTX5665 作为系统测试平台,系统的客户端需要提前进行部署,保证用户测试的准确性,测试CPU 使用E5-54-5441。 根据初始状态下测试平台的实际空间占用情况配置测试的监控图像,针对系统的实际情况选取了实际监控图像,如表1 所示。

表1 测试图像

由表1 可知,在图像上传完毕后即可进行图像训练,设计的图像训练集可分为PASCAL VOC2020,City Scapes 及 Pattern Analysis Statical Modeling and Computational Learning。 利用设计的深度学习算法进行图像分割及检测,根据上述的训练结果在NVIDIA Tesla环境中进行后续的系统测试。

3.2 测试结果与讨论

根据上述的测试图像置信度,将全部数据集中的数据图像划分为A～J10 个不同的类型,分别使用本文设计的监控图像信息目标检测系统和传统的图像信息目标检测系统进行系统测试,检测两者检测识别的时间差异,测试结果如表2 所示。

由表2 可知,在相同状况下对不同类型图像样本进行检测时,设计的图像信息目标检测系统的检测识别耗时始终较短,证明设计的检测系统的性能较好。

表2 系统测试结果

4 结语

综上所述,随着计算机技术与图像技术的发展,计算机视觉技术的应用范围越来越广泛,及时对监控到的图像信息进行检测不仅可以提高数字化图像的处理效率,还能扩大计算机技术的应用范围。 本文利用深度学习设计了监控图像信息目标检测系统,进行系统测试。 结果表明,设计的图像信息目标检测系统的检测性能良好,耗时较短,具有一定的应用价值。