基于人物识别的智慧视频监控在机房中的应用

董伟鑫

(中南空中交通管理局, 广东 广州 510000)

0 引言(Introduction)

随着互联网时代的不断发展,服务器等计算机设备已经是企业的基础设施,企业对信息安全越来越重视,而对机房的管理是保证企业服务器正常运行和信息安全的关键。传统的机房主要依靠人工监管,对人员出入也有严格的审查机制,不仅浪费人力和物力,而且容易受管理人员工作状态和主观因素的影响导致安全纰漏。随着技术的不断革新,视频监控已经广泛地应用到社会生活的方方面面,它的功能包括实时监控、录像和回放等,大大方便了企业对机房的管理[1]。这种方式在一定程度上减轻了人员的负担,但需要人员实时盯着监控屏幕,仍受人员主观因素的影响,不能有效地提高对机房监管的效率和安全性。当管理人员感到疲惫或出现懈怠时,容易忽略监控视频的内容,造成机房的不安全。因此,需要智慧视频监控辅助人员工作[2-4]。本文将基于人脸识别的智慧视频技术应用到机房的监控中,可以实时地识别机房内人员的身份及其异常行为,从而更好地保障机房及机房内人员的安全。

1 机房监控研究现状(Research status of computer room monitoring)

视频监控目前已广泛地应用于安防领域,是一种重要的安全管理手段,视频的清晰程度对安全监控至关重要,但是视频越清晰,产生的视频数据越庞大,这就导致对数据的分析、存储和查看等工作变得困难。一般的监控技术只能实现视频的实时查看、保存及回放等功能,随着计算机技术和视觉领域的不断发展,视频监控融合了更多的视觉技术。ARROYO等[5]建立了一个用于监控商场的智能视频系统,该系统采用多个摄像头同时检测目标人员,生成目标人员行动轨迹,并对行为进行分析识别,从而协助安防人员的工作。LEE等[6]建立一个用于自动取款机(ATM)网点的安全监控系统,采用基于卷积神经网络的行为分析技术检测人员的行为,对可疑行为发出告警。DI等[7]设计一种用于交通管理的视频监控分析技术,采用大数据的方法检测交通堵塞状况,在检测出现异常时发出警报。视频内容分析是智慧视频监控的核心功能,而分析算法的复杂性决定了技术的有效性,但算法的复杂性越高,对硬件环境要求越高,并且实时性也越低,这是目前多数智慧视频系统存在的问题。LIN等[8]设计一个基于Hadoop的视频监控系统,优化了数据的存储,使用结构化和非结构化的数据存储。

传统机房的视频监控还处于仅对环境状态进行监控的阶段,无法对人员及其行为进行检测识别,需要管理人员实时观看监控,耗费人力和物力资源,而且机房的安全性容易受到管理人员身体状况的影响,无法有效地保证机房和机房内人员的安全。

2 智慧视频监控系统(Intelligent video monitoring system)

本文将基于人物识别的智慧视频技术融入监控系统,该系统对实时监控视频进行处理分析,可以查看机房状态与历史监控画面;实时识别人员信息并记录人员活动;提取人员人脸信息并与数据库中的信息对比,若存在未授权人员,则发出警报;实时监控人员行为并自动识别异常行为,及时发出告警。经过实验证明,该系统可以较好地识别人员信息及其行为,从而更好地保障机房和机房内人员的安全,并且提高了机房的管理效率。系统总体设计框图如图1所示。

图1 系统总体设计框图Fig.1 The block diagram of system overall design

2.1 监控视频部署

为了最大限度地保证视频数据的有效性和易处理性,需要对机房内监控设备的布点进行选择。在传统的视频监控布点中,往往根据人为经验或者估算测量确定,这种方式容易造成监控区域重复、盲区和死角等问题,不能有效地利用监控资源。本文参考文献[9]提出的方法,通过建立数据模型的方式,结合监控重要度,并采用遗传算法进行优化,从而得到最优的布点参数。进行监控布点时,要根据机房环境、监控设备的清晰度、最远监控距离(xt,yt)、最远监控的高度h及最远的水平距离D等参数确定监控设备的方向、所在位置(x,y)、高度H、水平角度θ和镜头焦距f[10]。图2为监控设备参数示意图,采用对点式部署方案可以满足大多数机房监控的需求,图2中的阴影部分为可视范围。

图2 监控设备参数示意图Fig.2 The diagram of monitoring device parameters

上述参数因场景而异,一般企业机房的高度为2.7 m,这里以高度2.7 m为例,运用仿真软件进行计算,当β=37.3°、θ=22.7°时,摄像头的覆盖范围最大,监控距离最远,可以最大限度地利用监控资源。

2.2 监控视频采集

视频采集主要依靠高分辨率的监控设备,而目前的监控设备可根据应用场景、尺寸、清晰度和功能等要求分为多种类型。针对机房等封闭室内环境,具有固定的场景、固定的监控角度及范围、稳定的供电和网络,一般选择高清半球式或筒式摄像头,并且考虑选择具备红外功能的监控设备,在检测环境亮度较低时可以自动启动红外夜视功能。

根据机房面积、监控范围及设备成本,选择具有一定清晰度的设备,若需要拍摄人脸细节的设备,则其分辨率不能低于2 MP(Megapixels,百万像素)[11]。

3 视频处理模块(Video processing module)

3.1 机房人员身份核验

为了有效地提高对机房出入人员的管理效率,方便记录工作情况和核验进入机房人员的权限,提升人员身份识别的效率和准确性,采用人脸信息比对的方式识别人物,预先将工作人员的信息存储到监控平台,包括人脸信息、用户ID、名称、联系方式、权限、级别和考勤等。

如图3所示,视频处理模块对采集到的视频数据进行分析,为保证处理效率和实时性,每间隔0.5～1 s提取视频帧,采用SRIVASTVA等[12]提出的方法进行人物识别。当视频帧中未检测到人物,则跳过此帧,进行下一次的识别。当视频帧中存在人物时,采用基于卷积神经网络(CNN)的人脸识别算法自动识别并提取人脸信息,并与数据库中的人员信息进行比对,设置相似度阈值,超过阈值时表示识别成功,反之表示失败[13]。若某一视频帧的人脸识别成功,则提取该员工的信息,根据检测出人体的宽、高,找到外接方框,并将用户ID标记在人物的外接方框上,同一视角内不再对该员工进行信息对比。若由于遮挡无法提取人脸信息,则持续进行捕捉;若对比失败超过2次,则将人物标记为未授权,并将人物人脸信息储存到临时库中,同时发出声光告警,提示有未授权人员,并记录告警日志。图4为授权人员识别图。

图3 人员身份核验流程图Fig.3 The flow chart of personnel identity verification

图4 授权人员识别Fig.4 Identification of authorized personnel

3.2 机房人员行为识别

由于人体行为复杂多变,难以识别是否对机柜或设备造成伤害的行为,所以本文主要考虑人员在机房中的安全状态,一般进入机房的人员较少,而且部分时间为夜晚,若发生触电事故或其他原因导致的人员倒地昏迷现象,难以有他人察觉,将造成难以接受的后果。

为了更有效地管理机房,提高机房的安全性和机房内人员的安全性,系统对进入机房的人员进行异常行为识别,通过提取监控视频的人员信息,识别其身份的同时,分析和记录其行为,若发现人员有异常行为,监控系统自动发出声光告警,并记录告警信息。由于多个摄像头之间都是独立的,为了保证完整地提取人员行为等信息,需要对每个摄像头采集的视频进行识别分析。

人物异常行为识别的具体流程如图5所示,采用文献[12]的方法对监控视频进行人物检测,当视频中存在人物时,采用BULAT等[14]提出的方法提取人体的骨架特征点,如图6所示,分析人物行为,该方法可以识别包括站立、行走、趴着、蹲着、躺着等人物行为。由于视频的清晰程度较高,为了更好地保证识别结果的实时性,采用移动端视觉神经网络(MobileNet)模型进行特征点提取,有效地降低了处理过程的复杂度[15]。若检测人物有异常行为,主要指人员倒地昏迷等,监控系统会立刻发出声光告警,并记录异常信息。通过对人物行为的识别,可以及时发现机房内人员的异常行为,最大限度地保证人员安全。当视频未检测到人物或无异常行为时,则进行下一次检测。

图5 异常行为检测流程图Fig.5 The flow chart of abnormal behavior detection

图6 人体骨架特征点图Fig.6 The picture of human skeleton feature points

3.3 数据同步

一方面,由于不同数据的处理速度和输出速度不同,每个摄像头采集的视频数据不同,导致对不同摄像头视频数据分析处理的时间不同;另一方面,由于算法的性能受多种因素影响,难以保证识别不同视角下同一人物行为的结果一致性,容易出现同一个人物在不同监控视频内检测结果不同的现象,对机房管理人员的工作造成消极的影响。

为了保证不同监控视频检测结果的一致性,并且提高处理结果的实时性,降低数据的计算量。当不同监控视频中存在相同人物时,对同一人物的分析结果进行同步,以计算时间为基准,以最快速度将得到的结果传递到其他视频处理中,并停止对同一人物的身份信息进行重复识别。由于对视频进行处理分析时需要大量的计算资源,受计算机硬件运行状态的影响较大,因此为了保证信息处理的实时性和有效性,在对人物进行识别分析的过程中,系统会自动记录处理每一帧图像的时间,若处理的时间超过一定阈值时,系统会发出告警,此时需要检查处理时间变长的原因,由此反映系统的运行状态是否正常。

4 实验与分析(Experiment and analysis)

将智慧视频技术运行在实验平台上进行测试,服务器的参数为Centos7.5操作系统、i7-7700 CPU、GTX1660 TI显卡、128 GB内存和16 TB硬盘。为了保证系统的处理速度,本文将提取视频帧的间隔时间设置为0.5 s,对某机房24 h内的数据进行处理分析。该机房有12个720 P的摄像头,每个摄像头每天能产生约31.7 GB的视频数据,每天共产生约380.4 GB的视频数据,视频中包含人物的有118 435帧图像,其中45 871帧中人物为躺着状态。通过该系统对视频进行处理,在104 056帧图像中成功识别到人物,其余14 379帧图像为误识别和未识别,人物识别的准确率约为87.86%。在42 481帧图像中成功识别人物为躺着状态,其余3 390帧图像为误识别,异常行为的识别准确率约为92.61%。每帧图像的处理时间平均约为0.3 s,可以保证较好的实时性,整个处理过程总共产生约153 965.8 MB的处理数据。

从人物及异常行为的识别结果可以看出,该系统具有较好的性能,可以快速准确地识别机房中人员身份及其异常行为,并极大地提高了信息检索的效率,可以有效地协助人员管理机房,更好地保证机房和机房内人员的安全。

在视频数据分析过程中,当有人员走入或走出摄像头的视角时,该系统会对人物及身份进行识别分析,此时的处理速度较慢,处理时间约为1 s,导致结果无法实时地显示在监控画面上;当人物在同一摄像头的视角内移动时,不会对人物身份进行重复识别,此时的处理速度较快,处理结果也能保持较好的实时性。

5 结论(Conclusion)

随着信息时代的不断进步,数据存储和数据安全越来越重要,企业也越来越重视对机房的管理。传统机房的安全易受到管理人员身体状况及主观因素的影响,本文将基于人物识别的智慧视频技术应用到机房的监控系统中,能够提取监控视频中的人物信息,实时地识别人员身份及其行为是否存在异常。经过实验证明,对机房内人员的识别准确率约为87.86%,异常行为的识别准确率约为92.61%,可以有效地协助机房管理人员管理机房,并提高了机房和进入机房人员的安全性,降低了由人员懈怠和疲惫导致机房不安全的风险。但是,受到软、硬件等因素的影响,该系统难以同时保证识别结果的实时性及准确性,相信随着对人物及其行为的识别技术的不断革新,智慧监控技术也会更加成熟,本文也为智慧监控的发展提供了有益参考。