基于安卓的远程智能监控系统设计

古静 陈玮

摘 要：传统视频监控系统要求监控人员时刻紧盯画面，很容易造成监控人员视觉疲劳与疏忽，为克服该弊端，设计一种远程智能监控系统。通过客户端与服务器端的实现过程，重点阐述了智能监控系统的设计，通过对出现在监控场景中的运动物体进行检测，实现了对运动目标跟踪，使用感知哈希算法可以保证在光照变化时不丢失追踪目标，并开发了Android移动设备应用程序。用户在有网络的情况下可以查看监控场景，在应用程序退出后能够接受服务器传输过来的报警提醒。

关键词：人工智能；目标跟踪；远程监控；感知哈希；智能监控

DOI：10.11907/rjdk.172436

中图分类号：TP319

文献标识码：A 文章编号：1672-7800（2018）005-0072-04

Abstract：This paper descripes the development of artificial intelligence and intelligent monitoring system in China and designs a system with both client and server. This paper realizes the tracking of moving objects after detecting the moving objects that appear in the monitoring scene， and the perceptual hash algorithm used in this paper avoids losing the tracking target when the illumination changes. Android application is also developed to view the monitoring scene wherever network is available， and users will receive the alarm via the application when moving objection is detected.

Key Words：artificial intelligence； target tracking； remote monitoring； perceptual hash； intelligent monitoring

0 引言

近年来，人工智能在中国发展非常迅猛。李克强总理在2017年3月5日政府工作报告中首次指出要加快发展包括人工智能在内的新兴产业。国内BAT三大互联网巨头大力发展人工智能：百度建立商业智能实验室（BIL）、深度学习实验室（IDL）、机器人与自动驾驶实验室（RAL）、硅谷人工智能实验室（SVAIL）、大数据实验室（BDL）等五大人工智能实验室；腾讯发布了快速让硬件具备语音和视觉图像能力的智能服务平台“小微”，小微还是一种可以扩展硬件能力的智能解决方案；阿里巴巴建立了数据科学与技术研究院，该研究院现在是阿里负责智能技术研发的核心团队、阿里巴巴NASA计划的人工智能大脑。由此可见，人工智能行业在中国得到了政府与企业的大力支持。 前微软全球副总裁、创新工场董事长兼首席执行官李开复预测中国不久后将在人工智能行业处于领先地位[1]。

智能监控系统是一种基于人工智能、可以分析监控画面的新型监控系统，随着移动终端的普及以及人工智能的飞速发展，智能监控系统已经成为安防领域研究的新热点。我国监控系统研究机构中，中科院自动化所处于领先地位。中科院自动化所在研究中主要对人的动作进行检测识别，同时还可对交通场景进行视觉监控[2]。2002年，中科院自动化所举办了第一届全国智能视觉监控学术会议，重点探讨了目标识别、序列图像分析以及高层语义理解等相关内容[3]；2016年10月19日，中科院自动化所又举办了第四届全国智能视觉监控学术会议，重点讨论了智能监控系统在生产实践中的应用。

视频监控是现代安防系统的重要组成部分，而传统的视频监控系统要求监控人员时刻紧盯画面，很容易造成监控人员的视觉疲劳并造成疏忽。智能监控系统通过自动采集实时监控图像，对获取的图像进行智能分析，判断画面是否有异常，可以检测出实时监控画面中的运动物体，并进一步跟踪运动物体[4]。本文的遠程监控系统可以减少大量监控过程中的人工劳动，并大大提升监控效率，具有极高的应用价值[5]。

1 系统总体结构

远程智能监控系统的总体结构设计如图1所示，主要包括图像采集设备（摄像头）、服务器（个人电脑）和移动设备3部分。

2 服务器端

2.1 系统配置

系统采用个人计算机进行实时监控视频获取与图像处理，利用C++语言在VS2010上进行开发，利用OpenCV进行图像处理。OpenCV包含少量C++类和大量C 函数，可以用于实现图像处理方面的很多通用算法，大大提高图像处理程序的开发效率[6]。要想使用OpenCV提供的各个接口，需要在VS2010新建项目中添加程序文件后，在属性管理器中添加OpenCV的依赖项，将OpenCV的库文件全部添加到VS2010项目的附加依赖项。添加方式如图2所示。

2.2 运动物体检测

实现对异常物体的追踪首先要实现对异常物体的检测。帧间差分法检测速度快、计算简单，对动态环境具有很好的适应性，可以用于在视频监控中检测运动物体。如图3，帧间差分法对视频中连续的若干帧图像做差分运算，从而获得视频中出现的异常物体轮廓。通过对连续帧之间图像对应位置像素点进行运算得到目标检测结果[7]。如果两帧图像运算后的结果大于设定好的阈值时，设置对应位置的像素值为 1，否则设置为0，从而可以得到一个二值图像，再对二值图像进行一次闭运算，使轮廓上断开的部分融合，填补轮廓上的间隙。再使用对噪声具有平滑作用的sobel算子消除部分点对轮廓提取的影响，在得到的二值图像中进行轮廓检测。

2.3 运动物体跟踪

在检测到运动物体之后，监控系统使用感知哈希算法对物体进行持续跟踪。感知哈希算法利用DCT域中的低频系数，只要图像中物体的整体结构不变，哈希值就不会有变化，从而避免了光照变化对物体跟踪效果的影响[8]。

感知哈希算法可以提取具有图像特征的指纹，该指纹十分简单，可以用于画面相似度比较[9]。监控系统通过不断进行窗体扫描，利用指纹相似度找到与运动物体最像的目标，从而达到跟踪目的。如图4，感知哈希值的步骤为：

（1）图片预处理。缩小图片尺寸，并将彩色图片变为黑白图片。

（2）计算DCT。计算图片的DCT（离散余弦变换）变换，得到32*32的DCT矩阵。

（3）缩小DCT。左上角的矩阵位低频信息，具有代表性，提取矩阵左上角的8位矩阵。

（4）计算平均值。计算DCT矩阵的平均值。

（5）计算hash值。将矩阵中大于等于系数均值的系数值设为“1”，小于系数均值的设为“0”。

（6）将哈希值组合成一个64位列向量，即图片指纹。

对检测到的目标按照图5所示方法计算哈希值，对传输的下一帧图像进行扫描并计算每一个扫描窗口的哈希值。选择其中与上一帧哈希值汉明距离最小的窗口作为运动物体的最新位置。对传入的图像重复该步骤，更新目标位置与哈希值，实现对目标的跟踪。

2.4 跟踪效果检测

当视频中没有运动物体时，监控界面没有检测到运动物体轮廓，如图6所示。

当物体运动时，跟踪到物体，界面中出现目标轮廓，如图7所示。

光线变暗，移动物体依旧被锁定，如图8所示。

3 客户端及通信

在实现对目标的检测与跟踪之后，可以进一步扩展设计，实现客户端报警功能以及远程视频传输功能。如果监控系统具备这两个功能，监控人员就不必时刻停留在监控电脑前，只需要随身携带手机即可掌握监控现场的实时情况。

3.1 报警与图像传输功能设计

监控系统使用Socket跨平台协议实现报警功能和远程视频传输功能[10]。远程监控系统在启动之后建立服务器端Socket，一旦检测到异常运动物体，就通过Socket向客户端手机APP发送警报信号，客户端通过Socket对象与服务器建立连接，服务器即可将实时监控画面传输到客户端[11]。监控人员在处理完异常后，可以通过客户端中断连接。Socket通信流程如图9所示。

APP使用JAVA语言编写，用来接收服务器发送的报警信号和视频图像。客户端总体设计见图10，包含了4个模块：①UI模块用于向用户展示监控画面；②Activity模块为Android的活动，主要功能为控制UI的显示内容，接收服务器的实时画面数据以及解码显示图像；③Service模块是应用程序在退出后仍然会运行的部分，这个模块用来与服务器建立连接，等待服务器推送报警消息，当接收到服务器推送的消息后，Service模块会在安卓手机上提示报警；④Notification是Android平台提供的通知栏接口，创建之后无论系统处于桌面还是应用程序中其它界面，都可以显示报警消息。

3.2 报警与图像传输功能实现

当监控系统发现运动物体时，通过Socket对客户端APP进行报警，报警信息会出现在通知栏，如图11所示。

此时，可以通过APP，从服务器端接收实时画面，如图12所示。

4 结语

智能目标跟踪系统实现了对运动物体的检测跟踪，提升了监控效率，在对仓库、保管室等静态环境的监控中可以发挥巨大作用，同时客户端的使用让监控方式灵活起来，监控人员可以更加便捷地掌握现场情况。近几年随着

人工智能的迅速发展，我国安防行业可以借这股浪潮变得更加智能化，从而实现更高效、更精确的智能监控。

参考文献：

[1] PAUL T， 李开复. 中国的人工智能革命：理解中国的结构性优势[J].机器人产业，2018（1）：83-95.

[2] 李川.浅述视频监控系统的经历与发展[J].电大理工，2009（4）：49-50.

[3] BUCH N， VELASTIN S A. ORWELL J. A review of computer vision techniques for the analysis of urbantraffic[C]. IEEE Transactions on Intelligent Transportation Systems， 2011：920-939.

[4] 王素玉.智能視觉监控技术研究进展[J].中国图像图形学报，2007，12（9）：1505-1514.

[5] 吴晓阳.基于OpenCV的运动目标检测与跟踪[D].杭州：浙江大学，2008.

[6] 熊英.基于背景和帧间差分法的运动目标提取[J].计算机时代，2014（3）：38-41.

[7] FEI M J， LI J， LIU H H. Visual tracking based on improved foreground detection and perceptual hashing [J]. Neurocomputing ， 2015，152：413-428.

[8] FRIDRICH J，GOLJAN M. Robust hash functions for digital watermarking[C].IEEE Proceedings International Conference on Information Technology： Coding and Computing， 2000：178-183.

[9] ZHAO Y B. A low cost GSM/GPRS based wireless home security system[J]. Consumer Electronics，2008，54（2）：567-572.

[10] 王韦桦.智能视觉监控中运动目标检测与行为识别方法[D].西安：西安电子科技大学，2014.

（责任编辑：何 丽）