ARM平臺(tái)下人臉識(shí)別智能監(jiān)控系統(tǒng)

江爛達(dá)，儲(chǔ) 珺，繆 君

(南昌航空大學(xué) 軟件學(xué)院，江西 南昌 330063)

0 引 言

近年來(lái)，視頻監(jiān)控系統(tǒng)被廣泛應(yīng)用于社會(huì)生活的各個(gè)方面。隨著社會(huì)安全意識(shí)的不斷加強(qiáng)，越來(lái)越多的公共場(chǎng)所和居民住宅都開(kāi)始配備監(jiān)控設(shè)施，以此保障自身和財(cái)物安全[1]。然而現(xiàn)有視頻監(jiān)控系統(tǒng)安裝困難；存儲(chǔ)量大；同時(shí)系統(tǒng)缺乏智能因素，不能進(jìn)行身份識(shí)別[2]。在這種情況下，多種智能監(jiān)控系統(tǒng)被研究并開(kāi)始形成產(chǎn)品應(yīng)用在生活中。其中人臉識(shí)別以其自身優(yōu)勢(shì)，受到了研究人員廣泛的關(guān)注[3,4]?，F(xiàn)有的研究主要是在PC機(jī)上使用靜態(tài)人臉圖像實(shí)現(xiàn)人臉識(shí)別仿真。文獻(xiàn)[5]基于主成分分析(PCA)和最小協(xié)方差行列式方法提取重要的人臉特征，相比傳統(tǒng)PCA方法，該方法提高了遮擋和噪聲干擾下的人臉圖像識(shí)別率。文獻(xiàn)[6]采用一種新的基于鄰域保持的鑒別嵌入準(zhǔn)則，并利用Gabor小波變換減輕人臉在光照和表情變化的影響。文獻(xiàn)[7]設(shè)計(jì)的基于ZigBee的人臉識(shí)別監(jiān)控系統(tǒng)，只是在前端使用人臉檢測(cè)，最終還是將人臉圖像傳回PC機(jī)輸出識(shí)別結(jié)果。

根據(jù)上述視頻監(jiān)控現(xiàn)狀以及研究背景，本文結(jié)合人臉識(shí)別技術(shù)、嵌入式技術(shù)與通信技術(shù)，設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)基于ARM平臺(tái)下的人臉識(shí)別智能監(jiān)控系統(tǒng)。針對(duì)LBP人臉識(shí)別算法在保證實(shí)時(shí)識(shí)別前提下，需要縮小圖像而導(dǎo)致分辨率降低，因而不能在ARM開(kāi)發(fā)板上識(shí)別1.5 m以外的人臉的問(wèn)題。本文首先采用計(jì)算量小的ViBe算法提取視頻監(jiān)控區(qū)域內(nèi)的運(yùn)動(dòng)目標(biāo)，再對(duì)檢測(cè)到的運(yùn)動(dòng)目標(biāo)區(qū)域完成人臉識(shí)別功能。通過(guò)改進(jìn)，系統(tǒng)能夠快速準(zhǔn)確識(shí)別較遠(yuǎn)距離的非法闖入者，并給出報(bào)警處理，更加滿足現(xiàn)在市場(chǎng)對(duì)視頻監(jiān)控系統(tǒng)功能的要求。

1 系統(tǒng)方案論述

本文的研究方案是設(shè)計(jì)一款基于ARM平臺(tái)下，設(shè)計(jì)一款隱蔽性強(qiáng)、經(jīng)濟(jì)實(shí)用、性能穩(wěn)定和操作簡(jiǎn)便的遠(yuǎn)程人臉識(shí)別系統(tǒng)。該系統(tǒng)可以對(duì)監(jiān)控區(qū)域內(nèi)人員實(shí)時(shí)進(jìn)行身份識(shí)別，實(shí)現(xiàn)智能監(jiān)控的目的。該系統(tǒng)主要具有以下幾種功能：

(1)智能監(jiān)控系統(tǒng)具有運(yùn)動(dòng)目標(biāo)檢測(cè)功能。一般監(jiān)控場(chǎng)景中攝像頭是固定的，因此可以通過(guò)建立背景模型，應(yīng)用背景差分法檢測(cè)到是否出現(xiàn)運(yùn)動(dòng)目標(biāo)，實(shí)現(xiàn)初步預(yù)警。同時(shí)也為后續(xù)的目標(biāo)身份識(shí)別鎖定處理區(qū)域，提高系統(tǒng)實(shí)時(shí)性；

(2)智能監(jiān)控系統(tǒng)可以實(shí)現(xiàn)人臉識(shí)別功能。對(duì)出現(xiàn)在監(jiān)控區(qū)域的人員進(jìn)行身份識(shí)別，如果是陌生人闖入，自動(dòng)提示用戶處理；

(3)智能監(jiān)控系統(tǒng)具有自動(dòng)報(bào)警功能。如果監(jiān)控區(qū)域被非法闖入，系統(tǒng)在自動(dòng)記錄信息的同時(shí)自動(dòng)啟動(dòng)報(bào)警裝置；

(4)系統(tǒng)基于ARM開(kāi)發(fā)板作為運(yùn)行平臺(tái)，底板擁有豐富的外圍接口，可擴(kuò)展功能強(qiáng)。

針對(duì)上述研究方案，設(shè)計(jì)了如圖1所示系統(tǒng)總體結(jié)構(gòu)，先使用ViBe算法對(duì)監(jiān)控區(qū)域?qū)崿F(xiàn)運(yùn)動(dòng)目標(biāo)檢測(cè)，再對(duì)檢測(cè)到的運(yùn)動(dòng)目標(biāo)進(jìn)行人臉檢測(cè)和識(shí)別功能。如果是合法用戶，則不報(bào)警。如果非法用戶闖入監(jiān)控區(qū)域，系統(tǒng)將發(fā)出警報(bào)聲并通過(guò)短信或者電話的方式遠(yuǎn)程提醒使用者發(fā)生異常。同時(shí)保存當(dāng)前視頻幀到服務(wù)器內(nèi)，用戶可以通過(guò)移動(dòng)客戶端登錄服務(wù)器，下載并查看保存的圖片，真實(shí)了解家庭狀況。

2 系統(tǒng)硬件設(shè)計(jì)

系統(tǒng)使用的硬件設(shè)備主要以O(shè)K210為開(kāi)發(fā)平臺(tái)，子模塊主要有電源、USB攝像頭、GPRS通信模塊和LCD顯示屏。OK210開(kāi)發(fā)板接收攝像頭捕獲的視頻圖像，完成運(yùn)動(dòng)目標(biāo)檢測(cè)與人臉識(shí)別工作。LCD顯示屏顯示識(shí)別結(jié)果。監(jiān)控區(qū)域被非法闖入時(shí)，蜂鳴器發(fā)出警報(bào)聲，同時(shí)GPRS模塊撥打電話或者發(fā)送短信給用戶進(jìn)行報(bào)警處理。系統(tǒng)硬件架構(gòu)如圖2所示。

圖1 系統(tǒng)總體結(jié)構(gòu)圖

圖2 系統(tǒng)硬件架構(gòu)

OK210是飛凌公司研發(fā)的高性能ARM嵌入式計(jì)算機(jī)核心模塊。主處理器是SAMSUNG S5PV210，主頻最高可達(dá)1 GHz，作為最流行的ARM處理器之一，SAMSUNG S5PV210是許多視頻圖像處理應(yīng)用的理想選擇。OK210開(kāi)發(fā)板支持HDMI音視頻同步輸出，擁有豐富的外圍設(shè)備擴(kuò)展模塊。并通過(guò)了CE和FCC認(rèn)證，擁有可靠的保障。針對(duì)上述OK210計(jì)算性能及其相對(duì)低廉的價(jià)格，系統(tǒng)采用OK210作為主處理器。OK210核心板框架如圖3所示。

圖3 OK210核心板框架

3 系統(tǒng)軟件設(shè)計(jì)

系統(tǒng)主要在Ubuntu15.04上使用QT4.8.6完成程序的編譯和調(diào)試，并最終移植到基于嵌入式Linux系統(tǒng)的ARM開(kāi)發(fā)板上運(yùn)行。在系統(tǒng)移植前，需要搭建運(yùn)行環(huán)境。首先在開(kāi)發(fā)板上移植vsftpd服務(wù)器，用于保存系統(tǒng)截取的圖片，并提供給用戶下載查看。然后在Ubuntu上交叉編譯OpenCV和QT，以及兩者的相關(guān)依賴庫(kù)。最后將交叉編譯生成的文件拷貝到開(kāi)發(fā)板的相關(guān)目錄，配置好環(huán)境變量[8]，即可執(zhí)行程序運(yùn)行命令。系統(tǒng)包含5個(gè)主要功能模塊：圖像采集、運(yùn)動(dòng)目標(biāo)檢測(cè)、人臉檢測(cè)、人臉識(shí)別和Android客戶端實(shí)現(xiàn)。

3.1 圖像采集

系統(tǒng)使用V4L2打開(kāi)USB攝像頭實(shí)現(xiàn)視頻圖像采集工作。V4L2是一個(gè)在Linux系統(tǒng)下視頻驅(qū)動(dòng)的API接口，很大程度上簡(jiǎn)化了進(jìn)行視頻系統(tǒng)開(kāi)發(fā)和維護(hù)所需要的工作[9]。V4L2提供內(nèi)存映射和直接讀取兩種圖像采集方式。本系統(tǒng)選擇內(nèi)存映射方式，通過(guò)采集視頻信號(hào)，并將數(shù)字化的圖像直接保存在內(nèi)存當(dāng)中，防止直接讀取方式可能出現(xiàn)阻塞，而導(dǎo)致系統(tǒng)不穩(wěn)定情況的發(fā)生。

3.2 運(yùn)動(dòng)目標(biāo)檢測(cè)

系統(tǒng)采用ViBe算法實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)。ViBe算法是一種基于樣本隨機(jī)聚類的背景建模算法[10]。相對(duì)于其它前景提取算法，ViBe算法計(jì)算量小，內(nèi)存占用較少，在ARM開(kāi)發(fā)板上能實(shí)時(shí)且更好的檢測(cè)到運(yùn)動(dòng)目標(biāo)。ViBe算法分為3個(gè)主要內(nèi)容：

(1)建立背景模型：VIBE算法僅僅使用一幀圖像就可以快速實(shí)現(xiàn)背景模型的初始化。隨機(jī)選擇每個(gè)像素點(diǎn)8鄰域內(nèi)的N個(gè)像素值，作為其模型的樣本值，這樣就構(gòu)建了每個(gè)像素點(diǎn)的背景模型M(x)。

(2)前景檢測(cè)：對(duì)于待分類像素點(diǎn)x的像素v(x)，計(jì)算以v(x)為中心，R為半徑的球體SR(v(x))與M(x)的交集，如果交集數(shù)滿足給定的閾值#min(本文#min值為2)，即若

#{SR(v(x))∩{v1,v2,…,vN}}≥#min

(1)

則判定這個(gè)像素點(diǎn)x屬于背景點(diǎn)，否則，判定像素點(diǎn)x為前景點(diǎn)。

(3)更新背景模型：如果某一像素點(diǎn)是前景點(diǎn)，那么它有1/φ的概率更新其所對(duì)應(yīng)M(x)中的一個(gè)樣本值。同時(shí)隨機(jī)更新其鄰域中的樣本值。此外，當(dāng)某一像素點(diǎn)被連續(xù)K次檢測(cè)為前景時(shí)，將其判定為背景，并更新其背景模型。

若有人闖入監(jiān)控區(qū)域，系統(tǒng)將會(huì)通過(guò)目標(biāo)檢測(cè)鎖定該區(qū)域，隨后通過(guò)人臉識(shí)別技術(shù)實(shí)現(xiàn)身份認(rèn)證。很多情況下，系統(tǒng)只會(huì)把人身體部分作為最大外接矩形，而把頭部排除在外。這樣將會(huì)極大降低人臉識(shí)別率，影響系統(tǒng)的實(shí)用性。針對(duì)這個(gè)問(wèn)題，通過(guò)把求得的最大外接矩形位置上移，人臉區(qū)域?qū)⒈话鼑诰匦螀^(qū)域內(nèi)。由于人臉是在身體上部，因此系統(tǒng)只對(duì)矩形區(qū)域的上面部分圖像進(jìn)行人臉識(shí)別，進(jìn)一步縮小了運(yùn)行時(shí)間。通過(guò)實(shí)驗(yàn)，本系統(tǒng)將最大外接矩形位置上移其高度的1/2，同時(shí)在矩形上方占其高度2/3的圖像區(qū)域內(nèi)進(jìn)行人臉檢測(cè)和識(shí)別。圖4(a)所示此時(shí)人臉并沒(méi)有被包圍在矩形區(qū)域內(nèi)；圖4(b)人臉圖像被包含在上移矩形區(qū)域內(nèi)；圖4(c)通過(guò)只處理矩形區(qū)域的上面部分，減少人臉識(shí)別所需時(shí)間，提高系統(tǒng)實(shí)時(shí)性。

圖4 外接矩形的選擇實(shí)驗(yàn)

3.3 人臉檢測(cè)

針對(duì)ARM開(kāi)發(fā)板硬件資源受到限制的原因，本系統(tǒng)采用較容易實(shí)現(xiàn)的AdaBoost人臉檢測(cè)算法來(lái)檢測(cè)人臉。該算法包含3個(gè)關(guān)鍵要素：采用積分圖實(shí)現(xiàn)特征的快速計(jì)算、使用AdaBoost分類學(xué)習(xí)方法以及設(shè)計(jì)級(jí)聯(lián)結(jié)構(gòu)獲得高效的分類策略。AdaBoost已經(jīng)成為許多人臉識(shí)別系統(tǒng)優(yōu)先選擇的人臉檢測(cè)算法，因?yàn)槠洳粌H可以滿足實(shí)時(shí)性要求，而且還有很高的檢測(cè)率。在開(kāi)始運(yùn)行系統(tǒng)實(shí)現(xiàn)之前，需要?jiǎng)?chuàng)建用戶數(shù)據(jù)庫(kù)。通過(guò)人臉檢測(cè)模塊為用戶創(chuàng)建人臉庫(kù)，并為每張人臉照片匹配對(duì)應(yīng)的名字和標(biāo)識(shí)ID。人臉庫(kù)內(nèi)數(shù)據(jù)代表合法用戶，如果在視頻監(jiān)控中捕獲的人臉數(shù)據(jù)與人臉庫(kù)不匹配，表示非法闖入，將觸發(fā)報(bào)警機(jī)制。

經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證，AdaBoost算法可以在較為簡(jiǎn)單背景下，快速準(zhǔn)確的檢測(cè)并標(biāo)識(shí)出人臉。但是在監(jiān)控視頻中，AdaBoost對(duì)背景變化非常敏感，很容易將類似人臉區(qū)域檢測(cè)為人臉，存在誤檢率較高的問(wèn)題。而本文設(shè)計(jì)的只在運(yùn)動(dòng)目標(biāo)區(qū)域內(nèi)檢測(cè)人臉，可以排除復(fù)雜背景中存在的類似人臉區(qū)域，更好地實(shí)時(shí)準(zhǔn)確檢測(cè)到人臉。

3.4 人臉識(shí)別

LBP算法能夠有效度量和提取圖像局部紋理信息，具有旋轉(zhuǎn)不變性和灰度不變性等特性[11]。該算法計(jì)算簡(jiǎn)便，運(yùn)算效率高，適合在ARM開(kāi)發(fā)板上運(yùn)行。所以，本系統(tǒng)選擇使用LBP算法對(duì)檢測(cè)到的人臉，實(shí)現(xiàn)面部特征的提取和識(shí)別。該算法的主要思想是：將窗口中心像素點(diǎn)的灰度值設(shè)為閾值，然后將鄰域像素點(diǎn)的灰度值與該值進(jìn)行差值比較。得到的值正數(shù)取為1，負(fù)數(shù)取為0。最后將所有數(shù)值串聯(lián)成一個(gè)二進(jìn)制數(shù)，以此表示圖像的局部紋理特征值。LBP人臉識(shí)別主要分為以下幾步：

(1)將一張圖片分成若干個(gè)圖片子區(qū)域；

(2)對(duì)于每個(gè)子區(qū)域中的一個(gè)像素，計(jì)算該像素點(diǎn)的LBP值；

(3)計(jì)算每個(gè)子區(qū)域的直方圖，然后對(duì)該直方圖進(jìn)行歸一化處理；

(4)將得到的每個(gè)子區(qū)域的統(tǒng)計(jì)直方圖連接成為一個(gè)特征向量，得到了整幅圖的LBP紋理特征向量；將待識(shí)別人臉圖像的LBP特征向量，與人臉數(shù)據(jù)庫(kù)中各張人臉圖像的LBP特征向量進(jìn)行相似度計(jì)算，最終判定該張人臉是否與人臉庫(kù)已注冊(cè)的人臉匹配。

3.5 Android客戶端實(shí)現(xiàn)

在檢測(cè)到有陌生人入侵監(jiān)控區(qū)域時(shí)，系統(tǒng)會(huì)自動(dòng)截取圖片保存在FTP服務(wù)端上。用戶可以使用設(shè)計(jì)的一款基于Android的FTP客戶端，下載和查看服務(wù)器里的圖片，更加清楚了解家庭狀況。移動(dòng)客戶端開(kāi)發(fā)流程如圖5所示。首先客戶端發(fā)送連接請(qǐng)求，如果服務(wù)器偵聽(tīng)到該連接，會(huì)和客戶端建立一個(gè)FTP會(huì)話。當(dāng)需要進(jìn)行數(shù)據(jù)傳輸時(shí)，客戶端與服務(wù)端會(huì)在兩個(gè)新建立的端口間進(jìn)行數(shù)據(jù)操作。操作完成后，斷開(kāi)與服務(wù)器的連接。

圖5 FTP客戶端流程

4 實(shí)驗(yàn)結(jié)果和分析

為了驗(yàn)證設(shè)計(jì)的這種在檢測(cè)到運(yùn)動(dòng)目標(biāo)的基礎(chǔ)上，再進(jìn)行人臉檢測(cè)和識(shí)別方法的魯棒性和實(shí)時(shí)性，在不同家庭環(huán)境下，通過(guò)同一個(gè)USB攝像頭捕獲多段視頻數(shù)據(jù)進(jìn)行實(shí)驗(yàn)分析。本文上位機(jī)測(cè)試使用的是聯(lián)想天逸510p臺(tái)式機(jī)，該機(jī)擁有Intel(R) 3.60GHzCPU和4.0GB內(nèi)存，而編程工具主要是VS2010和QT5.10。LBP人臉識(shí)別算法中，中心像素點(diǎn)到周圍像素點(diǎn)的距離參數(shù)設(shè)置為3，鄰域像素點(diǎn)個(gè)數(shù)為8，圖像的x和y方向各均分為8塊。而LBP特征向量相似度閾值的選擇將會(huì)直接影響到人臉識(shí)別率，針對(duì)家庭情況，本文在距離攝像頭1m到6m的范圍內(nèi)，為5個(gè)實(shí)驗(yàn)人員各自創(chuàng)建60張人臉圖像作為人臉庫(kù)。在人臉識(shí)別算法中，為了達(dá)到較高的人臉識(shí)別性能，需要平衡誤檢率和漏檢率，本文通過(guò)求得人臉庫(kù)人臉的類內(nèi)卡方距離與類間卡方距離，得到如圖6所示的卡方距離分布，由圖6中類內(nèi)距離與類間距離曲線的交點(diǎn)可知，98.35為L(zhǎng)BP特征向量相似度的最佳閾值，此時(shí)人臉識(shí)別性能達(dá)到最優(yōu)。

圖6 卡方距離分布

如前所述，AdaBoost算法雖然計(jì)算速度快，但是在復(fù)雜多變場(chǎng)景下，人臉檢測(cè)效果較差，這將不可避免的降低后續(xù)人臉識(shí)別率。本文分別用AdaBoost算法和設(shè)計(jì)的ViBe+AdaBoost方法，對(duì)5個(gè)實(shí)驗(yàn)人員在視頻圖像中各自檢測(cè)60次人臉。從表1可以看到，AdaBoost算法的誤檢率為24.67%，而設(shè)計(jì)的ViBe+AdaBoost算法的誤檢率為9.33%。通過(guò)數(shù)據(jù)發(fā)現(xiàn)，在較復(fù)雜背景下，ViBe+AdaBoost算法有效提高了人臉檢測(cè)效果。

表1 人臉檢測(cè)誤檢率統(tǒng)計(jì)

為了驗(yàn)證系統(tǒng)的人臉識(shí)別性能，在保證能實(shí)現(xiàn)較遠(yuǎn)距離人臉識(shí)別的前提下，將本文設(shè)計(jì)的先運(yùn)動(dòng)目標(biāo)檢測(cè)，再用LBP算法實(shí)現(xiàn)人臉識(shí)別的方法，與LBP人臉識(shí)別和PCA人臉識(shí)別算法，在OK210開(kāi)發(fā)板上進(jìn)行對(duì)比。表2給出了3種方法的識(shí)別率和平均識(shí)別時(shí)間?？梢钥吹?，本文設(shè)計(jì)的方法，無(wú)論是識(shí)別的準(zhǔn)確率還是實(shí)時(shí)性都要優(yōu)于其余兩種算法。在真實(shí)場(chǎng)景中，通過(guò)只識(shí)別運(yùn)動(dòng)目標(biāo)區(qū)域內(nèi)的人臉圖像，可以有效降低人臉識(shí)別算法的誤檢率并提高實(shí)時(shí)性。

表2 人臉識(shí)別效果

完整的基于ARM的人臉識(shí)別智能監(jiān)控系統(tǒng)實(shí)物如圖7所示。LED屏幕上顯示了人機(jī)交互界面，界面包含攝像頭實(shí)時(shí)采集的視頻圖像。用戶可以通過(guò)點(diǎn)擊register按鈕建立人臉數(shù)據(jù)庫(kù)，點(diǎn)擊recognize按鈕開(kāi)啟智能監(jiān)控功能。利用數(shù)字鍵盤，用戶可以設(shè)置接收警報(bào)的電話號(hào)碼。當(dāng)發(fā)生非法入侵時(shí)，系統(tǒng)會(huì)根據(jù)設(shè)置，通過(guò)發(fā)送短信或者撥打電話的方式通知用戶，同時(shí)OK210開(kāi)發(fā)板上的蜂鳴器將會(huì)啟動(dòng)發(fā)出蜂鳴聲，起到一定警示作用。

圖7 系統(tǒng)實(shí)物

當(dāng)用戶接收到電話或者短信報(bào)警時(shí)，可以通過(guò)FTP客戶端登錄服務(wù)器，下載并查看具體是誰(shuí)闖入了家庭，以此采取應(yīng)對(duì)措施；圖8(a)為移動(dòng)客戶端的登陸界面，輸入IP地址，端口和賬號(hào)等信息，便可登陸vsftpd服務(wù)器；圖8(b)所示系統(tǒng)所保存的視頻幀文件；圖8(c)所示通過(guò)長(zhǎng)按每個(gè)文件，便可根據(jù)彈出的子對(duì)話框，進(jìn)行相應(yīng)操作；圖8(d)顯示用戶從服務(wù)器上下載到手機(jī)本地的圖片文件;圖8(e)顯示其中一張下載的圖像畫面，通過(guò)該圖片，用戶可以清楚的了解非法闖入者的相貌特征，掌握到關(guān)鍵證據(jù)。

圖8 Android客戶端操作界面

5 結(jié)束語(yǔ)

本文主要設(shè)計(jì)并實(shí)現(xiàn)了一種基于ARM平臺(tái)下人臉識(shí)別智能監(jiān)控系統(tǒng)。詳細(xì)闡述了系統(tǒng)的總體設(shè)計(jì)方案，并給出了系統(tǒng)軟硬件平臺(tái)的設(shè)計(jì)和搭建。本文設(shè)計(jì)的先在視頻監(jiān)控中檢測(cè)運(yùn)動(dòng)目標(biāo)，再進(jìn)行人臉識(shí)別的方法。解決了由于ARM開(kāi)發(fā)板運(yùn)算能力不足，無(wú)法實(shí)現(xiàn)較遠(yuǎn)距離人臉識(shí)別功能的問(wèn)題。同時(shí)，通過(guò)移動(dòng)求得最大外接矩形，并只處理矩形的局部區(qū)域提高了系統(tǒng)的識(shí)別率與實(shí)時(shí)性。系統(tǒng)能夠?qū)σ曨l圖像進(jìn)行采集和分析，自動(dòng)抓取人臉實(shí)時(shí)比對(duì)，發(fā)現(xiàn)非法目標(biāo)自動(dòng)報(bào)警提示用戶采取應(yīng)對(duì)措施。實(shí)驗(yàn)驗(yàn)證了系統(tǒng)的穩(wěn)定性，為智能視頻監(jiān)控系統(tǒng)的設(shè)計(jì)提供了一個(gè)完整的解決方案。隨著監(jiān)控行業(yè)的不斷發(fā)展，本文設(shè)計(jì)的人臉識(shí)別智能監(jiān)控系統(tǒng)將有廣泛的應(yīng)用前景。

[1]ZHANG Bin.The analysis and exploration of intelligent buil-ding security monitoring system[J].China Public Security,2016,13(5):110-113(in Chinese).[張斌.智能樓宇安防監(jiān)控系統(tǒng)建設(shè)的現(xiàn)狀分析和實(shí)踐探索[J].中國(guó)公共安全,2016,13(5):110-113.]

[2]YUAN Jianfei,YUAN Yuhao,JIAN Dandan.Design and implementation of locomotives video surveillance system based on Hi3521 chip[J].Computer Engineering and Design,2016,37(7):1781-1786(in Chinese).[袁劍飛,袁宇浩,簡(jiǎn)丹丹.基于Hi3521的機(jī)車視頻監(jiān)控系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].計(jì)算機(jī)工程與設(shè)計(jì),2016,37(7):1781-1786.]

[3]De-la-Torre M,Granger E,Sabourin R,et al.Adaptive skew-sensitive ensembles for face recognition in video surveillance[J].Pattern Recognition,2015,48(11):3385-3406.

[4]An L,Bhanu B,Yang S.Face recognition in multi-camera surveillance videos[C]//21st International Conference on Pattern Recognition.IEEE,2012:2885-2888.

[5]ZHANG Bei,WANG Shunfang.PCA face recognition algorithm based on robust MCD estimator[J].Computer Engineering and Design,2015,36(3):778-782(in Chinese).[張蓓,王順?lè)?基于MCD穩(wěn)健估計(jì)的PCA人臉識(shí)別算法[J].計(jì)算機(jī)工程與設(shè)計(jì),2015,36(3):778-782.]

[6]CHEN Si,ZHAO Huanxi,ZHU Shunzhi.A new kind of zero space face recognition algorithm based on Gabor feature[J].Journal of Xiamen University:Natural Science,2016,55(1):108-113(in Chinese).[陳思,趙歡喜,朱順痣.一種新的基于Gabor特征的零空間人臉識(shí)別算法[J].廈門大學(xué)學(xué)報(bào):自然科學(xué)版,2016,55(1):108-113.]

[7]SHANG Ying,HUANG Hejie.Face recognition based on ZigBee smart monitoring system[J].Electronic Test,2013(23):62-63(in Chinese).[商瑩,黃荷潔.基于ZigBee的人臉識(shí)別智能監(jiān)控系統(tǒng)[J].電子測(cè)試,2013(23):62-63.]

[8]Ru F,Peng X,Hou L,et al.The design of face recognition system based on ARM9 embedded platform[C]//IEEE 11th International Conference on ASIC.IEEE,2015:1-4.

[9]Hui-jun LI.Design and Implementation of mobile video surveillance system based on V4L2[J].International Journal of Signal Processing,Image Processing and Pattern Recognition,2016,9(1):409-416.

[10]YU Ye,CAO Mingwei,YUE Feng.EVibe:An improved vibe algorithm for detecting moving objects[J].Chinese Journal of Scientific Instrument,2014,35(4):924-931(in Chinese).[余燁,曹明偉,岳峰.EVibe:一種改進(jìn)的Vibe運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J].儀器儀表學(xué)報(bào),2014,35(4):924-931.]

[11]Kumar VV,Reddy KS,Krishna VV.Face recognition using prominent LBP model[J].International Journal of Applied Engineering Research,2015,10(2):4373-4384.