平安城市虚拟卡口研究.docVIP

平安城市虚拟卡口研究 　　摘 要：伴随“平安城市”建设的深入，道路高清摄像头数量快速增加，依靠道路高清摄像头的虚拟触发实现常规卡口的功能，实现城市卡口联网布控，成为“平安城市”建设中急需突破的关键技术。 　　关键词：平安城市；虚拟触发；虚拟卡口 　　中图分类号：TP18 　　利用卡口信息对城市安全进行智慧化的管理是城镇化建设的重要组成部分，但目前各大城市常规卡口数量较少且分布孤立而摄像头数量较多且分布较广，同时，修复及新建卡口问题导致马路拉链现象比比皆是。现实表明，大量高清视频信息被浪费，而仅依靠卡口又难以实现有效的车辆行为轨迹跟踪，不能满足警方对交通肇事和刑事治安案件刑侦信息的需求。 　　采用视频触发方式的虚拟卡口可以在不改变原有监控结构的情况下方便实现卡口的功能，与实际的常规卡口互相补充，在套牌车检测、违章车辆追逃等方面发挥着越来越大的作用，支撑平安城市的业务应用。 　　1 虚拟卡口 　　本课题以城市中密集分布的摄像机视频数据为切入口，研发基于视频的虚拟卡口系统，虚拟卡口通过视频监控点的复用，形成海量的虚拟卡口布控点位，在视频画面中的特定区域设置类似于地感的虚拟线框，在目标触碰虚拟线时由软件触发并抓图，从而实现卡口的功能。 　　将虚拟卡口系统智能视频算法、原理运用于在治安、刑事等公安领域，可实时提取重要区域位置、嫌疑人等人脸特征的信息、人员行为等信息，并在此基础上进行人员比对、案件串并等图像侦控功能，为其行业扩展应用奠定基础，场景十分广阔。 　　2 虚拟卡口算法实现 　　基于boosting的虚拟线圈触发。Boosting为一种基于分类器的机器学习方法，它通过一轮一轮的选举，选出分类能力一般的简单、线性分类器，再依据一定的方法将其组合起来，构成分类能力很强的强分类器，完成简单的二值的或多值分类； 　　AdaBoost算法是Boosting家族中的最具代表性算法，野点为训练样本中的错分样本。AdaBoost对野点的识别能力较强，但是当野点数目过多的时候，过分强调“困难”样本将会降低AdaBoost性能。基于此，Firedman等人提出了“Gentle AdaBoost”（简称GAB）分类模型，与RAB类似，都是最优化指数损失函数，但是GAB的稳定性表现更高，弱分类器权重始终为1。 　　通常情况下，目标识别包括表示、学习分类两个阶段，训练样本通过提取特征构建特征库，再通过概率推理模型或分类器模型进行学习，为待识别目标提供识别决策，最后完成识别任务，下图1显示了广义目标识别的过程。 　　图1 图像理解中目标分类的一般过程 　　识别复杂场景下多种不同的目标已经成为图像理解【3】领域的挑战之一。GAB分类模型是用最小均方拟合弱分类器的过程，相对于其它常用的Boosting模型来说，它稳定、鲁棒性高，并在图像理解领域得到了广泛的应用。故采用GAB设计分类器模型完成场景中目标识别检测。 　　Boosting是一种拟合累加模型的简单方式，累加模型公式： ，其中，ν是图像的输入特征向量，M是迭代次数，H（ν）=logP（z=1│v）/P（z=-1│v）是目标类别为+1的概率的对数度量，z是类别标签+1或-1。因此，P（z=1│v）=σ（H（v）），σ（x）=1/（1+e-x）是sigmoid函数或logistic函数。在Boosting迭代过程中，hm（v）是第m次迭代得到的弱分类器，H（v）是最终加权求和后的强分类器。 　　强学习器H按照H（v）=H（v）+hm（v）更新，选择hm（v使得损失函数的二阶泰勒估计最小，如公式： ，用训练数据的平均值代替期望，并对训练样本 定义权重 ，损失函数就是最小化均方误差，如公式： ，其中，N是训练样本个数。需要注意的是，最小化的损失函数是依赖于弱学习器hm的。 　　通常弱学习器是一个简单函数，如公式：hm（ν）=αδ（ν?θ）+b（ν?≤θ），其中，ν?表示输入特征向量的第?维，θ是阈值，δ是指示函数，α和b是回归参数。实验中这些弱学习器为决策树或回归桩，可以看作是单一节点的下降的决策树。从决策树中学习节点，找出最佳桩。过程如下：搜索所有可能的特征?，对每个特征搜索所有可能的阈值θ，这些阈值由?的观测值排序得到。给定?和θ，通过加权最小均方估计最优的α和b，如公式（1）（2）所示： 　　（1） 　　（2） 　　选择合适的?、θ以及相应的α和b，使得损失函数最小。权重更新： ，增加了错分样本的权重，也即当zih（vi）0，减少正确分类样本的权重。 　　整个场景中目标识别的过程如图2所示。 　　图2 基于GAB的场景中目标识别流程框图 　　同时利用虚拟卡口一体机，使用高清网络相机作为视频输入源，将利用智能分析算法得到的分析结果输出给后端大数据平台，将所