基于物联网和云平台的船舶远程智能安全报警系统

宋全记

摘 要：

为了保证船舶的安全航行，有效预防和打击犯罪活动，在船舶的公共区域广泛安装了视频监控系统。目前，这些系统只能记录下拍摄的信息供日后调取，却不能实时的判断画面中的行为，对犯罪活动及时预警。采用物联网技术将拍摄的信息传送给云平台，在云平台下通过CNN（convolutional neural network，卷积神经网络）模型来提取特征向量，同时应用RNN（Recurrent Neural Networks，循环神经网络）对拍摄的信息进行判断，及时将危险预警发送给相关人员处理。实验表明本文提出的方法是可行、有效的。

关键词：

船舶安全航行; 物联网; 云平台; 卷积神经网络; 循环神经网络

中图分类号： TP 399

文献标志码： A

Remotely Intelligent Ship Security Alarm System Based on

the Internet of Things and Cloud Platform

SONG Quanji

（Department of Electromechanical and Information Engineering， Sichuan College of

Architectural Technology， Deyang， Sichuan 618000， China）

Abstract：

In order to maintain the safety of ship navigation， effectively prevent and combat illegal crime， video surveillance systems are widely installed at the public area of the ship. At present， these systems can only record the videos for sequential use， and cannot judge real-timely the actions in the videos or alarm illegal crime in time. This paper introduces a method that transfers information to cloud platform upon internet of things， and CNN （convolutional neural network）model is used to extract the feature vector， RNN（Recurrent Neural Networks） is used to judge the actions at the same time. Experiments show that the method proposed in this paper is feasible and effective.

Key words：

safety of ship navigation; internet of things; cloud platform; convolutional neural network; recurrent neural networks

0 引言

随着水运交通和旅游业的不断发展，如何保障船舶航行过程中每个人的财产、生命安全是每个航运部门都要解决的重要问题[1-2]。目前在船舶公共区域安装监控系统是普遍采用的技术手段，但是这些监控系统只能记录拍摄的信息，不能判断监控内容及时报警，使得很多不法分子作案后还是可以逃离现场，为日后的侦破工作增加了难度。本文提出了以物联网和云平台为基础、以神经网络等技术为工具的新型自动报警系统，对实时监控中的不法行为及时报警，最大限度减轻受害人损失，尽快将犯罪嫌疑人绳之以法。

随着物联网技术的发展，越来越多的设备接入到物联网中，给人们的生活带来了很多便利[3-4]。很多云平台都采用Hadoop搭建，Hadoop是一个分布式系统基础架构，用户可以通过它高速运算和存储[5-6]。本文提出的报警系统，通过arduino将监控信息简单处理后，发送给基于Hadoop的云平台，在云平台下通过神经网络的算法识别预测，并及时将危险行为预警，使得船舶相关人员可以及时应对各种犯罪活动，把人民群众的损失降到最低。

1 相关工作

CNN（卷积神经网络，convolutional neural networks）是前馈神经网络的一种，很多文献试图通过CNN“读懂”图片内容[7-9]。文献[7]定义了基于深度神经网络的回归问题，预测图片中人们的身体姿势;文献[8]提出的模型通过学习自然语言和视觉图片的关系，生成图片物品和所在区域的相关描述;文献[9]则通过结合计算机视觉与机器翻译的模型，生成图片信息的自然语言描述。

SVM（支持向量机，Support Vector Machine）是一个有监督的模型，常用来做分类器，一个广泛的应用是行人检测[10]。文献[11]研究SVM分类方法及其分類应用，以扩展其应用领域、解决实际问题。文献[12]则运用交叉验证与网格搜索法，对SVM分类核函数及参数进行优化。由于本文中监控内容复杂多变，因此不同于SVM分类，我们采用了CNN+RNN模型对检测到的视频信息进行预测，并对实验结果进行分析。

2 数学模型

2.1 整体框架

整个智能安全报警系统的云平台结构如图1所示。

各船舶公共区域采集的监控数据、日志信息通过物联网技术实时接入到Hadoop分布式文件系统中，训练数据和预测模型通过智能安全报警系统上传使得该系统数据资料可以保持随时更新。云平台负责这些数据的批处理、实时计算，并且将这些数据资料存储于数据库中。在实时计算过程中，对监控数据实时预测，并针对不同的预测结果发出相应指令以实现安全报警功能。

其中OpenStack是整个项目的云计算管理平台;Hive是一个数据仓库工具，可以将sql语句转换为MapReduce运行;Spark是MapReduce的一个通用并行框架;NoSQL指的是非关系型数据库，MongoDB是其基于分布式文件存储的一个解决方案。这里充分利用了Hadoop集群的威力进行高速运算和存储，以应对监控信息数据量大、计算复杂的特点。

该智能安全报警系统的物联网结构如图2所示。

各公共区域视频监控通过Arduino328芯片控制，实时监控信息通过ENC28J60网络模块传输给云平台，不需要实时传输的信息（例如训练数据或备份数据）可暂时存放在AT24C02存储器中供需要时调用。GPS卫星定位可以辅助获取监控点位置信息，语言报警系统则起到对犯罪分子警示的作用。

2.2 模型构建-CNN单元

对获取的图像信息，我们采用图3的方式处理数据。

在上图中，每次从输入图片中取9个相邻位置元素，通过核函数计算，将结果传给输出图像，并依次滑动输入和输出坐标直至完成整个图片的转换。这里如果取

则意味着对原图像取中值。

类似的如果改变核函数，就可以实现柔化、锐化等图片效果，如图4所示。

這里我们只输出中间元素的值，实现图片的降维。

2.3 分类预测模型

由于监控数据中包含的信息复杂多变，本文采用softmax回归和RNN模型相结合的预测模型，现分别对两种回归模型进行阐述。

2.3.1 softmax回归

对于CNN很多文献采用softmax回归进行预测[13]。其激活函数如式（1）所示。

系统损失方程可表示如式（2）。

对式（2）我们可以采用梯度下降算法按其梯度下降的方向运行，依次迭代并更新参数。其中θ是模型的参数，1{.}是指示性函数，即满足条件时函数值为1，否则函数值为0。

由于本例中参数较多，样本数量较少。为了防止过拟合，我们加入了Dropout层。

1.通过限定权值范围代替设置权值惩罚项;

2.将输入数据和隐含激活层在一定比例内置为零;

3.预测过程中，输出值要按照相应比例缩减。

在预测过程中，softmax回归预测值如式（3）所示。

（t）=softmax（wyhht+by）（3）

这里选择softmax函数，原因是它可以解决多分类问题。为了进一步提高准确度，可以采用gated softmax进行预测[14]，如式（4）所示。

（t）=softmax（sy（x，h）+by）         （4）

其中，sy（x，h）=htWyx，h为隐式二进制变量。

2.3.2 神经网络

神经网络通过训练样本来提高分类的正确率，如果训练样本可以表示为一个平面

我们可以通过一条直线将这两组特征向量分开

ax+by+c=0

把这个式子推广到n维空间，我们可以用n-1维超平面把n维空间训练样本分开

a1x1+a2x2+…+anxn+a0=0

对于图5这样不能用一条直线分类的样本，可以用多层神经网络解决，相当于用多条直线对样本进行分类。

另外分段函数不可微，所以通常采用sigmoid函数来代替，它可以实现阶跃函数的效果，而且更加平滑，同时可以用参数控制样本点的距离，如图6所示。

2.3.3 循环神经网络

前面提到的多层神经网络中，各个数据之间是相互独立的，而在实际应用中很多数据是存在某种联系的。

对于图6中的结构，我们可以很容易求得其对应关系;对于图7中的结构，我们可以通过线性回归、逻辑回归求得其对应关系。

本文中我们采用循环神经网络，即在神经网络中允许出现循环结构，如图9所示。

为了解决RNN在处理长时间依赖时的不足，本文采用MUT单元结构[13]，它的结构比常用的LSTM简单，计算相对容易，其单元迭代式如式（5）—式（7）所示。

MUT和GRU单元结构类似，它的门控单元不是独立的而是融合在一起。更新门控zt决定了有多少单元结构被更新或激活。重置门控rt则控制选择当前输入和之前状态的比例。在t时刻的隐含层ht则通过式（7）给出。

2.4 模型训练和预测

下面我们给出整个CNN+RNN模型的训练过程：

（1）输入层。CNN单元对图片信息降维后，传给MUT单元结构。降维后的长度即为MUT单元个数，这里我们对图片取灰度，这样每个MUT输入维度为256。

（2）隐含层。这里我们通过式（5）和式（6）分别计算出更新门控zt和重置门控rt。其中W为权重，初始值随机生成。这里我们采用Adagrad自适应梯度下降方法更新权重W，它能够根据梯度的更新量调整梯度的实际影响值，其迭代式如式（8）所示。

其中，lr是迭代次数;g是W的梯度，可通过反向传播计算得出;ε是常数，这里我们取1e-6。得到更新的权重W后求出更新门控zt和重置门控rt，并代入式（7）即可得到隐含层。

（3）输出层。这里的输出层只是分类结果，由于输入信息复杂多变，我们结合softmax回归式（4）给出最终的预测结果，如式（9）所示。

这里α是0-1之间的常数，y1和y2分别是softmax和MUT的分类预测。

3 实验仿真

本文中的硬件实验环境：inter core i5处理器，4G内存，Nvidia 750ti独立显卡。

本文分别对船舶监控视频中的危险品检测、手持刀棍和盗窃财物三种违法行为进行预测，其预测正确率分别为71%，63%和65%，示例如图10—图12所示。

4 总结

本文采用了物聯网和云平台技术，对船舶公共区域的犯罪行为能够智能预警。预测模型应用的是CNN+RNN，实验表明该方法是可行、有效的。在未来的研究工作中，我们将继续挖掘监控信息中各数据之间的关系，进一步提升预测的准确率，为船舶远程智能安全系统提供更完善的技术支持。

参考文献

[1] 许艳梅. 基于3G技术的船舶远程监控系统的研究与设计[D].大连： 大连海事大学， 2013.

[2] 刘涛. 安全监视与综合报警系统的设计与实现[D].大连： 大连海事大学， 2015.

[3] 崔晓梦. 基于Arduino的物联网接入器的设计[J]. 电子技术与软件工程， 2015（3）：33-34.

[4] 贾庆华. 物联网接入技术研究与系统设计[J]. 通讯世界， 2016（8）.

[5] 邓自立. 云计算中的网络拓扑设计和Hadoop平台研究[D]. 合肥：中国科学技术大学， 2009.

[6] 杨来， 史忠植， 梁帆，等. 基于Hadoop云平台的并行数据挖掘方法[J]. 系统仿真学报， 2013， 25（5）：-.

[7] Toshev A， Szegedy C. DeepPose： Human Pose Estimation via Deep Neural Networks[C]// Computer Vision and Pattern Recognition. IEEE， 2014：1653-1660.

[8] Karpathy A， Li F F. Deep visual-semantic alignments for generating image descriptions[C]// Computer Vision and Pattern Recognition. IEEE， 2015：3128-3137.

[9] Vinyals O， Toshev A， Bengio S， et al. Show and tell： A neural image caption generator[J]. Computer Science， 2015（）：3156-3164.

[10] Dalal N， Triggs B. Histograms of Oriented Gradients for Human Detection[C]// IEEE Conference on Computer Vision & Pattern Recognition. 2005：886-893.

[11] 梁燕. SVM分类器的扩展及其应用研究[D]. 湖南大学， 2008.

[12] 奉国和. SVM分类核函数及参数选择比较[J]. 计算机工程与应用， 2011， 47（3）：123-124.

[13] Jozefowicz R， Zaremba W， Sutskever I. An Empirical Exploration of Recurrent Network Architectures[J]. 2015.

[14] Memisevic R， Zach C， Pollefeys M. Gated Softmax Classification[J]. Neural Information Processing Systems， 2012.

（收稿日期： 2019.04.03）