基于嵌入式的行人检测、追踪智能安全]防控系统设计

连俊芳

(闽南理工学院实践教学中心，福建 石狮 362700)

0 引言

目前各大商场、小区等都安装了大量的监控设备，但这些监控设备大多由安保人员进行人工监察，而安保人员每日工作时间通常超过8 h，并且夜间也需要长时间地监看。长时间工作使得安保人员难免因疲劳而导致在异常状况发生时无法作出准确判断，从而引发安全问题。目前，人们对于安全问题越来越重视，视频监控的数量也越来越多，对安防人员的要求也越来越高，这就造成在人工成本骤增的情况下安全还不能得到绝对的保障。因此，需要利用人工智能的手段，在降低成本的同时提高视频监控的准确度，降低出错率。

本文设计了一套端对端的智能安全防控系统，利用行人检测、行人追踪研究方法在嵌入式设备中的应用，用户不需要进行任何操作，就可以得到行人的各项数据[1]；同时，该设计利用一系列研究方法，在保证视频监测准确率的前提下提升其效率，并且考虑到有可能出现行人重复出现而导致识别错误的情况发生，采用了行人重识别技术，保证行人数据的唯一性。

1 系统总体设计

本系统主要针对摄像头实时视频或以往拍摄的视频而设计，可以不需要用户进行任何操作就能自动完成行人检测、行人追踪以及行人信息统计的过程。在系统自动检测追踪的过程中，可以在显示界面标注出检测到的行人和其ID的实时信息[2]；同时，可以将剪辑行人的实时信息录入到数据库中，为后续行人重识别提供依据。这个过程全程自动化，无需用户进行手动操作；系统设置了数据管理员，可以凭借权限进入数据库进行行人数据信息查询、行人数据信息修改以及行人数据信息维护等一系列操作。该系统可以应用在各大商场、车站等人员密集的地方，对来往人员进行实时监测，发现异常情况及时处理，以达到安全防控的目的[3]。

为了实现系统的功能，设计了一个完整的端到端的行人信息统计系统，包含行人检测、行人追踪、行人重识别、数据库管理、显示界面5大模块[4]。很多研究人员在以上单独的模块上均有深入的研究，但很少有人将这五者结合，设计出一个完整的用于安全防控的行人信息检测与统计的系统。

边缘计算并不新鲜，但是随着科技的进步，人们对互联网的要求越来越高，使得边缘计算越来越流行，而如何将算法在嵌入式设备上得到很好的应用是笔者一直关注的重点。本文设计的基于嵌入式的行人检测、追踪智能安全防控系统，就是将算法应用在嵌入式设备上，同时将嵌入式设备的易部署、成本低、便携的优势和算法的性能优势相结合，使其在实际场景中得到很好的应用。系统的行人检测过程流程图如图1所示。

图1 行人检测过程流程图

系统结构图如图2所示，从系统结构图中可以看出，普通用户对行人检测、行人追踪、行人重识别以及对数据库数据调用对比等操作的过程是不可见的，普通用户仅能够观察显示界面中行人的一些统计数据。考虑到安全性的问题，会设置一个系统管理员，系统管理员对行人的数据具有可操作的权利。

图2 系统结构图

2 行人检测算法介绍

根据目标检测算法的流程，目前主流的算法分为two-stage和one-stage两种。two-stage算法的主要代表有R-CNN系列，one-stage算法的主要代表有YOLO系列[5]。

YOLO算法实际上是将目标检测的问题化简成回归问题，其直接从每幅图像的像素出发，以得到框和分类概率。YOLO具有检测速度很快、会根据整张图片现有信息进行预测的优点，所以本系统采用YOLO模型进行行人检测。YOLO将输入的图片缩放到合适的分辨率，使用卷积神经网络模型对图片进行特征提取，然后输出对应张量，最后预测候选框。本系统采用非极大值抑制算法，将置信度最高的候选框选取出来，目的是防止多次检测到同一个目标，将重复框过滤掉，从而得到最终的检测结果。其详细流程如图3所示：YOLO利用卷积神经网络分割图片为S×S网格，检测网格中是否存在目标，确定中心点位置。

3 系统各模块的设计

3.1 行人检测模块

本系统采用的是比较有代表性并且精度比较高的YOLOv3-SPP结构模型进行行人检测。YOLO可以对目标行人实现端到端的检测[6]。YOLO利用卷积神经网络分割图片，检测网格中是否存在目标，确定中心点位置，从而实现行人检测的目的[7]。

图3 检测算法流程图

3.2 行人追踪模块

本系统采用基于Deep Sort框架进行改进的行人检测与追踪的追踪策略。利用YOLOv3在速度上的优势，以及Deep Sort中包含的RE-ID模型可以对行人进行特征提取的特点，就可以重新“训练”出一个在行人数据集上有更好性能的模型。

3.3 行人重识别模块

在行人检测过程中难免会出现同一个行人反复出现在同一个摄像头范围内或者同一区域跨摄像头出现的情况。为了防止同一行人短时间内反复出现或跨镜头出现而导致行人ID不同的情况发生，本系统在行人检测及追踪过程中加入短时行人重识别模块[8]，充分利用图片的表征信息，保证目标信息正确且不会跟丢。同时考虑到长时间内已经出现过的行人也有可能再次出现在摄像头内，因此还需要加入一个长时间的行人重识别模块，在对行人识别追踪之后，在数据库中匹配，看是否已存在该行人的基本信息，从而实行行人信息的唯一性。

3.4 数据库模块

建立存储行人信息的数据库，每次检测和追踪都是对数据库信息的一个完善，并且允许系统在进行行人检测、追踪和重识别时调用数据库模块数据。考虑到安全问题，设置普通用户无权访问，管理员用户在进行验证之后可以对数据进行修改、查询等操作。

3.5 显示界面模块

整个检测过程通过系统界面进行显示，界面中可以标注出行人的信息，包括年、月、日、时以及ID等信息，普通用户不需要进行任何操作即可使用。若出现异常情况会发出警报，用户根据警报去查看发生的情况即可。

4 硬件需求

本文应用的是NVIDIA公司设计的第三代嵌入式平台Jetson Tegra X2(简称TX2)，基于深度学习的各类模型均可在嵌入式平台TX2上进行高效部署[9]，包括本文设计的行人检测、追踪模型的部署。TX2嵌入式平台如图4所示。

图4 TX2嵌入式平台

TX2 平台CPU由双核Denver 和四核ARM Cortex-A57 组成，通过优化架构高效互联；GPU采用Pascal架构，拥有256个CUDA核心，可进行基于YOLO的深度学习模型运算；显卡计算性能极高，可以解码要求极高的高清视频流。

5 系统应用

本文设计的这款行人检测、追踪的安全防控系统经过了实际应用，效果良好。图5是系统的交互界面，从图中可以看到，系统收集了各个摄像头的实时信息进行行人检测和行人追踪，同时匹配数据库信息进行行人重识别，对同一个人重复出现或跨摄像头出现的情况予以删除，保留一个行人ID[10]。并且系统会对异常情况进行统计，管理员可以登入查看具体异常情况而予以妥善解决。本系统还可以设置人数上限，超过上限人数，系统会发出警报，管理员可以根据人员密集程度而采取一些措施，例如对场所进行限流、分流以防止因人员过于密集而发生安全事件。

图5 系统的交互界面

6 总结与展望

本文完成了基于嵌入式的行人检测、行人追踪智能安全防控系统的设计，把深度算法运用在嵌入式设备上，可以让设备变得智能化。随着5G的发展，在如今万物互联的时代，在安全防控系统的改进方面还将具有巨大的潜力。首先，本系统虽然实现了对行人实时检测的需求，但速度方面还有待提高，可以结合5G网络进行改进；其次，本系统对数据存储的空间要求比较高，可以结合云端存储降低存储空间，由于5G网络的低延迟性，并不会对存储速度产生影响；最后，本系统会对每个行人的每帧进行逐一对比，这就导致了计算量非常巨大，在今后的设计中可以考虑用特征融合的方法来改善行人检测与重识别的速度。