基于网络安全技术的智能视频监控系统设计与实现

龙源期刊网

基于WiFi的远程视频测控系统设计与实现

作者：盛平 宋志敏

来源：《软件导刊》2015年第06期

摘要：基于WiFi的远程视频测控系统可以通过Web及移动终端（平板、手机）远程实现智能控制以及视频监控，并将视频数据与操作记录等存储于云服务器上。研究了物联网、云服务器、移动终端等技术，以AR9331无线WiFi芯片为核心处理器、红外可控摄像头为视频采集模块，利用云服务器，采用WiFi技术，构建了高度集成的嵌入式实时测控平台。LUCI技术实现一键连接，具有体积小、成本低、稳定性高、安全性好、操作便利等特点，集智能控制及安防等功能于一体。以宠物喂食视频监控为例，以AR9331无线模块搭配Linux系统提供云服务。实验结果表明该系统稳定可靠，能够很好地实现智能喂食与监控功能，满足宠物看护与安防需求。

关键词：WiFi；视频监控；嵌入式；智能控制

DOIDOI：10.11907/rjdk.151120

中图分类号：TP319

文献标识码：A 文章编号：16727800（2015）006008303

基金项目基金项目：2014年江苏省产学研联合创新资金项目（BY2014123-03）；镇江市农业发展项目（NY2011011）

作者简介作者简介：盛平（1957-），男，江苏镇江人，硕士，江苏大学计算机与通信工程学院高级工程师、硕士生导师，研究方向为嵌入式测控系统、视频监控及跟踪；宋志敏（1989-），男，江苏淮安人，江苏大学计算机与通信工程学院硕士研究生，研究方向为嵌入式测控。

0 引言

宠物经济所产生的连锁效应不可小视，宠物所推动的连锁产业在当今激烈竞争的市场占据了一定的份额。目前市场上的宠物看护系统品种不多，大多数产品功能单一，不能满足人们日益增长的需求。近年来，随着智能家居[1]技术的发展和生活节奏的加快，对智能化设备的准确性、有效性、便利性提出了更高要求。

智能视频监控系统的设计与实现

随着人类社会的进步，信息技术的发展日新月异，各行各业都开始逐步智能化，而安防行业作为信息技术的重要应用领域，智能视频监控系统的需求也越来越迫切。本文将就智能视频监控系统的设计与实现进行论述。

一、智能视频监控系统的设计思路

1、系统框架

智能视频监控系统的主要组成部分包括：视频采集、视频压缩、视频传输、存储和检索、智能分析及报警等子系统。

其中，视频采集模块主要负责从摄像头等采集设备中获取视频数据；视频压缩模块则负责将原始的视频数据进行压缩，以减小数据量，便于传输和存储；视频传输模块负责将压缩后的视频数据通过网络传输到指定的存储设备中，同时也需要确保数据的安全性；存储和检索模块则主要负责将传输过来的视频数据进行存储，并能够提供相应的数据检索功能；智能分析及报警模块则负责对存储的视频数据进行智能分析，如目标检测、场景识别等，并能够根据特定的条件触发报警，帮助用户及时发现异常事件。

2、系统流程

智能视频监控系统的基本流程如下： 视频采集->视频压缩->视频传输->存储和检索->智能分析及报警

其中，系统启动时，视频采集模块从摄像头中获取视频数据，然后经过视频压缩模块进行压缩，压缩后的视频数据通过网络传输到指定的存储设备中进行存储；存储和检索模块则是在存储视频数据的同时，提供相应的检索功能，以便用户可以快速查找需要的视频数据；智能分析及报警模块则是在存储的视频数据中进行目标检测、场景识别等智能分析操作，一旦发现异常事件，就会触发相应的报警信号，帮助用户及时采取措施。

二、智能视频监控系统的实现方法

1、视频采集

智能视频监控系统的视频采集模块通常采用网络摄像头或硬盘录像机等设备进行采集。具体实现方法可以采用OpenCV等图像处理库，在采集的过程中进行图像处理，以提高图像质量和识别准确度。

2、视频压缩

智能视频监控系统的视频压缩模块通常采用H.264、H.265等视频编码标准进行压缩。这些编码标准具有压缩比高、画质好、流畅度高等特点，适合于视频监控的应用场景。

基于深度学习的智能安全监控系统设计与实现

智能安全监控系统是利用先进的深度学习技术和计算机视觉算法来实现对安全场所的实时监控和预警的系统。该系统通过利用深度学习模型对图像和视频数据进行分析和识别，从而实现对不安全行为和异常事件的自动检测和报警。本文将介绍基于深度学习的智能安全监控系统的设计与实现。

首先，智能安全监控系统的设计需要选取合适的深度学习算法和模型。常用的深度学习算法包括卷积神经网络（Convolutional Neural Networks,

CNN）、循环神经网络（Recurrent Neural Networks, RNN）和长短时记忆网络（Long Short-term Memory, LSTM）等。在安全监控系统中，一般使用CNN处理图像数据和视频数据，因为CNN在图像和视频处理上具有出色的性能。另外，根据监控场景的不同，也可以采用一些特定的目标检测算法，如Faster R-CNN、YOLO等。

其次，智能安全监控系统的实现需要大量的标注数据集。标注数据集是用于训练深度学习模型的关键。标注数据集需要包含各种不同的安全场景和行为，例如盗窃、攻击、火灾等。对于图像数据，可以手动标注人物、车辆、物体的位置和类别；对于视频数据，可以标注每一帧的检测结果。为了获得高质量的标注数据集，可以借助众包平台或者人工智能公司提供的标注服务。

接下来，智能安全监控系统需要进行数据的预处理和特征提取。预处理的步骤包括图像的去噪、图像的增强和图像的归一化等。特征提取是将图像和视频数据转换为计算机可识别的特征表示的过程。常用的特征提取方法包括颜色直方图、HOG特征和SIFT特征等。对于图像和视频数据，也可以使用预训练的深度学习模型提取特征，如使用在ImageNet上预训练的Inception、ResNet等模型。

然后，智能安全监控系统需要进行模型的训练和优化。在训练深度学习模型时，一般需要使用大规模的计算资源和GPU加速。可以使用开源的深度学习框架，如TensorFlow、PyTorch等，来搭建和训练模型。模型的优化包括调整模型的超参数、增加训练数据、使用正则化方法等。此外，为了提高模型的泛化能力，还需要进行模型的验证和测试，以评估模型的性能和效果。

基于云计算和深度学习的新型智能视频监控系统设计与实现

随着科技的日益发展与应用，视频监控系统被广泛应用于各个领域，如城市安全、交通管理、金融安全等。而随着云计算和深度学习技术的发展，新型智能视频监控系统也越来越受到重视。本文将从设计与实现两方面，介绍基于云计算和深度学习的新型智能视频监控系统。

设计方案

一、系统框架

新型智能视频监控系统的框架主要分为三个部分：视频采集、云端处理和应用。

1. 视频采集方案

采集方案需要保证视频质量、稳定性和可扩展性。对于现代智能设备，传感器的发展和成本的下降使得高清晰度的摄像头成为可能。而对于应用场景，如需使用更多的摄像头，通过模块化方法可以很容易地实现扩展。

2. 云端处理方案 云端处理部分按照功能分为四个模块：视频分析、存储、网络传输以及安全控制和发布。

视频分析：视频分析是整个系统的核心。利用深度学习的图像识别算法，实现画面的识别、分析和分类，可以对视频进行人脸识别、行人跟踪、目标检测等。同时，也可对视频进行内容分析，如场景分析、人物行为分析等。

存储：视频数据量巨大，对存储的要求也非常高。因此，系统需要具备高效的存储模块，支持视频流存储、快照数据存储等模式。

网络传输：高速稳定的网络传输也是系统中必不可少的部分。系统可通过自适应码率控制和多路复用技术来解决数据传输时的延迟和拥塞问题。

安全控制和发布：保证视频数据的安全是保障系统运行的重要因素之一。因此，系统要求有完善的安全控制机制，支持以云应用程序的形式发布。

3. 应用方案

应用方案主要包含三个方面：监控派遣、远程控制以及实时告警。 监控派遣：系统能够自动识别视频内容和特征，根据不同应用场景和应用需求，提供画面分析结果，支持自动化派遣监控人员进行处理。

远程控制：利用云平台与终端设备的协同作用，实现对远程控制，通过云平台的虚拟组件，实现视频画面的远程监控与控制。

实时告警：应用场景需要实时响应各种情况，如火灾、交通事故等。对于这种情况，系统通过特定的算法快速判断画面，实现实时告警，提高应急响应速度。