本發(fā)明涉及監(jiān)控領域，具體涉及一種基于手機客戶端實現(xiàn)的智能實時監(jiān)控系統(tǒng)。
背景技術：
：目前，現(xiàn)有同類技術或產品存在著一些不足或缺陷，比如：一，遠程訪問只能支持單一的監(jiān)控視頻預覽；二，未能實現(xiàn)數據分享或上傳至遠程云端平臺。技術實現(xiàn)要素：針對上述問題，本發(fā)明旨在提供一種基于手機客戶端實現(xiàn)的智能實時監(jiān)控系統(tǒng)。本發(fā)明的目的采用以下技術方案來實現(xiàn)：一種基于手機客戶端實現(xiàn)的智能實時監(jiān)控系統(tǒng)，包括監(jiān)控系統(tǒng)和手機客戶端，所述手機客戶端通過無線通信技術，能夠實現(xiàn)如下功能：(1)高效的流媒體方案，包括：傳輸模塊、解碼模塊和渲染顯示模塊，使得通過手機客戶端可遠程實時瀏覽高清圖像；(2)通過客戶端，實現(xiàn)將遠程文件分享至社交平臺或云端平臺保留存儲。本發(fā)明的有益效果為：實現(xiàn)了遠程訪問監(jiān)控系統(tǒng)和數據分享。附圖說明利用附圖對本發(fā)明作進一步說明，但附圖中的實施例不構成對本發(fā)明的任何限制，對于本領域的普通技術人員，在不付出創(chuàng)造性勞動的前提下，還可以根據以下附圖獲得其它的附圖。圖1是本發(fā)明的結構連接示意圖。附圖標記：監(jiān)控系統(tǒng)1、手機客戶端2。具體實施方式結合以下實施例對本發(fā)明作進一步描述。參見圖1，本實施例的一種基于手機客戶端實現(xiàn)的智能實時監(jiān)控系統(tǒng)，包括監(jiān)控系統(tǒng)1和手機客戶端2，所述手機客戶端2通過無線通信技術，能夠實現(xiàn)如下功能：(1)高效的流媒體方案，包括：傳輸模塊、解碼模塊和渲染顯示模塊，使得通過手機客戶端可遠程實時瀏覽高清圖像；(2)通過客戶端，實現(xiàn)將遠程文件分享至社交平臺或云端平臺保留存儲。優(yōu)選地，所述監(jiān)控系統(tǒng)1包括采集模塊、預處理模塊、特征提取模塊、訓練模塊、再識別模塊、評價模塊；所述采集模塊用于視頻圖像采集，所述預處理模塊用于確定圖像中的人員位置，獲取包含人員的矩形區(qū)域；所述特征提取模塊，用于在包含人員的矩形區(qū)域中進行外觀特征提?。凰鲇柧毮K用于訓練多個跨模態(tài)投影模型，每一個跨模態(tài)投影模型中包含兩個投影函數，它們分別將不同攝像機中的圖像持征映射到共同的特征空間中并完成相似度計算；所述再識別模塊，用于識別數據庫中是否含有與查詢人員一致的圖像并確認查詢人員身份；所述評價模塊用于對系統(tǒng)性能進行評估。本有選實施例實現(xiàn)了人員的識別和跟蹤。優(yōu)選地，所述遠程文件分享和云端保存，具體為：(1)通過手機客戶端2將遠程設備文件發(fā)送至社交平臺；(2)通過手機客戶端2將遠程設備文件上傳至云端平臺進行保存。本有選實施例遠程文件分享和云端保存速度快。優(yōu)選地，所述預處理模塊包括圖像融合單元，所述圖像融合單元用于對不同來源的圖像進行融合處理，以便更好地獲取人員的全面特征，包括：(1)對需要融合的兩幅源圖像分別用雙正交小波變換進行小波分解，確定分解后圖像的小波系數；(2)對低頻系數按設定的比例選取分解后圖像的小波系數，構成融合圖像的小波低頻系數矩陣；(3)對高頻系數采用紋理一致性測度分析特定區(qū)域不同高低頻系數的邊緣特性，計算圖像區(qū)域的紋理一致性測度，并按照預定的規(guī)則確定融合圖像的高頻小波系數矩陣，所述圖像區(qū)域的紋理一致性測度的計算公式定義為：式中，GX(x)表示圖像區(qū)域x的紋理一致性測度，GXl表示圖像區(qū)域x的各高頻分量圖像在水平方向上的紋理一致性測度，GXc表示圖像區(qū)域x的各高頻分量圖像在垂直方向上的紋理一致性測度，GXd表示圖像區(qū)域x的各高頻分量圖像在對角線方向上的紋理一致性測度；(4)將所述融合圖像的小波低頻系數矩陣、所述融合圖像的高頻小波系數矩陣進行離散雙正交小波逆變換，最終獲得融合圖像。本優(yōu)選實施例設置圖像融合單元，按照紋理一致性測度可較好地分辨出圖像的偽邊緣，在保證整體視覺效果的同時使細節(jié)信息更加豐富和真實；定義了圖像區(qū)域的紋理一致性測度的計算公式，加快了圖像融合的速度。優(yōu)選地，所述預定的規(guī)則包括：若圖像區(qū)域中有90％以上像素值具有較大的紋理一致性測度，定義該圖像區(qū)域為邊緣區(qū)，選取相應的邊緣紋理一致性測度最大的高頻圖像小波系數構成所述融合圖像的高頻小波系數矩陣；若圖像區(qū)域中有90％以上像素值具有較小的紋理一致性測度，定義該圖像區(qū)域為平滑區(qū)，分別計算兩幅源圖像在該圖像區(qū)域的能量及匹配度，根據能量及匹配度確定兩幅源圖像的小波系數在融合圖像小波系數中所占的比重，根據下式確定所述融合圖像的高頻小波系數矩陣：rg＝αArA+(1-αA)rB式中，rg表示融合圖像的高頻小波系數矩陣，rA、αA分別表示一副源圖像的小波系數、該小波系數在融合圖像小波系數中所占的比重，rB、1-αA分別表示另一副源圖像的小波系數、該小波系數在融合圖像小波系數中所占的比重。本優(yōu)選實施例按照預定的規(guī)則確定融合圖像的高頻小波系數矩陣，提高了融合的效果以及融合的速度。優(yōu)選地，所述在包含人員的矩形區(qū)域中進行外觀特征提取，包括：進行圖像的光照歸一化處理，具體為：首先設圖像為I，利用LOG對數將圖像I轉換到對數域，利用差分高斯濾波器對圖像I進行平滑處理，然后對圖像I進行全局對比度均衡化處理；進行圖像尺寸歸一化處理；進行圖像分塊，針對每個圖像塊，進行特征向量提??；將所有圖像塊的特征向量進行串聯(lián)，然后對串聯(lián)后的圖像進行PCA特征降維。本優(yōu)選實施例設置特征提取模塊，在提取特征前先對圖像進行光照歸一化處理，減少了因光照變化而產生的圖像扭曲，使特征的提取更為精確。優(yōu)選地，所述訓練模塊包括樣本分類單元和跨模態(tài)投影模型學習單元；所述樣本分類單元具體執(zhí)行：設兩個攝像機C1和C2對應的特征空間分別為和d1和d2分別表示兩個攝像機特征空間的維度，假定訓練數據集合為K對跨攝像機圖像特征sk＝s(xk,yk)∈{-1,+1}表示樣本對的類別標簽，-1表示異類，+1表示同類，根據類別標簽將訓練集合分為負樣本集合和正樣本集合|J1|+|J2|＝K；所述跨模態(tài)投影模型學習單元具體執(zhí)行：設跨模態(tài)投影模型集合H＝[h1h2,…,hL]，L個子模型用于處理L種數據差異，每一個子模型由一對投影函數構成，hl＝[pxl(x),pYl(y)]，略去腳標l，投影函數pX(x)和pY(y)將x∈X和y∈Y投影到共同的特征空間：式中，表示投影向量，a、b∈R為線性偏差，pX(x)和pY(y)將原始特征投影到{-1,+1}空間中；同時存在投影函數qX(x)和qY(y)將x∈X和y∈Y投影到另一共同的特征空間：建立數據類別和共同特征空間之間的關系，定義目標函數：式中，E表示期望，表示同類樣本對和異類樣本對的重要性權衡指數；式中，wk表示樣本對{xk,yk}在本次子模型學習中的樣本權重，sk＝s(xk,yk)∈{-1,+1}表示樣本對的類別標簽，通過最小化目標函數來學習參數{u,v,a,b}，得到相應的投影函數。本優(yōu)選實施例采用多個跨模態(tài)投影模型，可充分應對各種不同的數據分布差異。優(yōu)選地，所述識別數據庫中是否含有與查詢人員一致的圖像并確認查詢人員身份，包括：假設被查詢人員集合為{fi,status(fi)}，i＝1,2,…,N，fi表示第i個被查詢人員，status(fi)表示第i個被查詢人員的身份，對于查詢人員集合{gj,status(gj)}，j＝1,2,…,M：status(gj)＝status(f)gj和fi的相似度C(gj,fi)表示為：C(gj,fi)＝sign(uTgj+a)·sign(vTfi+b)+(uTgj+a)-(vTfi+b)||設定闊值T，T∈[1，2]，若C(gj,fi)<T，則被查詢人員中不存在與查詢人員一致的圖像；若C(gj,fi)≥T，將被查詢人員按照相似度從大到小排序，排在最前面的與查詢人員具有相同的身份。本優(yōu)選實施例提高了人員的識別精度和效率。優(yōu)選地，所述對監(jiān)控系統(tǒng)性能進行評估，定義評價函數：式中，N表示查詢次數，Vn表示前n位中可以找到正確結果的次數，評價函數值越大，則系統(tǒng)的再識別性能越好，監(jiān)控性能越強。本優(yōu)選實施例設置評價模塊，有利于對智能實時監(jiān)控系統(tǒng)進行改進。本發(fā)明的一組監(jiān)控結果如下表所示：N人員識別平均用時人員識別準確率90.17s95.8％180.15s95.7％270.19s96％最后應當說明的是，以上實施例僅用以說明本發(fā)明的技術方案，而非對本發(fā)明保護范圍的限制，盡管參照較佳實施例對本發(fā)明作了詳細地說明，本領域的普通技術人員應當理解，可以對本發(fā)明的技術方案進行修改或者等同替換，而不脫離本發(fā)明技術方案的實質和范圍。當前第1頁1 2 3