［摘要］基于信息时代背景下安防产品使用场景的智能化发展需求，深入分析基于人脸识别的智能视频监控平台设计与应用具有十分重要的现实意义，是安防领域的热点研究课题。文章对基于人脸识别的智能视频监控平台总体框架、功能模块、数据库以及人工智能算法的设计进行了详细阐述，针对目前现行的视频监控平台无法完全排除外部干扰进行精准识别进行了优化改进，以期为智能视频监控平台人脸识别和人脸检测等各类指标的性能提升提供参考依据。

　　［关键词］安防产品,人脸识别,智能视频监控平台,设计,应用

　　1基于人脸识别的智能视频监控平台的需求分析

       1.1可行性分析

　　（1）技术方面。本平台主要涉及的技术包括平台的搭建、数据库的设计、人脸识别算法的实现以及视频采集传递处理的硬件设备。首先，在平台搭建方面，本平台为B/S模式，使用SSH架构，将系统划分为数据持久层、业务逻辑层和表现层以实现高效编程，采用MVC设计模式，将平台划分为不同的对象，并对不同的功能进行分块处理，保证每一个模块实现一个功能，这样设计的好处在于能够进行企业级别的系统部署，各逻辑的代码重用性很高且低耦合，开发人员能够更加集中在页面的展示上［1］；其次，在数据库设计方面，本平台主要使用SQL Server 2012，优点在于该数据库在具备基本数据存储功能的基础上实现了索引查询，能够加快信息查询速度，并且在信息存储方面能够提供给用户自主界定的功能，最重要的是加密功能完善，能够有效保障视频数据的安全；再次，在人脸识别算法实现方面，本平台主要选择AdaBoost人脸检测算法，该算法的概念和原理在后文给出；最后，在视频采集设备方面，本平台主要采用CCD的摄像机进行视频监控录像信息的获取，利用BNC的接口将数据直接传递到DSP处理器中。

　　（2）操作方面。智能视频监控平台的设计与开发工作在编码方面较为简单，难点在于海量人脸视频数据的采集和整合工作，人脸识别算法需要依靠大量的数据训练，才能在识别准确率上达到预定目标，因此本平台使用网上开源的人脸识别常用数据集Large-scale CelebFaces Attributes（CelebA）Dataset，该数据集由香港中文大学汤晓鸥教授实验室公布，包含200k人脸图片，属性有40多种，训练效果较好［2］。另外，平台系统主要涉及的视频监控、采集、处理等工作均由平台内相关功能模块完成，数据库中存储的数据在查询和编辑方面也较为简单，技术门槛低，所以总体来说操作可行性高。

　　1.2功能性需求分析

　　（1）视频采集管理。系统模块主要利用CCD的摄像机来完成终端的监控视频图像采集，利用BNC的接口进行数据传输，最终传递到DSP处理器中，收集到的视频数据可以用于播放、回放和截图。

　　（2）人脸检测与追踪。上一步收集到的视频数据交给人脸检测识别模块，该功能模块负责检测画面中是否有人，并对该目标进行标记方便后续的跟踪处理，标记的结果会形成文字信息留存，该记录可以查询并且仅平台管理员能编辑。当监控人员下达追踪命令后，人脸追踪模块会根据本监控画面中人脸的运动轨迹判断其行进方向，然后智能切换到下一个监控画面中，人脸的运动轨迹及其后续出现的监控编号都会整理成文字信息存储，可以随时查看，但不可以更改。

　　（3）后台控制。主要包括视频数据信息的传递控制和系统操作的一些控制，前者即I/O输出模式，能够方便平台完成基础性的指令控制操作，后者采用ARM处理器进行控制操作，能够及时接收网络远程需要的基础性信息，并且能够对监控区域进行必要的操作［3］。

　　（4）配置管理。主要包括参数控制、权限控制、角色控制和用户信息管理。用户角色与权限有关，平台管理员角色唯一且权限最高，领导与监控员工角色不唯一，分别为高级别权限和低级别权限，涉及的平台功能可操作性有所不同。用户信息最初由平台管理员统一创建，后续仅有用户本人和管理员有权修改信息内容，但权限只有管理员能够分配。

　　1.3非功能性需求分析

　　1.3.1健壮性

　　视频监控工作需要系统全天24小时不间断服务，因此系统能否持续工作是非常关键的评价要素，一旦系统出现故障，能否较为方便地维护，甚至在某些功能上进行必要的修改操作也是考察系统健壮性的关键环节。一般情况下，系统平台在设计时就会考虑到后续维护和移植的可能性，并且会根据监控现场的工作环境、网络环境和硬件环境进行适当的业务增减，以满足未来持续性工作的需要。

　　1.3.2可扩充性

　　视频监控工作在不同阶段会有不同的工作使命，为了满足后续的使用需求，随着用户数量的增多，系统平台需要及时更新功能或技术来满足不同的用户需求。一般情况下，一个比较好的应用平台在设计时就会以低耦合的形式开发，这样可以方便后续随时添加功能模块而不会影响到原有的功能要求。

　　1.3.3准确性和响应速度

　　智能视频监控需要完成人脸识别和追踪工作，因此对人脸识别算法的精确度和响应速度有严格的要求，试想一下，如果系统在发现目标后到目标前往下一个监控摄像头之前，仍未给出计算结果，那智能监控工作将会毫无用处，所以在进行算法训练时要适度调整算法参数和训练集等，以提高识别准确率，同时在必要的情况下减少神经网络层数，以提高计算速度。2基于人脸识别的智能视频监控平台的概要设计与详细设计

　　2.1总体架构设计

　　通过前文对基于人脸识别的智能视频监控平台进行概述、可行性分析和需求分析后，再根据信息化系统架构设计的相关特点，总结出如图1所示的平台总体架构，主要包括用户层、业务层、数据层和基础平台层。其中用户层包括管理员、领导人员、监控人员和用户；业务层包括视频采集与回放、人脸检测与追踪、后台控制和配置管理；数据层包括用户信息、登录信息、监控信息、人脸信息和追踪信息；基础平台层包括机房、服务器、数据库、防火墙、终端监控设备等。

　　2.2总体功能设计

　　根据总体架构设计中的业务层，总体功能设计主要分为四大功能：视频采集与回放、人脸检测与追踪、后台控制和配置管理，形成的系统功能模块结构如图2所示，每个功能模块需要完成的任务在前文需求分析中有所介绍。

　　2.3数据库设计

　　数据库的设计要考虑到三个方面：一是权限问题，无论是访问权限还是修改权限，都关系到数据库中视频数据和文字信息数据的安全，一般来说可以根据用户的身份进行权限的认证，所以需要设计一张用户信息表单，包括用户的基础信息（用户ID、用户名、密码、电子邮箱、身份证号等）和权限等级；二是用户操作追踪方面，当用户操作系统时，平台需要对其每一步重要操作进行记录，所以需要设计一张登录信息表单，包括用户的登录时间、IP地址信息、操作日志等信息，通过对这些信息的监督，能够很好地控制非法人员的登录操作；三是视频信息的有效存储，当视频录像经过人脸识别算法的计算后，会留下相关的图片信息、文字信息等，这些信息与视频本身共同组成了有效的视频信息，所以需要设计一张视频信息表单，包括视频基础信息（视频ID、视频名和视频简介）、视频录像、视频截图、一级栏目（人脸标记记录）、二级栏目（人脸轨迹记录）等。

　　2.4人脸识别算法设计

　　2.4.1积分图

　　积分图算法只需要对图像扫描一遍就可以完成每个特征的计算，主要用于提高图像矩阵特征的计算速度，具体计算方法如下：对于一个原始图像i(x,y)来说，每一个像素点(x,y)的积分值等于它的左上角所有像素的和，如图3所示，A区域的像素值为I1，B区域为I2，C区域为I3，D区域为I4，那么A的积分值则为I1，B为I1+I2，C为I1+I2+I3，D为I1+I2+I3+I4，以此类推，一张原始图像所有像素点的积分值都可以快速得出，为提高人脸识别的速度提供了保障。

　　2.4.2 Haar特征的提取

　　Haar特征是基于积分图的特征，计算简单且快速，Haar特征值主要是用灰度图像中白色矩形内的像素和减去黑色矩形内的像素和来得到，在一定程度上Haar特征值能够反映相邻矩形区域内的灰度值变化情况，在目标检测中得到了广泛应用。

　　2.4.3 AdaBoost算法

　　AdaBoost算法是一种自适应分类器算法，对于给定的n个样本，先初始化其权重，然后进入训练循环，利用每一个样本的特征值，进行后向计算，因此每一轮都会对这些权重进行修改，直到所有样本分类正确，因此用于人脸识别时，能够根据这个算法判定图像中是否包含人脸，还能进一步判断人脸的朝向等特征。

主要参考文献

　　［1］宋刚.大数据时代背景下的数据可视化概念研究［J］.无线互联科技，2021，18（17）：25-26.

　　［2］彭酉乾.基于人脸识别的自适应监测系统研究与实现［D］.石家庄：河北科技大学，2018.

　　［3］李翔，张义红.基于人脸识别的实验室监控系统设计［J］.工业控制计算机，2018，31（2）：48-49.