一種融合音頻和視頻的室內(nèi)智能監(jiān)控系統(tǒng).pdf

1、近年來，隨著經(jīng)濟的迅猛發(fā)展，計算機技術(shù)和信號處理技術(shù)在研究和應用上有了質(zhì)的飛躍，室內(nèi)智能監(jiān)控越來越受到人們的關(guān)注。智能監(jiān)控系統(tǒng)擺脫了傳統(tǒng)視頻監(jiān)控單一性功能的缺點，能夠?qū)ΡO(jiān)控場景進行實時的目標檢測和跟蹤，且大大節(jié)省了人力、物力和財力，因而在工業(yè)、交通、銀行、安全等方面得到了廣泛應用。然而，單一攝像頭的監(jiān)控能力和范圍有限，增加攝像頭的個數(shù)無疑大大增加了投入成本。因此本文提出了一種融合音頻和視頻的室內(nèi)智能監(jiān)控系統(tǒng)，在調(diào)研國內(nèi)外相關(guān)論文的基礎(chǔ)之

2、上，在音頻和視頻兩方面針對發(fā)生的異常情況進行檢測，具體開展了以下的研究和開發(fā)工作:
　　(1)在對異常聲音特性和室內(nèi)背景噪聲模型分析的基礎(chǔ)上，提出了對陣列采集信號的預處理方法，包括聲音端點檢測(Sound Endpoint Detection，SED)和背景噪聲去除技術(shù)。實驗表明，在信噪比低的環(huán)境下，SED無法達到理想的檢測效果，但對去除噪聲后的信號進行端點檢測，其準確性會有較大幅度的提高。后續(xù)的實驗證明，良好的預處理方法不僅有利

3、于減少運算量，更有助于提高定位精度。
　　(2)在基于麥克風陣列信號產(chǎn)生模型的基礎(chǔ)上，歸納總結(jié)了一些常用的時延估計技術(shù)，并針對幾種實時性較好的方法進行了深入研究。實驗采用均方根誤差(Root Mean Square，RMSE)∈RMSE和異常比率(Abnormal Rate，AR)ηAR來描述估計值偏離真實值的離散度和異常度，實驗結(jié)果表明:在不同的噪聲和混響環(huán)境下，廣義互相關(guān)(Generalized Cross Correlati

4、on，GCC)時延估計法定位精度較高且實時性好。當環(huán)境信噪比為5dB，混響時間為100ms時，進行SED后的基于人耳聽覺感知特性(Human Auditory Perception Properties，HAPP)時延估計法效果最為理想，其∈RMSE和ηAR分別為0.5054和0.0385，達到了較為理想的時延估計精度。
　　(3)根據(jù)聲源與麥克風陣列的空間位置關(guān)系，介紹了幾種常用近場定位技術(shù)的原理和推導過程。在時延估計的基礎(chǔ)上，

5、對大量不同方位和距離聲源進行定位實驗，結(jié)果表明:角度和距離定位的∈RMSE和ηAR分別小于0.1和0.3，估計誤差較小，算法從整體上滿足室內(nèi)環(huán)境定位的基本要求。
　　(4)本文提出了一種音頻與視頻相融合的異常檢測方法，該方法在一定程度上克服了單一視頻監(jiān)控的盲區(qū)，將聲音信號與視頻圖像結(jié)合起來，對室內(nèi)安全情況進行綜合判斷。在音頻檢測方面，詳細闡述了高斯混合模型(Gaussian MixtureModel)的基本原理、參數(shù)估計和識別方法

6、，并研究了不同的高斯混合階數(shù)和特征參數(shù)對識別率和時間復雜度的影響。大量的實驗結(jié)果表明，當高斯混合階數(shù)為32時，基于MFCC_E和GMM的異常聲音檢測的平均識別率能達到85％以上，時間復雜度較低。在視頻檢測方面，對基于單高斯背景建模的運動目標檢測原理進行了說明，且在室內(nèi)環(huán)境下證明了該算法的有效性。
　　(5)結(jié)合前幾章所研究的算法，提出了一種融合音頻和視頻的室內(nèi)智能監(jiān)控系統(tǒng)，并在PC平臺下利用Visual C++6.0進行開發(fā)。系統(tǒng)