一種融合音頻和視頻的室內智能監(jiān)控系統(tǒng).pdf

1、近年來，隨著經濟的迅猛發(fā)展，計算機技術和信號處理技術在研究和應用上有了質的飛躍，室內智能監(jiān)控越來越受到人們的關注。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，能夠對監(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智能監(jiān)控系統(tǒng)，在調研國內外相關論文的基礎之

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背景噪聲模型分析的基礎上，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。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生模型的基礎上，歸納總結了一些常用的時延估計技術，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，實驗結果表明:在不同的噪聲和混響環(huán)境下，廣義互相關(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)根據聲源與麥克風陣列的空間位置關系，介紹了幾種常用近場定位技術的原理和推導過程。在時延估計的基礎上，

5、對大量不同方位和距離聲源進行定位實驗，結果表明: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合起來，對室內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、參數估計和識別方法

6、，并研究了不同的高斯混合階數和特征參數對識別率和時間復雜度的影響。大量的實驗結果表明，當高斯混合階數為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，且在室內環(huán)境下證明了該算法的有效性。
　　(5)結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)