淺析智能視頻監(jiān)控技術(shù)

【摘 要】本文首先分析了智能視頻監(jiān)控技術(shù)的潛在優(yōu)勢；接著闡明了智能視頻監(jiān)控中運(yùn)動目標(biāo)檢測與跟蹤方法，對不同的的方法進(jìn)行分析比較并指出不同方法的優(yōu)勢與不足。在此基礎(chǔ)上說明了監(jiān)控目標(biāo)行為分析技術(shù)的應(yīng)用；最后總結(jié)了智能視頻監(jiān)控技術(shù)發(fā)展的意義。

【關(guān)鍵詞】智能視頻監(jiān)控；目標(biāo)檢測與跟蹤；行為分析

0 引言

智能視頻監(jiān)控是實(shí)現(xiàn)安全監(jiān)控的重要技術(shù)手段。它涉及信號獲取、圖像處理、視頻處理、計(jì)算機(jī)視覺等多個學(xué)科的研究領(lǐng)域。其中，視頻通信、視頻處理和視頻理解是視頻監(jiān)控技術(shù)的三大核心技術(shù)。

1 智能監(jiān)控技術(shù)與傳統(tǒng)監(jiān)控技術(shù)比較

雖然傳統(tǒng)的視頻監(jiān)控技術(shù)在視頻捕獲、通信以及視頻存儲等方面的技術(shù)發(fā)展迅速并且日趨成熟，但是對視頻內(nèi)容的分析和理解工作在許多情況下仍然需要人工完成。這不但會導(dǎo)致人工的大量浪費(fèi)，而且安防人員在疲勞監(jiān)控中會丟失大量的有用信息。智能視頻監(jiān)控系統(tǒng)不僅能夠?qū)崟r接收視頻數(shù)據(jù)，還能夠主動分析得到的視頻信息，利用計(jì)算機(jī)來替代人工進(jìn)行數(shù)據(jù)分析判斷，在有效的評估后給出最終的不同程度的報(bào)警信息。該技術(shù)具備實(shí)時不間斷可靠監(jiān)控、報(bào)警精度高、響應(yīng)速度快等特點(diǎn)。傳統(tǒng)的視頻監(jiān)控系統(tǒng)將無條件的被先進(jìn)的、功能更強(qiáng)大的智能視頻監(jiān)控系統(tǒng)所替代。

2 監(jiān)控視頻中運(yùn)動目標(biāo)的檢測方法

監(jiān)控視頻中運(yùn)動目標(biāo)檢測的算法較多，常用檢測方法主要有幀差法、背景差分法和光流法。

2.1 幀差法

幀差法就是將兩幅圖像的對應(yīng)像素做相減運(yùn)算，差值閾值化處理確定運(yùn)動目標(biāo)在圖像上的區(qū)域位置。幀差法中門限值選取低則不能有效地抑制圖像中的噪聲，過高將會損失圖像中有用的細(xì)節(jié)信息。合理閾值的選擇是應(yīng)用該方法的難題，但幀差法是實(shí)時性最強(qiáng)的方法。

2.2 背景差分法

背景差分法的原理就是選取某一參考幀作為參考圖像，將當(dāng)前幀和參考幀做差分。較其它方法比，如果檢測環(huán)境背景很少變化或不變化，采用這種方法較好，而在一般情況下背景是漸變的。一般采用背景重構(gòu)的方法構(gòu)造背景圖片，但重構(gòu)背景比較耗時。

2.3 光流法

光流法的主要原理是利用圖像灰度在時間上的變化與景象中物體的運(yùn)動情況的關(guān)系來進(jìn)行目標(biāo)檢測。通過圖像觀察到物體表面的模式運(yùn)動和二維物體的實(shí)際運(yùn)動在圖像上的投影來發(fā)現(xiàn)目標(biāo)。該方法缺點(diǎn)是計(jì)算復(fù)雜，基本不能滿足實(shí)時性要求。

3 監(jiān)控視頻中運(yùn)動目標(biāo)的跟蹤方法

3.1 監(jiān)控視頻中的目標(biāo)跟蹤算法

目前監(jiān)控視頻中視覺跟蹤算法一般可以分為基于區(qū)域、特征、模型和主動輪廓的跟蹤算法。

3.1.1 基于區(qū)域的跟蹤

該算法將視頻圖像中運(yùn)動顯著的區(qū)域分割出來標(biāo)記成目標(biāo)對象，通過運(yùn)動情況估計(jì)運(yùn)動區(qū)域幾何形狀和位置，通過連續(xù)幀的目標(biāo)匹配跟蹤目標(biāo)。優(yōu)點(diǎn)是簡單有效，在多個目標(biāo)的場景中應(yīng)用效果好，缺點(diǎn)是只能獲得區(qū)域級別的跟蹤，不能可靠地處理對象間的遮擋問題。

3.1.2 基于特征的跟蹤

此類跟蹤算法是通過提取圖像中運(yùn)動目標(biāo)的主要特征元素，并把它們綜合處理得到圖像的高級別特征，在圖像之間匹配這些特征，從而定位和跟蹤目標(biāo)。該算法優(yōu)點(diǎn)是當(dāng)出現(xiàn)局部遮擋時目標(biāo)的一些特征仍然可見，缺點(diǎn)是特征的選取問題和特征的維持時間難以確定。

3.1.3 基于模型的跟蹤

此類算法先通過先驗(yàn)知識獲得待跟蹤目標(biāo)的模型，以對象模型為依據(jù)與圖像數(shù)據(jù)進(jìn)行匹配跟蹤。該算法優(yōu)點(diǎn)是在對象之間出現(xiàn)干擾或遮擋時能取得較好的跟蹤性能，缺點(diǎn)是必須得先獲取先驗(yàn)知識，目標(biāo)形狀變化時的實(shí)時模板更新困難。

3.1.4 基于主動輪廓的跟蹤

此類跟蹤算法是先檢測出運(yùn)動目標(biāo)的輪廓信息，根據(jù)對象的邊界信息來實(shí)現(xiàn)運(yùn)動目標(biāo)的跟蹤。此算法的優(yōu)點(diǎn)是簡單，出現(xiàn)干擾或遮擋時仍然可以跟蹤，缺點(diǎn)是對初始的輪廓信息依賴較大，初始輪廓不準(zhǔn)確很容易導(dǎo)致跟蹤錯誤。

3.2 監(jiān)控視頻中的目標(biāo)跟蹤方法

監(jiān)控視頻中目標(biāo)跟蹤常用的有粒子濾波法、均值漂移和卡爾曼濾波法。

3.2.1 粒子濾波法

它是一種基于貝葉斯遞推理論和蒙特卡洛方法的非線性系統(tǒng)分析工具，它利用粒子集來表示概率，通過從后驗(yàn)概率中抽取的隨機(jī)狀態(tài)粒子來表達(dá)其分布情況。它能夠比較精確地表達(dá)基于觀測量和控制量的后驗(yàn)概率分布。存在的主要問題是需要用大量的樣本。

3.2.2 均值漂移法

均值漂移法[1]是一種基于密度梯度上升的非參數(shù)估計(jì)法，通過迭代運(yùn)算找到目標(biāo)的最佳位置，實(shí)現(xiàn)運(yùn)動目標(biāo)跟蹤。算法的優(yōu)點(diǎn)是計(jì)算量相對較小，簡單易實(shí)現(xiàn)，對目標(biāo)遮擋、旋轉(zhuǎn)、變形和背景運(yùn)動魯棒。缺點(diǎn)是容易丟失目標(biāo)，跟蹤效率不高，缺乏模板更新算法，目標(biāo)大小變化影響大。

3.2.3 卡爾曼濾波法

它是采用噪聲與信號的狀態(tài)空間模型，利用當(dāng)前時刻的觀測值和當(dāng)前時刻前一時刻的估計(jì)值來更新對狀態(tài)變量的估計(jì)，求出估計(jì)值。此方法是一種統(tǒng)計(jì)意義上的最優(yōu)狀態(tài)估計(jì)。對于非線性系統(tǒng)，必須進(jìn)行線性化，再采用擴(kuò)展卡爾曼濾波進(jìn)行估計(jì)。

4 監(jiān)控視頻中目標(biāo)行為理解技術(shù)的應(yīng)用

近些年來，隨著人們安全意識的加強(qiáng)，對監(jiān)控視頻中目標(biāo)行為理解[2]的應(yīng)用越來越多。

4.1 目標(biāo)跟蹤檢測

使用帶坐標(biāo)定位的快速攝像機(jī)對監(jiān)控區(qū)域內(nèi)的特定移動目標(biāo)進(jìn)行監(jiān)測、分類識別及軌跡追蹤，保證跟蹤目標(biāo)持續(xù)放大顯示在鏡頭中央。針對運(yùn)動目標(biāo)的運(yùn)動軌跡調(diào)整自身角度跟蹤，彌補(bǔ)固定攝像機(jī)監(jiān)控視野窄的缺點(diǎn)。應(yīng)用于十字路口、地鐵等場所。

4.2 絆線、入侵與徘徊檢測

絆線檢測就是在監(jiān)視范圍內(nèi)，并在目標(biāo)穿越規(guī)定檢測線的非法方向時告警，比如車輛的逆行檢測。入侵檢測是對目標(biāo)進(jìn)入、離開或突然出現(xiàn)時告警。徘徊檢測則是對同一目標(biāo)在該區(qū)域內(nèi)運(yùn)動超過一定時間時的告警。適合于看守所、監(jiān)獄、銀行、博物館等場所。

4.3 物體狀態(tài)檢測

監(jiān)視場景中，對警戒區(qū)域內(nèi)特定位置的物品狀態(tài)發(fā)生變化進(jìn)行檢測分析并告警?？煞譃椋哼z留物體檢測，物體移除檢測。重要物品一旦被遮擋、移動時系統(tǒng)立即發(fā)出告警。用于ATM機(jī)、地鐵、車站、倉庫等場所的監(jiān)控。

4.4 目標(biāo)識別檢測

在目標(biāo)識別方面，應(yīng)用比較成熟的是車牌識別，主要用于交通十字路口。近些年，人臉、人體識別技術(shù)發(fā)展迅速，可以在多段視頻中查找相似人或車輛等目標(biāo)，在特定環(huán)境下特定目標(biāo)的查詢等，這些技術(shù)在安檢方面也有一定的應(yīng)用。

4.5 流量、密度統(tǒng)計(jì)

流量統(tǒng)計(jì)是在檢測區(qū)域中，統(tǒng)計(jì)單位時間內(nèi)按指定方向進(jìn)入或離開該區(qū)域的目標(biāo)數(shù)量。密度檢測則是對區(qū)域內(nèi)的目標(biāo)稠密程度或目標(biāo)數(shù)進(jìn)行估計(jì)。一般用于廣場、門口、文化與宗教聚集地等場所的安監(jiān)。

4.6 人體異常行為監(jiān)測

檢測比如打架斗毆、奔跑、摔倒、滑倒等特殊行為的檢測，在考場監(jiān)控對考生的坐姿進(jìn)行監(jiān)控，在醫(yī)院監(jiān)測病人異常行為進(jìn)行及時救助，在電梯內(nèi)是否發(fā)生搶劫等特殊地點(diǎn)的特殊行為進(jìn)行檢測和告警。

4.7 災(zāi)害監(jiān)測

對監(jiān)視場景中的煙霧、火焰等信息進(jìn)行監(jiān)測和報(bào)警。目前此方面的檢測方法主要根據(jù)當(dāng)時的情況發(fā)生的嚴(yán)重程度進(jìn)行評估，給出不同程度的警告。

5 智能視頻監(jiān)控技術(shù)發(fā)展的意義

智能視頻監(jiān)控技術(shù)源于計(jì)算機(jī)視覺技術(shù)，同時融合了計(jì)算機(jī)圖形學(xué)技術(shù)、圖像處理技術(shù)、模式識別等多項(xiàng)技術(shù)，目的是對圖像、視頻序列圖像間潛在的敏感信息做出快速反應(yīng)。智能視頻分析技術(shù)在軍事、經(jīng)濟(jì)、醫(yī)療、安全等諸多方面都有特殊應(yīng)用價值。不同的行業(yè)對于視頻監(jiān)控的需求迥異，異常行為類型與異常事件也有著特殊性?，F(xiàn)階段對智能視頻監(jiān)控的需求日益多樣化和復(fù)雜化。它的應(yīng)用將從相對集中的領(lǐng)域向各行各業(yè)深層次大幅度延伸，智能視頻分析技術(shù)對社會的發(fā)展具有巨大的理論與現(xiàn)實(shí)意義。

【參考文獻(xiàn)】

[1]詹建平，黃席樾，沈志熙等.基于均值漂移和卡爾曼濾波的目標(biāo)跟蹤方法[J].重慶理工大學(xué)學(xué)報(bào)：自然科學(xué)，2010， 24（3）：76-80.

[2]張凡忠.智能視頻分析技術(shù)在視頻監(jiān)控中的應(yīng)用[J].技術(shù)與應(yīng)用，2013，12：56-61.

[責(zé)任編輯：周娜]