智能視頻監(jiān)控技術(shù)的架構(gòu)與特征

視頻監(jiān)控是視頻工程中重要的技術(shù)和應(yīng)用領(lǐng)域，支撐其發(fā)展的視頻技術(shù)在不到一個世紀(jì)的發(fā)展過程中，大致經(jīng)歷了3個跨越式的發(fā)展階段。20世紀(jì)30年代，以電視廣播為代表的視頻技術(shù)走出了實驗室，進入廣播電視臺和千萬家庭，實現(xiàn)了從靜止圖像傳輸?shù)交顒訄D像傳輸?shù)目缭剑?0世紀(jì)80年代末，以會議電視、視頻監(jiān)控等為代表的視頻技術(shù)走出了實驗室，進入眾多的電視會議室、安防系統(tǒng)，實現(xiàn)了從模擬視頻通信到數(shù)字視頻通信的跨越；如今，以智能視頻監(jiān)控（IVS）為代表的視頻技術(shù)，正處在走出實驗室、進入到各行各業(yè)的應(yīng)用階段，將要實現(xiàn)從“機械”的視頻信息處理向智能化視頻信息處理的跨越。當(dāng)前中國正處在這一跨越的關(guān)鍵時段。智能視頻監(jiān)控只是智能視頻技術(shù)的一個部分，一個將視頻技術(shù)引入智能時代的部分。

智能視頻監(jiān)控技術(shù)兩種構(gòu)架方式

視頻監(jiān)控的智能化表現(xiàn)為計算機視覺算法在視頻分析中的應(yīng)用。智能視頻監(jiān)控區(qū)別于傳統(tǒng)意義上的監(jiān)控系統(tǒng)在于變被動監(jiān)控為主動監(jiān)控（自動檢測、識別潛在入侵者、可疑目標(biāo)和突發(fā)事件），即它的智能性。簡單而言，不僅用攝像機代替人眼，而且用計算機代替人、協(xié)助人，來完成監(jiān)視或控制的任務(wù)，從而減輕人的負(fù)擔(dān)。智能視頻監(jiān)控系統(tǒng)的結(jié)構(gòu)通常有如下兩種：

主動智能監(jiān)視系統(tǒng)，這類系統(tǒng)的特點是主動攝像機不僅可以理解視場內(nèi)的場景，還可以有選擇性專注于特定的活動或感興趣的事件。主動智能監(jiān)視系統(tǒng)需要額外完成兩個任務(wù)：管理主動攝像機資源，即確定哪些攝像機用于監(jiān)視全景，哪些攝像機用于監(jiān)視特定行為或事件；利用視頻分析算法提供的信息控制攝像機的運動和變焦。

分布式智能視頻監(jiān)視系統(tǒng)，通過無線視頻通信網(wǎng)絡(luò)將各點智能攝像機與中心站連接起來，智能監(jiān)視服務(wù)器不僅可以生成圖像還可以分析視頻，根據(jù)視頻分析的信息控制攝像機以及確定使用恰當(dāng)?shù)拇鎯Y源和帶寬傳送高質(zhì)量視頻給終端用戶。智能攝像機最大程度減小了系統(tǒng)結(jié)構(gòu)的成本。

智能視頻監(jiān)控技術(shù)特性

智能視頻監(jiān)控技術(shù)一直在發(fā)展，然而，環(huán)境的復(fù)雜性以及目標(biāo)行為的多樣性等原因使得智能監(jiān)控算法變得復(fù)雜，且算法通常是針對具體的應(yīng)用而設(shè)計的。盡管已經(jīng)提出許多被證明是有效的智能分析算法，但是受計算機數(shù)據(jù)處理能力的限制，難以適合實時計算，自適應(yīng)性也較差，應(yīng)用場合受限。目前，對于以目標(biāo)整體的運動軌跡作為研究目標(biāo)，提取運動目標(biāo)的運動特征或者其本身所具有的特性這種類型的視頻智能分析已經(jīng)取得了一定的成果。這一類研究目標(biāo)不一定是人，也可以是車輛、動物或飛機、坦克等軍事目標(biāo)。以目標(biāo)的局部部分運動為研究目標(biāo)，提取其局部的“肢體語言”特征分析判斷目標(biāo)的行為，比如視頻的手語識別、步態(tài)識別、表情識別或者動作識別等。此類監(jiān)視問題的困難在于運動模式的提取以及高效可靠的識別算法。智能視頻監(jiān)控系統(tǒng)可以解決兩個主要問題：一個是將安防操作人員從繁雜而枯燥的“盯屏幕”任務(wù)中解脫出來。由機器來完成這部分工作，對異常情況能夠及時處理等，比如報警等；另外一個是為在海量的視頻數(shù)據(jù)中快速搜索到想要找的圖像。對于上述兩個問題，視頻分析廠家經(jīng)常提到的案例是：操作人員盯著屏幕超過1O分鐘后將漏掉90%的視頻信息而使這項工作失去意義；倫敦地鐵案中，安保人員花了70個工時才在大量磁帶中找到需要的信息。智能視頻監(jiān)控的核心內(nèi)容是對特定目標(biāo)的自動檢測、跟蹤與行為識別，包括運動檢測、目標(biāo)分類、目標(biāo)跟蹤、行為識別等4個方面內(nèi)容。例如對人體的跟蹤：首先從實時圖像序列中檢測出運動物體，再判定運動物體中的人體，然后跟蹤人體的運動軌跡，并分析和選定有異常行為的人，如在車站，機場等遺留包裹的人。最后對行為異常的人進行持續(xù)跟蹤。

移動目標(biāo)提取

運動檢測是從圖像序列中將變化區(qū)域從背景圖像中提取出來。運動區(qū)域的有效分割將大大減少后續(xù)過程的運算量。然而，背景圖像的不穩(wěn)定性，如陰影、光照、慢移動、靜移動（樹葉的擺動）等等，也使得運動檢測非常困難。目前較為實用的視頻分析方法主要有兩類：一類是背景減除方法，另一類是時間差分方法。背景減除方法是利用當(dāng)前圖像和背景圖象的差分來檢測出運動區(qū)域的一種方法，可以提供比較完整的運動目標(biāo)特征數(shù)據(jù)，精確度和靈敏度比較高，具有良好的性能表現(xiàn)。時間差分法利用視頻圖像特征，從連續(xù)得到的視頻流中提取所需要的動態(tài)目標(biāo)信息。時間差分實質(zhì)是利用相鄰幀圖像相減來提取前景目標(biāo)移動的信息，此方法不能完全提取所有相關(guān)特征像素點，在運動實體內(nèi)部可能產(chǎn)生空洞，能檢測出目標(biāo)的邊緣。

移動目標(biāo)跟蹤

移動目標(biāo)跟蹤等價于在連續(xù)的圖像幀間，創(chuàng)建基于位置、速度、形狀、紋理、色彩等有關(guān)特征的對應(yīng)匹配問題。常用的數(shù)學(xué)工具有卡爾曼濾波、Condensation算法及動態(tài)貝葉斯網(wǎng)絡(luò)等。其中Kalman濾波是基于高斯分布的狀態(tài)預(yù)測方法。不能有效地處理多峰模式的分布情況；Condensation算法是以因子抽樣為基礎(chǔ)的條件密度傳播方法，結(jié)合可學(xué)習(xí)的動態(tài)模型，可完成魯棒的運動跟蹤。就跟蹤對象而言，跟蹤如手、臉、頭、腿等身體部分與跟蹤整個目標(biāo)；就跟蹤視角而言，有對應(yīng)于單攝像機的單一視角、對應(yīng)于多攝像機的多視角和全方位視角；當(dāng)然還可以通過跟蹤空間（二維或三維）、跟蹤環(huán)境（室內(nèi)或戶外）、跟蹤人數(shù)（單人、多人、人群）、攝像機狀態(tài)(運動或固定)等方面進行分類。從跟蹤方法的不同討論跟蹤算法。

基于模型的跟蹤

傳統(tǒng)的人體表達方法有如下三種：①線圖法：人運動的實質(zhì)是骨骼的運動，因此該表達方法將身體的各個部分以直線來近似。②二維輪廓(2D Contour)：該人體表達方法的使用直接與人體在圖像中的投影有關(guān)，如Ju等提出的紙板人模型，它將人的肢體用一組連接的平面區(qū)域塊所表達，該區(qū)域塊的參數(shù)化運動受關(guān)節(jié)運動(Articulated Movement)的約束，該模型被用于關(guān)節(jié)運動圖像的分析。③立體模型(Volumetric Model)：它是利用廣義錐臺、橢圓柱、球等三維模型來描述人體的結(jié)構(gòu)細(xì)節(jié)，因此要求更多的計算參數(shù)和匹配過程中更大的計算量。例如Rohr使用14個橢圓柱體模型來表達人體結(jié)構(gòu)，坐標(biāo)系統(tǒng)的原點被定位在軀干的中心，目的是想利用該模型來產(chǎn)生人的行走的三維描述；Wachter與Nagel利用橢圓錐臺建立三維人體模型，通過在連續(xù)的圖像幀問匹配三維人體模型的投影來獲得人運動的定量描述，其中，它利用了迭代的擴展卡爾曼濾波方法，結(jié)合邊緣、區(qū)域信息及身體解析約束確定的身體關(guān)節(jié)運動的自由度，實現(xiàn)單目圖像序列中人的跟蹤。

基于區(qū)域的跟蹤

基于區(qū)域的跟蹤方法目前已有較多的應(yīng)用，例如Wren等利用小區(qū)域特征進行室內(nèi)單人的跟蹤，文中將人體看作由頭、軀干、四肢等身體部分所對應(yīng)的小區(qū)域塊所組成，利用高斯分布建立人體和場景的模型，屬于人體的像素被規(guī)劃于不同的身體部分。通過跟蹤各個小區(qū)域塊來完成整個人的跟蹤?；趨^(qū)域跟蹤的難點是處理運動目標(biāo)的影子和遮擋，這或許可利用彩色信息以及陰影區(qū)域缺乏紋理的性質(zhì)來加以解決，如McKenna等首先利用色彩和梯度信息建立自適應(yīng)的背景模型，并且利用背景減除方法提取運動區(qū)域，有效地消除了影子的影響；然后，跟蹤過程在區(qū)域、目標(biāo)、目標(biāo)群三個抽象級別上執(zhí)行，區(qū)域可以合并和分離，而人是由許多身體部分區(qū)域在滿足幾何約束的條件下組成的，同時人群又是由單個的人組成的，因此利用區(qū)域跟蹤器并結(jié)合人的表面顏色模型，在遮擋情況下也能夠較好地完成多人的跟蹤。

基于活動輪廓的跟蹤

基于活動輪廓的跟蹤思想是利用封閉的曲線輪廓來表達運動目標(biāo)，并且該輪廓能夠自動連續(xù)地更新。例如Paragios與Deriche利用短程線的活動輪廓、結(jié)合Level Set理論在圖像序列中檢測和跟蹤多個運動目標(biāo)；采用基于卡爾曼濾波的活動輪廓來跟蹤非剛性的運動物體；利用隨機微分方程去描述復(fù)雜的運動模型，并與可變形模板相結(jié)合應(yīng)用于人的跟蹤。相對于基于區(qū)域的跟蹤方法，輪廓表達有減少計算復(fù)雜度的優(yōu)點。如果開始能夠合理地分開每個運動目標(biāo)并實現(xiàn)輪廓初始化的話，既使在有部分遮擋存在的情況下也能連續(xù)地進行跟蹤，然而初始化通常是很困難的。

基于特征的跟蹤

基于特征的跟蹤包括特征的提取和特征的匹配兩個過程。一個很好的例子是點特征跟蹤，將每個目標(biāo)用一個矩形框封閉起來，封閉框的質(zhì)心被選擇作為跟蹤的特征；在跟蹤過程中若兩人出現(xiàn)相互遮擋時。只要質(zhì)心的速度能被區(qū)分開來，跟蹤仍能被成功地執(zhí)行；該方法的優(yōu)點是實現(xiàn)簡單，并能利用人體運動來解決遮擋問題，但是它僅僅考慮了平移運動。如果結(jié)合紋理、彩色及形狀等特征可能會進一步提高跟蹤的魯棒性。另外，Segen與Pingali的跟蹤系統(tǒng)使用了運動輪廓的角點作為對應(yīng)特征，這些特征點采用基于位置和點的曲率值的距離度量在連續(xù)幀間進行匹配。

目標(biāo)分類

目標(biāo)分類的目的是從檢測到的運動區(qū)域中將特定類型物體的運動區(qū)域提取出來，例如分類場景中的人、車輛、人群等不同的目標(biāo)。根據(jù)可利用信息的不同，目標(biāo)分類可以分為基于運動特性的分類和基于形狀信息的分類兩種方法?；谶\動特性的識別利用目標(biāo)運動的周期性進行識別。受顏色、光照的影響較小?；谛螤钚畔⒌淖R別利用檢測出的運動區(qū)域的形狀特征與模板或者統(tǒng)計量進行匹配。

基于形狀信息的分類

基于形狀信息的分類是利用檢測出的運動區(qū)域的形狀特征進行目標(biāo)分類的方法。例如VSAM采用區(qū)域的分散度、面積、寬高比等作為特征。利用三層神經(jīng)網(wǎng)絡(luò)方法將運動目標(biāo)劃分為人、人群、車和背景干擾；Lipton等利用分散度和面積信息對二維運動區(qū)域進行分類，主要是區(qū)分人、車及混亂擾動，時間一致性約束使其分類更加準(zhǔn)確；Kuno與Watanabe使用簡單的人體輪廓模式的形狀參數(shù)從圖像中檢測運動的人。

基于運動特性的分類

基于運動特性的分類是利用人體運動的周期性進行目標(biāo)分類的方法。例如Cutler與Davis通過跟蹤感興趣的運動目標(biāo)，計算出目標(biāo)隨著時間變化的自相關(guān)特性，而人的周期性運動使得其自相關(guān)也是周期性的，因此通過時頻化方法分析目標(biāo)是否存在周期性的運動特性而將人識別出來；Lipton通過計算運動區(qū)域的殘余光流來分析運動實體的剛性和周期性，非剛性的人的運動相比于剛性的車輛運動而言具有較高的平均殘余光流，同時它也呈現(xiàn)了周期性的運動特征，據(jù)此可以將人區(qū)分出來。目標(biāo)識別是系統(tǒng)對之前提取并跟蹤的目標(biāo)進行識別和辨識。要想讓系統(tǒng)具有目標(biāo)識別和辨識能力，需要對系統(tǒng)進行模型訓(xùn)練。就是利用已知的目標(biāo)特征（如車輛、人員、動物等），對系統(tǒng)進行訓(xùn)練，系統(tǒng)將會在大量已知的樣本信息上了解、學(xué)習(xí)不同目標(biāo)的特征（大小、顏色、速度、行為方式等），這樣當(dāng)系統(tǒng)發(fā)現(xiàn)一個目標(biāo)時，系統(tǒng)將自動與已經(jīng)建立好的模型進行比對或匹配特征，從而對目標(biāo)進行識別和分類。

行為識別

目標(biāo)的行為識別是近年來被廣泛關(guān)注的研究熱點，它是指對目標(biāo)的運動模式進行分析和識別。行為識別可以簡單地被認(rèn)為是時變數(shù)據(jù)的分類問題，即將測試序列與預(yù)先標(biāo)定的代表典型行為的參考序列進行匹配。通過在跟蹤過程中檢測目標(biāo)的行為以及行為變化，根據(jù)用戶的自定義行為規(guī)則，判斷被跟蹤目標(biāo)的行為是否存在威脅。

模板匹配方法

采用模板匹配技術(shù)的行為識別方法首先將圖像序列轉(zhuǎn)換為一組靜態(tài)形狀模式，然后在識別過程中和預(yù)先存儲的行為標(biāo)本相比較。模板匹配技術(shù)的優(yōu)點是計算復(fù)雜度低、實現(xiàn)簡單，然而它對于噪聲和運動時間間隔的變化是敏感的。

狀態(tài)空間方法

基于狀態(tài)空間模型的方法定義每個靜態(tài)姿勢作為一個狀態(tài)，這些狀態(tài)之間通過某種概率聯(lián)系起來。任何運動序列可以看作為這些靜態(tài)姿勢的不同狀態(tài)之間的一次遍歷過程，在這些遍歷期間計算聯(lián)合概率。其最大值被選擇作為分類行為的標(biāo)準(zhǔn)。目前，狀態(tài)空間模型已經(jīng)被廣泛地應(yīng)用于時間序列的預(yù)測、估計和檢測，最有代表性的是HMMS。每個狀態(tài)中可用于識別的特征包括點、線或二維小區(qū)域。狀態(tài)空間方法雖然能克服模板匹配的缺點，但通常涉及到復(fù)雜的迭代運算。

結(jié)束語

視頻監(jiān)控系統(tǒng)的核心價值在于智能視頻分析技術(shù)，由運動目標(biāo)檢測、分類、跟蹤和行為識別等幾個基本節(jié)組成，還包括智能視頻檢索技術(shù)，其中行為識別又包括異常行為檢測、異常事件檢測以及視頻內(nèi)容理解描述等。近年來，智能視頻監(jiān)控技術(shù)取得長足發(fā)展，應(yīng)用領(lǐng)域不斷擴大，從自動目標(biāo)檢測到現(xiàn)在的事件檢測、自動目標(biāo)識別，其監(jiān)控產(chǎn)品也逐漸由模擬化向數(shù)字化、網(wǎng)絡(luò)化與智能化方向發(fā)展。