联系电话:

13911184566

01082435837

产品中心

安防工程
智能人脸监控
智慧中国
  • 电话:

    010-82435837

  • QQ:

    778576820

  • 地址:

    北京海淀区安宁庄西三条9号宜品上层六单元817室

产品中心 &

 Product center 当前位置:首页 >> 产品中心 >> 智慧中国

浅析智能视频监控技术

【摘 要】本文首先分析了智能视频监控技术的潜在优势;接着阐明了智能视频监控中运动目标检测与跟踪方法,对不同的的方法进行分析比较并指出不同方法的优势与不足。在此基础上说明了监控目标行为分析技术的应用;最后总结了智能视频监控技术发展的意义。
中国论文网 http://www.xzbu.com/1/view-5199330.htm
  【关键词】智能视频监控;目标检测与跟踪;行为分析
  0 引言
  智能视频监控是实现安全监控的重要技术手段。它涉及信号获取、图像处理、视频处理、计算机视觉等多个学科的研究领域。其中,视频通信、视频处理和视频理解是视频监控技术的三大核心技术。
  1 智能监控技术与传统监控技术比较
  虽然传统的视频监控技术在视频捕获、通信以及视频存储等方面的技术发展迅速并且日趋成熟,但是对视频内容的分析和理解工作在许多情况下仍然需要人工完成。这不但会导致人工的大量浪费,而且安防人员在疲劳监控中会丢失大量的有用信息。智能视频监控系统不仅能够实时接收视频数据,还能够主动分析得到的视频信息,利用计算机来替代人工进行数据分析判断,在有效的评估后给出最终的不同程度的报警信息。该技术具备实时不间断可靠监控、报警精度高、响应速度快等特点。传统的视频监控系统将无条件的被先进的、功能更强大的智能视频监控系统所替代。
  2 监控视频中运动目标的检测方法
  监控视频中运动目标检测的算法较多,常用检测方法主要有帧差法、背景差分法和光流法。
  2.1 帧差法
  帧差法就是将两幅图像的对应像素做相减运算,差值阈值化处理确定运动目标在图像上的区域位置。帧差法中门限值选取低则不能有效地抑制图像中的噪声,过高将会损失图像中有用的细节信息。合理阈值的选择是应用该方法的难题,但帧差法是实时性最强的方法。
  2.2 背景差分法
  背景差分法的原理就是选取某一参考帧作为参考图像,将当前帧和参考帧做差分。较其它方法比,如果检测环境背景很少变化或不变化,采用这种方法较好,而在一般情况下背景是渐变的。一般采用背景重构的方法构造背景图片,但重构背景比较耗时。
  2.3 光流法
  光流法的主要原理是利用图像灰度在时间上的变化与景象中物体的运动情况的关系来进行目标检测。通过图像观察到物体表面的模式运动和二维物体的实际运动在图像上的投影来发现目标。该方法缺点是计算复杂,基本不能满足实时性要求。
  3 监控视频中运动目标的跟踪方法
  3.1 监控视频中的目标跟踪算法
  目前监控视频中视觉跟踪算法一般可以分为基于区域、特征、模型和主动轮廓的跟踪算法。
  3.1.1 基于区域的跟踪
  该算法将视频图像中运动显著的区域分割出来标记成目标对象,通过运动情况估计运动区域几何形状和位置,通过连续帧的目标匹配跟踪目标。优点是简单有效,在多个目标的场景中应用效果好,缺点是只能获得区域级别的跟踪,不能可靠地处理对象间的遮挡问题。
  3.1.2 基于特征的跟踪
  此类跟踪算法是通过提取图像中运动目标的主要特征元素,并把它们综合处理得到图像的高级别特征,在图像之间匹配这些特征,从而定位和跟踪目标。该算法优点是当出现局部遮挡时目标的一些特征仍然可见,缺点是特征的选取问题和特征的维持时间难以确定。
  3.1.3 基于模型的跟踪
  此类算法先通过先验知识获得待跟踪目标的模型,以对象模型为依据与图像数据进行匹配跟踪。该算法优点是在对象之间出现干扰或遮挡时能取得较好的跟踪性能,缺点是必须得先获取先验知识,目标形状变化时的实时模板更新困难。
  3.1.4 基于主动轮廓的跟踪
  此类跟踪算法是先检测出运动目标的轮廓信息,根据对象的边界信息来实现运动目标的跟踪。此算法的优点是简单,出现干扰或遮挡时仍然可以跟踪,缺点是对初始的轮廓信息依赖较大,初始轮廓不准确很容易导致跟踪错误。
  3.2 监控视频中的目标跟踪方法
  监控视频中目标跟踪常用的有粒子滤波法、均值漂移和卡尔曼滤波法。
  3.2.1 粒子滤波法
  它是一种基于贝叶斯递推理论和蒙特卡洛方法的非线性系统分析工具,它利用粒子集来表示概率,通过从后验概率中抽取的随机状态粒子来表达其分布情况。它能够比较精确地表达基于观测量和控制量的后验概率分布。存在的主要问题是需要用大量的样本。
  3.2.2 均值漂移法
  均值漂移法[1]是一种基于密度梯度上升的非参数估计法,通过迭代运算找到目标的最佳位置,实现运动目标跟踪。算法的优点是计算量相对较小,简单易实现,对目标遮挡、旋转、变形和背景运动鲁棒。缺点是容易丢失目标,跟踪效率不高,缺乏模板更新算法,目标大小变化影响大。
  3.2.3 卡尔曼滤波法
  它是采用噪声与信号的状态空间模型,利用当前时刻的观测值和当前时刻前一时刻的估计值来更新对状态变量的估计,求出估计值。此方法是一种统计意义上的最优状态估计。对于非线性系统,必须进行线性化,再采用扩展卡尔曼滤波进行估计。
  4 监控视频中目标行为理解技术的应用
  近些年来,随着人们安全意识的加强,对监控视频中目标行为理解[2]的应用越来越多。
  4.1 目标跟踪检测
  使用带坐标定位的快速摄像机对监控区域内的特定移动目标进行监测、分类识别及轨迹追踪,保证跟踪目标持续放大显示在镜头中央。针对运动目标的运动轨迹调整自身角度跟踪,弥补固定摄像机监控视野窄的缺点。应用于十字路口、地铁等场所。
  4.2 绊线、入侵与徘徊检测
  绊线检测就是在监视范围内,并在目标穿越规定检测线的非法方向时告警,比如车辆的逆行检测。入侵检测是对目标进入、离开或突然出现时告警。徘徊检测则是对同一目标在该区域内运动超过一定时间时的告警。适合于看守所、监狱、银行、博物馆等场所。     4.3 物体状态检测
  监视场景中,对警戒区域内特定位置的物品状态发生变化进行检测分析并告警。可分为:遗留物体检测,物体移除检测。重要物品一旦被遮挡、移动时系统立即发出告警。用于ATM机、地铁、车站、仓库等场所的监控。
  4.4 目标识别检测
  在目标识别方面,应用比较成熟的是车牌识别,主要用于交通十字路口。近些年,人脸、人体识别技术发展迅速,可以在多段视频中查找相似人或车辆等目标,在特定环境下特定目标的查询等,这些技术在安检方面也有一定的应用。
  4.5 流量、密度统计
  流量统计是在检测区域中,统计单位时间内按指定方向进入或离开该区域的目标数量。密度检测则是对区域内的目标稠密程度或目标数进行估计。一般用于广场、门口、文化与宗教聚集地等场所的安监。
  4.6 人体异常行为监测
  检测比如打架斗殴、奔跑、摔倒、滑倒等特殊行为的检测,在考场监控对考生的坐姿进行监控,在医院监测病人异常行为进行及时救助,在电梯内是否发生抢劫等特殊地点的特殊行为进行检测和告警。
  4.7 灾害监测
  对监视场景中的烟雾、火焰等信息进行监测和报警。目前此方面的检测方法主要根据当时的情况发生的严重程度进行评估,给出不同程度的警告。
  5 智能视频监控技术发展的意义
  智能视频监控技术源于计算机视觉技术,同时融合了计算机图形学技术、图像处理技术、模式识别等多项技术,目的是对图像、视频序列图像间潜在的敏感信息做出快速反应。智能视频分析技术在军事、经济、医疗、安全等诸多方面都有特殊应用价值。不同的行业对于视频监控的需求迥异,异常行为类型与异常事件也有着特殊性。现阶段对智能视频监控的需求日益多样化和复杂化。它的应用将从相对集中的领域向各行各业深层次大幅度延伸,智能视频分析技术对社会的发展具有巨大的理论与现实意义。
  【参考文献】
  [1]詹建平,黄席樾,沈志熙等.基于均值漂移和卡尔曼滤波的目标跟踪方法[J].重庆理工大学学报:自然科学,2010, 24(3):76-80.
  [2]张凡忠.智能视频分析技术在视频监控中的应用[J].技术与应用,2013,12:56-61.
  [责任编辑:周娜]
本文摘自中国论文网,原文地址:http://www.xzbu.com/1/view-5199330.htm