淺析智能視頻監(jiān)控中的關(guān)鍵技術(shù)

齊剛　何先波

摘要：智能視頻監(jiān)控技術(shù)目前廣泛應(yīng)用于機(jī)場、地鐵、銀行等重要場合的監(jiān)控系統(tǒng)，因其具有廣泛的應(yīng)用價值，得到國內(nèi)外學(xué)者的關(guān)注。該文重點(diǎn)闡述智能視頻監(jiān)控中運(yùn)動目標(biāo)檢測和運(yùn)動目標(biāo)跟蹤算法，并對各種算法優(yōu)缺點(diǎn)進(jìn)行相關(guān)的探討，對智能視頻監(jiān)控的發(fā)展具有一定的意義。

關(guān)鍵詞：智能視頻監(jiān)控；運(yùn)動目標(biāo)檢測；運(yùn)動目標(biāo)跟蹤；算法

中圖分類號：TP18 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2014）21-5093-02

傳統(tǒng)的數(shù)字視頻監(jiān)控系統(tǒng)存在著一個很嚴(yán)重的缺點(diǎn)，那就是監(jiān)控的內(nèi)容分析與報警只能通過人工進(jìn)行判斷，因此，對于操作人員的注意力要求很高，特別是對突發(fā)情況下操作人員反應(yīng)能力要求更高。經(jīng)常由于操作人員長時間工作導(dǎo)致注意力下降發(fā)生誤報警、漏報警現(xiàn)象。因此，傳統(tǒng)的人工的數(shù)字視頻監(jiān)控系統(tǒng)已經(jīng)很難滿足現(xiàn)代社會的發(fā)展需要，具有智能化的智能視頻監(jiān)控系統(tǒng)成為當(dāng)代經(jīng)濟(jì)社會的迫切需求。

1 智能視頻監(jiān)控系統(tǒng)的概念

智能視頻監(jiān)控系統(tǒng)是采用模式識別、圖像處理以及計(jì)算機(jī)視覺技術(shù)，在監(jiān)控系統(tǒng)中增加一些智能分析模塊，利用計(jì)算機(jī)的數(shù)據(jù)處理能力去除畫面的干擾信息及無用信息，提取視頻中關(guān)鍵的有用信息，準(zhǔn)確的判斷事發(fā)現(xiàn)場以及異常情況，并最快的速度發(fā)出警報或者觸發(fā)其他操作，從而有效進(jìn)行事前預(yù)警，事中處理，事后及時取證的全自動、全天候、實(shí)時監(jiān)控的智能系統(tǒng)。相比較傳統(tǒng)的數(shù)字視頻監(jiān)控系統(tǒng)，智能視頻監(jiān)控系統(tǒng)具有更高的效率，其誤報率也將會大大降低。具有一定智能處理能力的監(jiān)控視頻系統(tǒng)，不僅符合監(jiān)控視頻系統(tǒng)未來發(fā)展的需要，也是監(jiān)控行業(yè)未來發(fā)展方向，蘊(yùn)藏著巨大的商業(yè)價值，受到產(chǎn)業(yè)界、學(xué)術(shù)界等部門的高度重視。

2 視頻運(yùn)動目標(biāo)檢測技術(shù)

運(yùn)動目標(biāo)檢測是指在序列圖像中檢測出變化區(qū)域并將運(yùn)動目標(biāo)從背景圖像中提取出來。常用的方法包括幀間差分法、背景減除法、光流法。

2.1幀間差分法

幀間差分法又稱相鄰幀差法或時間差分法，它的基本思想是將相鄰圖像對應(yīng)像素值進(jìn)行相減，然后對得到的圖像進(jìn)行二值化。它適合于實(shí)時性要求較高的系統(tǒng)，算法量較小，更新快，對運(yùn)動目標(biāo)較小的物體具有較好的效果。當(dāng)目標(biāo)面積過大時，目標(biāo)內(nèi)部容易產(chǎn)生空洞，無法提取完整的運(yùn)動目標(biāo)。此時，幀間差分法效果較差。

幀間差分法的公式如下。

其中d為幀間差分后得到的圖像，In（x，y）、In-1（x，y）分別表示像素點(diǎn)（x，y）處第n幀和第n-1幀圖像，Mn（x，y）表示二值化圖像，threshold表示選取的閾值。

2.2背景減除法

背景減除法又稱背景差分法，它的基本思想是將當(dāng)前圖像的每一幀與背景圖像相減，如果當(dāng)前圖像與背景相減的差值超過一定的閾值，則判斷該區(qū)域是運(yùn)動區(qū)域。從而判斷運(yùn)動目標(biāo)并將其分割出來。背景減除法一般可以完整的檢測運(yùn)動目標(biāo)信息，但是容易對外界環(huán)境變化比較敏感。因此，建立一個可靠的背景模型是背景差分法的關(guān)鍵。目前，為了建立可靠的模型，大量的專家學(xué)者進(jìn)行了深入的探索。Kilger、Brandt等人提出卡爾曼濾波自適應(yīng)背景模型，解決了光照和氣候的變化。McKenna等人提出一種自適應(yīng)背景模型，解決了運(yùn)動目標(biāo)分割的影響。

2.3光流法

光流是一種簡單實(shí)用的圖像運(yùn)動表達(dá)方式，通常定義為一個圖像序列中的圖像亮度模式的表觀運(yùn)動，即空間物體表面上的點(diǎn)的運(yùn)動速度在視覺傳感器的成像平面上的表達(dá)式。它的基本思想是給圖像的每個像素點(diǎn)一個速度矢量，生成一個圖像運(yùn)動場，在特定時刻，三維物體上的點(diǎn)與圖像上的點(diǎn)形成對應(yīng)關(guān)系，這種對應(yīng)關(guān)系可通過投影關(guān)系得到，根據(jù)像素點(diǎn)速度矢量特征動態(tài)分析如下。如果圖像中所有物體都是靜止的，那么光流矢量將在整個圖像區(qū)域的變化是連續(xù)的。如果圖像中有物體是運(yùn)動的，那么背景圖像與目標(biāo)將會產(chǎn)生相對運(yùn)動，因?yàn)檫\(yùn)動物體的速度矢量和相鄰區(qū)域背景的速度矢量不同，所以可以檢測出運(yùn)動物體和它的位置。目前，主要有三種光流計(jì)算方法，分別是基于頻域的計(jì)算方法、基于梯度的計(jì)算方法和基于匹配的計(jì)算方法。光流法的缺點(diǎn)周期長，計(jì)算比較復(fù)雜，實(shí)時性和實(shí)用性較差，另外需要特殊的硬件才能完成。但光流法的優(yōu)點(diǎn)在于無需提前知道場景的信息，攝像機(jī)可隨時變化，而且能夠檢測出獨(dú)立的運(yùn)動對象。

2.4其他方法

除了上述所提到的常用方法之外，近些年來還有一些新的方法：基于人工神經(jīng)網(wǎng)絡(luò)方法、基于小波方法、利用Baye分類準(zhǔn)則對背景和前景進(jìn)行分類。這些方法雖然在某些環(huán)境下具有較好的目標(biāo)檢測能力，但是存在著運(yùn)行效率低，在實(shí)時性方面效果很差。

3 視頻運(yùn)動目標(biāo)跟蹤技術(shù)

運(yùn)動目標(biāo)跟蹤是指對視頻圖像序列進(jìn)行分析，根據(jù)物體的不同屬性對候選的運(yùn)動目標(biāo)作匹配，確定運(yùn)動目標(biāo)在圖像中的位置，簡言之，就是找出同一個運(yùn)動目標(biāo)在不同圖像中的各個位置。視頻目標(biāo)跟蹤常用的方法有：基于特征的跟蹤方法、基于3D的跟蹤方法、基于運(yùn)動估計(jì)的跟蹤方法和基于頻域的跟蹤方法。

3.1基于特征的跟蹤方法

對于視頻監(jiān)控中被跟蹤的運(yùn)動物體，一般能夠表現(xiàn)出很多的個體特征，且連續(xù)的兩幀圖像的時間間隔很小。因而，不管是剛體運(yùn)動還是非剛體運(yùn)動，個體的特征在運(yùn)動時都具有平滑性?；谔卣鞯母櫡椒ㄕ歉鶕?jù)運(yùn)動物體的幀與幀之間的個體特征來實(shí)現(xiàn)跟蹤。這些特征可以包括運(yùn)動物體的周長、面積、質(zhì)心等。它的優(yōu)點(diǎn)主要有三方面：1） 這種跟蹤算法比較簡單，容易實(shí)現(xiàn)。2） 無論是剛體還非剛體，我們跟蹤時無需考慮它的幾何形狀。3） 在對目標(biāo)跟蹤的過程中，比較容易的捕捉到物體的符號特征，并且容易對每個特征符號進(jìn)行匹配。同時，它也有一些缺點(diǎn)：1） 對于三維的跟蹤，由于改變符號和三維目標(biāo)運(yùn)動的參數(shù)是非線性的，因此處理起來比較困難。2） 當(dāng)遮擋物遮住運(yùn)動物體時，導(dǎo)致運(yùn)動物體的某些特征無法識別，將使跟蹤算法變得異常復(fù)雜。

3.2基于區(qū)域目標(biāo)的跟蹤方法

基于區(qū)域目標(biāo)的跟蹤算法基本思想是：首先，利用運(yùn)動目標(biāo)檢測自動得到一個包含運(yùn)動目標(biāo)的區(qū)域，這個區(qū)域常常是稍大于運(yùn)動目標(biāo)的矩形區(qū)域，或者是一些不規(guī)則的形狀，將其作為后續(xù)的匹配模板。其次，將上步得到的模板與視頻圖像序列的每一幀可能位置的區(qū)域進(jìn)行相關(guān)算法計(jì)算，相似程度最大的就是運(yùn)動目標(biāo)所在位置。這種算法的有點(diǎn)是當(dāng)運(yùn)動目標(biāo)沒有被遮擋時，算法精確度很高。缺點(diǎn)是比較耗時，且運(yùn)動目標(biāo)不能有太多的遮擋物。

3.3基于三維模型的目標(biāo)跟蹤

基于三維模型的目標(biāo)跟蹤算法基本思想是：首先，得到運(yùn)動目標(biāo)的三維結(jié)構(gòu)模型和運(yùn)動模型，其次，通過對視頻圖像序列進(jìn)行相關(guān)運(yùn)算，得到三維模型的相關(guān)參數(shù)，最后得到運(yùn)動目標(biāo)的瞬時運(yùn)動參數(shù)信息?；谌S模型的目標(biāo)跟蹤算法有點(diǎn)是得到的特征比較全面，即使遮擋物存在的情況下，精確度依然較高。缺點(diǎn)是獲得精確的運(yùn)動目標(biāo)的幾何模型較為困難。因此，這種目標(biāo)跟蹤算法應(yīng)用受到一定的限制。另外，它的實(shí)時性較差。

3.4基于運(yùn)動估計(jì)的跟蹤方法

傳統(tǒng)運(yùn)動估計(jì)是指在光流約束情況下檢測運(yùn)動目標(biāo)參數(shù)。常見的有基于全局光流場和基于特征點(diǎn)光流場兩種方法。前者計(jì)算量較大，后者是通過利用特征票理賠計(jì)算特征點(diǎn)的流速，和全局光流場相比，它的算法量較小且快速靈活。缺點(diǎn)是很難得到運(yùn)動目標(biāo)的精確形狀。由于多光源、透明性、噪聲、遮擋及陰影等原因，計(jì)算出的光流場分布并不是十分可靠準(zhǔn)確。加之多數(shù)光流場計(jì)算很復(fù)雜，耗時較大，因此，實(shí)時監(jiān)測效果比較差。

3.5基于頻域的跟蹤方法

基于頻域的目標(biāo)跟蹤方法是對圖像進(jìn)行傅里葉變換，由于運(yùn)動目標(biāo)在頻域中幅值不變，相位將發(fā)生變化這一特征計(jì)算相鄰幀間的相位角差值估計(jì)運(yùn)動目標(biāo)的位移。它的優(yōu)點(diǎn)是對圖像的亮度變化和噪聲變化不敏感，而且具有較高的魯棒性。缺點(diǎn)是實(shí)時性較差。

運(yùn)動目標(biāo)檢測和運(yùn)動目標(biāo)跟蹤是智能視頻監(jiān)控系統(tǒng)的兩大關(guān)鍵技術(shù)，目前，由于其技術(shù)發(fā)展未達(dá)到完全成熟階段，兩種技術(shù)對應(yīng)的算法均有其缺點(diǎn)和不足。因而，在實(shí)際應(yīng)用中，我們需要根據(jù)實(shí)際的環(huán)境選擇較為合適的算法。

4 結(jié)束語

相比較數(shù)字人工操作的數(shù)字視頻監(jiān)控，智能視頻監(jiān)控具有更高的智能性和圖像處理能力，因此，它的視頻分析能力更加強(qiáng)大，發(fā)揮著更重要的作用。隨著智能視頻監(jiān)控相關(guān)技術(shù)的不斷發(fā)展，智能視頻監(jiān)控成為視頻監(jiān)控的主流將是必然的趨勢。

參考文獻(xiàn)：

[1] 王瑞.智能視頻監(jiān)控系統(tǒng)的研究與開發(fā)[D].濟(jì)南：山東大學(xué)，2012.

[2] 高麗.智能視頻監(jiān)控技術(shù)及其應(yīng)用[J].黑龍江科技信息，2009（36）.

[3] 肖沁雨.智能視頻監(jiān)控關(guān)鍵技術(shù)分析[J].制造業(yè)自動化，2012，34（6）.

[4] 黃國航.智能監(jiān)控技術(shù)研究現(xiàn)狀及應(yīng)用[J].湖北農(nóng)機(jī)化，2012（4）.

[5] 邵葉秦.基于序列圖像的人頭定位[D].南京：南京理工大學(xué)，2004.

[6] 俞炳揚(yáng).試析智能視頻監(jiān)控技術(shù)在博物館中的應(yīng)用[J].科技資訊，2012（10）.