智能視頻監(jiān)控系統(tǒng)關鍵技術研究

鄭孜祎

中國人民公安大學，北京，100038

0 引言

如今，大量監(jiān)控系統(tǒng)已出現(xiàn)在人們的生活中，其組成部分包括電視墻與相關監(jiān)控器。雖然工廠、公共場所等機構均對視頻監(jiān)控系統(tǒng)予以了運用，但也只是單純的錄像操作而已，只是為了讓后續(xù)的取證管理更加方便，進而也就降低了圖像價值。而就算事后取證是必然，但如果能事前預警無疑是最好的，對此便需要計算機系統(tǒng)對監(jiān)控視頻的實際內容展開快速分析。目前，隨著科學技術的發(fā)展速度不斷加快，計算機的相關性能也越來越完善，也使得圖像處理技術、計算機視覺等在智能監(jiān)控系統(tǒng)中得到了充分應用[1]。

1 智能視頻監(jiān)控系統(tǒng)的概念

智能視頻監(jiān)控系統(tǒng)以圖像處理、計算機視覺技術和模式識別為主要手段，將智能視頻分析模塊加入系統(tǒng)中，并通過計算機在數(shù)據(jù)處理方面擁有的強大能力，過濾畫面中用不到或是對正常畫面產生干擾的信息，監(jiān)控系統(tǒng)主要是發(fā)揮監(jiān)控技術的優(yōu)勢將視頻中有價值的信息抽取出來，當發(fā)生異常情況時立即報警，該監(jiān)控技術能夠對突發(fā)事件進行處理，為警察處理相關問題提供有效幫助[2]。作為人工智能研究領域的一個分支，計算機視覺技術可讓映射關系在圖像和圖像描述間形成，基于此可通過數(shù)字圖像處理以及分析等方式，理解視頻畫面中包含的相關內容[3]。

2 視頻監(jiān)控系統(tǒng)的發(fā)展應用及研究現(xiàn)狀

2.1 視頻監(jiān)控系統(tǒng)的發(fā)展

智能視頻監(jiān)控在具體發(fā)展過程中，需要將傳統(tǒng)視頻監(jiān)控作為基礎。對于傳統(tǒng)視頻監(jiān)控系統(tǒng)的發(fā)展而言，涉及以下階段。第一，模擬時代。20世紀末，模擬閉路視頻監(jiān)控系統(tǒng)等設備的依賴性極強，諸如監(jiān)視器、錄像機等。圖像在進行傳輸時，通常運用同軸電纜，涉及無法遠程訪問等相關缺點。并且，臃腫的存儲方式也加大了信息查詢與檢索的難度。第二，數(shù)字時代。20世紀中期，隨著數(shù)字視頻壓縮編碼技術的持續(xù)進步，形成了將數(shù)字硬盤錄像機等作為基礎的半數(shù)字系統(tǒng)。在存儲數(shù)字化的推動下，提高了用戶對視頻信息進行處理的能力。第三，網(wǎng)絡時代。進入新世紀后，在計算機與網(wǎng)絡技術更新迭代速度逐漸加快的背景下，人們逐漸加強了對IP視頻監(jiān)控系統(tǒng)的關注，其還被稱為網(wǎng)絡數(shù)字視頻錄像機系統(tǒng)[4-5]。對于此系統(tǒng)而言，是將標準TCP/IP協(xié)議作為基礎，通過互聯(lián)網(wǎng)實現(xiàn)傳播工作，并在流媒體技術的作用下于網(wǎng)絡上多路復用傳輸所采集的信息，同時借助中央控制服務器、轉發(fā)視頻流等，促使整個監(jiān)控系統(tǒng)的存儲、調度、指揮以及授權控制等功能順利實現(xiàn)。

2.2 智能視頻監(jiān)控系統(tǒng)的應用

2.2.1 安全相關類應用

（1）高級視頻運動檢測。系統(tǒng)能夠在惡劣天氣環(huán)境中準確檢測單個、多個物體的實際運動狀況，諸如運動方向、速度等。

（2）運動跟蹤。順利檢測到運動物體后，立足于物體運動狀況，結合攝像機，對控制指令進行自動發(fā)送，保證計算機能夠自動對物體予以全面跟蹤，若物體經(jīng)過運動之后脫離了監(jiān)控區(qū)域，那么會立即向物體所處區(qū)域的攝像機進行通告，使之對物體進行繼續(xù)跟蹤[6]。

（3）人物面部識別。對人物的臉部特征進行自動識別，同時借助對比數(shù)據(jù)庫檔案對身份進行識別與驗證，諸如機場、火車站等。

（4）車輛識別。準確識別車輛形狀、顏色以及車牌號碼等信息，然后第一時間反饋給監(jiān)控人員。在跟蹤被盜車輛等場景中，這一類應用發(fā)揮了重要作用。

（5）智能監(jiān)護。通過對正常人動作行為的學習與鍛煉，當家里老人等存在異常狀況時，可迅速檢測然后發(fā)出警報。

2.2.2 非安全相關類應用

（1）人數(shù)統(tǒng)計與人群控制。系統(tǒng)能夠對指定區(qū)域中的人流量進行全面統(tǒng)計，并對人群表現(xiàn)出來的整體運動特點予以識別，諸如方向、速度等，預防產生擁堵的狀況，或是迅速發(fā)現(xiàn)人群表現(xiàn)出來的反常狀況，主要應用于超市、火車站等場景。

（2）交通流量控制。用于監(jiān)視高速公路或是環(huán)線公路上的交通，完成對車流量、平均車速、違章行車行為、交通事故的統(tǒng)計。

3 智能視頻監(jiān)控系統(tǒng)關鍵技術

3.1 圖像增強

圖像增強指的是根據(jù)特定需求突出圖像內的某些關鍵信息，在此基礎上消除無用信息，有效增強圖像對比度，優(yōu)化其視覺效果，更好地進行之后的圖像分析。對該技術而言，現(xiàn)階段已經(jīng)涉及諸多算法，各類算法針對特殊場景與對象能夠發(fā)揮出較好的增強作用，但依舊存在自身的缺陷。

圖像增強算法通常來說涉及空域增強以及頻域增強兩種類型。前者一般有灰度變換、直方圖均衡、平滑增強以及模板濾波增強等。直方圖均衡算法屬于相對簡單、運用廣泛的一種算法，然而針對高照度圖像進行處理的過程中會存在過飽和現(xiàn)象，同時容易增加噪聲，導致圖像整體視覺效果降低。匹配的改進算法主要有自適應直方圖均衡、對比度限制的自適應直方圖均衡等，按照圖像的局部統(tǒng)計數(shù)據(jù)對其灰度動態(tài)范圍進行調整，能夠得到更加豐富的細節(jié)，最終實現(xiàn)圖像增強的目標。而從頻域角度來說，相關算法主要有低通濾波、高通濾波、帶通以及帶阻濾波等。圖像變換一般有傅里葉變換、小波變換以及離散余弦變換等。同時，近年來基于小波變換而逐漸衍生出的Curvelet與Contourlet變換，表現(xiàn)出更高的精度，所以也常常將其運用到圖像邊緣以及輪廓信息的表達過程中，在很大程度上促進了圖像增強效果的提升。在實踐中針對紋理細節(jié)較多的圖像，僅僅進行尺度表達無法有效符合處理要求，小波變換算法屬于多角度分析算法的典型代表。圖像通過小波變換細化為各種尺度的子帶圖像，借助調整子帶小波系數(shù)來達到圖像增強的目標。同時，由小波變換理論逐漸衍生出新的圖像多尺度分析理論：曲波變換，這一算法表現(xiàn)出更加精確的辨識度，有效提高了圖像內直線以及曲線的幾何特點表達能力，可以更為準確地識別其中的邊緣細節(jié)以及噪聲，但是該算法在實際應用中存在復雜性較高的缺點，因此并未得到普及應用。

3.2 運動目標檢測

運動目標檢測屬于視覺系統(tǒng)以及智能視頻分析系統(tǒng)的重要工作，是現(xiàn)階段的主要研究方向，為后續(xù)的目標追蹤、行為分析以及事件檢測的相關研究提供了更加豐富的理論和技術支持。借助運動目標檢測可以將運動前景和背景予以分離，將運動目標直接從視頻序列中進行提取，最終結果的優(yōu)劣在很大程度上關系到后續(xù)算法能否發(fā)揮出實際作用。同時針對智能視頻監(jiān)控來說，很多事件檢測也能夠通過運動目標檢測算法予以實現(xiàn)，包括入侵檢測、人數(shù)統(tǒng)計以及車流量統(tǒng)計等?，F(xiàn)階段主要包含如下幾種。

首先是光流法。該方法是借助于光流方程對各個像素點的實際運動狀態(tài)進行計算，對圖像實施動態(tài)分析，通過這樣的方式獲取目標的位置、數(shù)量等信息，在此基礎上實現(xiàn)對目標的追蹤。另外，這一算法對噪聲相對敏感，實際精準度不是很高，難以有效掌握目標的精確邊界，同時該方法需要龐大算量支持，無法大范圍推廣應用。

其次是幀差法。這一方法是針對相鄰兩幀或是多幀圖像差分，隨后通過閾值分割的手段，超過閾值像素將其當作前景目標，不超過的則當作背景。幀差法一般來說對動態(tài)環(huán)境表現(xiàn)出更高的適應性，然而提取目標存在空洞問題，也可能出現(xiàn)漏檢的問題。

最后是背景差分法。該方法屬于現(xiàn)階段普遍使用的一種，其基本原理是針對背景實施建模之后和視頻幀予以對比，從而獲取差分圖像，其中像素值變化更大的可以判定為前景目標。相對上述兩種方法來說，該方法能夠有效實現(xiàn)實時監(jiān)控，同時檢測準確性更高，優(yōu)勢更大，但實際檢測結果往往受到背景建模環(huán)節(jié)精準度的影響。在實施背景建模的過程中必須充分考慮到具體場景中一些不能預測的因素出現(xiàn)，比如動態(tài)背景、光照變化以及相機自身抖動，更加精準地建模對于前景目標檢測來說提出了很大的技術難題，高斯混合模型便屬于非常經(jīng)典的建模策略，可以有效處理光線變化以及背景混亂等問題，但這一方法的應用必須定期予以更新，還涉及不同參數(shù)的設置，需要消耗較大算量，難以保證實時性的要求。目前普遍使用的建模算法還包括SACON201、ViBe、GMG3P等算法。

3.3 局部特征匹配

圖像匹配技術屬于諸多領域都會采用的一項基礎又非常重要的技術，如電子穩(wěn)像、圖像配準、圖像融合、目標識別和跟蹤以及三維重建等，也是智能視頻監(jiān)控系統(tǒng)重要研究內容之一。一般來說，圖像匹配方法主要分為兩種，分別是基于灰度相關匹配與基于特征匹配。前者具有復雜的算法，對于圖像間的多個方面均有較高的敏感度，包括尺度縮放、亮度變化等，缺乏良好的抗噪聲能力。而后者的算法又由兩部分構成，即全局特征匹配算法、局部特征匹配，其中全局特征抽取于整個圖像中，而局部特征則抽取于某個局部區(qū)域。在檢索領域中，全局特征多用于對整個圖像內容進行描述，比如顏色直方圖的檢索性能就非常好。但圖像混疊以及存在遮擋時不適合采用全局特征，而需采用局部特征描述。

局部特征具有諸多不變性，體現(xiàn)在旋轉、尺度、仿射變換等方面。提取圖像局部特征，主要是提取角點、區(qū)域特征以及斑狀等。提取結束后，需借助一種有效方法描述相應圖形的局部特征。為保證局部特征相似性的度量成功實現(xiàn)，需要采用一種緊湊且完整的局部特征的描述。而其中最具代表性的描述子就是SIFT特征描述子，其性能得到了大家一致的認可，在局部特征研究領域該項工作具有里程碑意義?；赟IFT理論研究，還提出了如GLOH、SURF以及PCA-SIFT等其他描述子，但都對SIFT特征描述子的生成方法予以了借鑒，但在很多方面，如局部特征提取速度、穩(wěn)定性等，也相應地改進了SIFT特征描述子，獲得的效果較為理想。

4 結語

綜上所述，相較于傳統(tǒng)意義上的視頻監(jiān)控技術，智能視頻監(jiān)控技術與之存在很大的不同。傳統(tǒng)的視頻監(jiān)控系統(tǒng)一般只負責錄制、存儲，而智能視頻監(jiān)控系統(tǒng)則可利用計算機視覺和模式識別的方案，自動分析研究監(jiān)控設備采集的圖像，同時定位場景中的目標物體，對其展開精確識別，無需人為干預，所以在很多方面均擁有良好的應用空間。