主页（http://www.pttcn.net）：智能监控或将成为安防行业的下一个拐点 目前视频监控的现状 视频监控系统已经广泛应用于小区安全监控、火情监控、交通违章、流量控制、军事，以及银行、商场、地铁、机场等公共场所的安全防范中，并且将有更广泛的应用前景。但现有的视频监控系统通常只能靠人工来完成监控、报警、录制等一系列分析处理工作，没有充分发挥实时主动的监控作用。更多的产品需求和更广阔的市场应用需要今后的安防产品中必须具备智能分析处理的能力。从目前的技术层次来说，数字图像处理技术已经日益成熟，人工智能也突飞猛进，如何将图像智能分析的功能融入到智能产品中来成了各个公司和厂商关注的焦点。拥有高级智能分析的智能视频监控系统，不仅能大大增强监控的能力、降低不安全隐患，同时节省了人力物力，降低了成本。 智能在监控领域中的发展 在上世纪九十年代初以前，以模拟设备为主体的闭路电视监控系统是最早的第一代监控系统，该技术成熟，稳定，在许多实际工程中都得到了广泛的应用，在某些场合这项技术至今还在人们关注的视野当中。真正的智能监控是随着计算机的发展以及网络的革新才出现的。九十年代中期，计算机处理能力的提高和视频技术的发展使得人们开始利用计算机的高速数据处理能力来进行视频的采集和处理，由此而生的数字化监控系统称之为第二代视频监控系统。从九十年代末开始，随着网络带宽，计算机处理能力和存储容量的进一步提高，以及各种视频处理技术的出现，视频监控进入了全新数字化时代。智能在安防中的应用越来越重要。因此，第三代监控系统的就是以网络为依托，以数字视频的压缩、传输，存储和播放为核心，以智能的图像分析为特色的技术革命。闯入报警，非法停留，物品遗留，运动目标跟踪等等。这些高级智能分析的功能成为了现代安防监控产品中一大特点。 相关智能算法的研究 提到安防不能不提智能，提到智能不得不提算法。算法，作为行为分析和图像处理的灵魂，在今后的产品研发和方案实施中起着引导性的作用。监控的领域不断的扩大，市场不断的发展，使得巨大的视频信息需要分析处理，对于智能视频监控系统来说，面对如此大的信息量，好的技术和结构是关键的问题所在。在远程监控过程中，为了减少网络传输的压力，在设备前端将一些智能分析的模块嵌入到产品的编码模块当中去，通过前面的智能分析只提取有用的视频信息，并对其进行编码压缩传输，大大的减小了传输的数据量，而图像分析部分则在解码后由后端的软件部分处理。这种分工式思想比单纯的靠集中式软件或硬件处理的效果都要好的多。 同H264等编解码算法相比，视频智能算法之所以没有一个统一的标准，没有ASIC化，就是因为其复杂度以及目标行为的多样性，导致很难制定出一套标准的规则来应用于各个行业领域。智能算法属于新兴的综合类科学技术，许多有效的智能分析算法都是先从国外发展起来的，而且还有相当一部分的算法要么复杂度太高，不适合实时性的要求;要么自适应较差，对场景的依赖性太大;要么则还停留在理论研究的阶段，离产品还比较远。国内完全真正具有自主知识产权的智能监控产品很少，绝大多数产品的技术都是源于美国、欧洲、和以色列等发达国家。国内大多数生产和安装的视频监控系统仍停留在非智能的领域，在监控系统中提到的"智能视频监控",实际上还停留在普通的网络视频监控的概念上。 大都还是IP监控和数字化监控等，不具备所说的高级智能分析的内容。为此国内有很多公司在智能方面也投入了大量的人力物力开发研究，并在传统的运动目标检测等方面做了大量的改进，取得了突破性的效果。拥有自主知识产品的智能化的安防产品，对提高国内的整体智能化监控水平，提高国内产品在国际竞争中的地位有着非常重要的作用。 从算法的角度来说，监控产品的智能化在技术方面还有很多的研究要做，但这也给了大家一个机遇，谁在今后的发展中掌握了核心的技术，谁就能够挖到第一桶金，占据相关领域的市场。在智能图像分析中，运动目标的检测和跟踪应该是高级智能分析里面最基本的功能。是入侵报警，非法停留，丢包遗物等行为分析的基础。下面就简单分析一下物体识别跟踪的过程。 具体应用举例 算法的实现可以看作一个建模的过程，也可以理解成一种应用数学工程。运动目标的检测识别是指从序列图像中将变化的前景从背景中分离出来，是数字图像处理的一个主要部分。天气和光照的变化，复杂背景中其他物体的干扰，运动的影子以及摄像机的运动、抖动等都会对目标的提取过程带来困难。因此运动目标的正确检测和准确跟踪成为了视频监控系统中一项重要的技术点。整个过程可以简单分为以下几个步骤：视频预处理，目标检测与识别，目标分类，目标跟踪，行为分析和规则创建。 视频预处理 视频预处理过程其实就是降低噪声，突出跟踪目标。图像噪声有两类，一类是源噪声，一类属于观察噪声。环境光线变化，背景的树叶，雨雪等都属于源噪声;而观察噪声主要指得是摄像头抖动，传输线路干扰等影响。这些噪声都会对跟踪目标提取过程造成麻烦。在消除噪声方面一般采用的方法为数字稳像，背景自适应学习，阈值分割，形态学滤波，二值化等。这些处理可以消除图像中大部分噪声，减少其对目标检测的干扰。 目标检测与识别 利用运动目标提取过程得到前景运动的物体后，就需要对目标有一个识别的过程。这种识别分为单目标人工识别和多目标区域识别。对于单个物体的跟踪来说，可以从视频中人为的选取出感兴趣的物体，并对其进行跟踪;对于区域多物体来说，则可以划分出一个区域，只对进入区域的物体进行识别和跟踪。 目标分类 对于监控区域内的单个物体跟踪来说是不需要分类的。即使物体在运动过程中发生了遮挡，当物体满足线性运动，背景变化比较平缓时，该算法仍然可以对物体进行准确的跟踪。对于复杂环境下的非线性运动的物体，我们则在诊-来单目标跟踪的基础上加入一些目标特征信息来帮助识别跟踪。目标分类一般应用于多目标情况下跟踪单目标，或者多目标跟踪多目标的环境。当环境中有多个运动目标的时候我们可以把每个运动的目标都提取出来，按照位置、速度、形状、纹理以及色彩等有关特征对它们进行分类。首先将感兴趣目标的特征信息保存下来，然后对其进行跟踪。当视频中跟踪的物体消失后又出现时，我们就重新用以前保存的特征信息和当前画面中出现的所有运动目标进行匹配。通过比较的结果，就可以判定出现的物体中哪一个是刚才跟踪的目标。
|
