視頻監(jiān)控技術(shù)論文(2)
視頻監(jiān)控技術(shù)論文
視頻監(jiān)控技術(shù)論文篇二
淺析智能視頻監(jiān)控技術(shù)
【摘 要】本文首先分析了智能視頻監(jiān)控技術(shù)的潛在優(yōu)勢(shì);接著闡明了智能視頻監(jiān)控中運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤方法，對(duì)不同的的方法進(jìn)行分析比較并指出不同方法的優(yōu)勢(shì)與不足。在此基礎(chǔ)上說明了監(jiān)控目標(biāo)行為分析技術(shù)的應(yīng)用;最后總結(jié)了智能視頻監(jiān)控技術(shù)發(fā)展的意義。
【關(guān)鍵詞】智能視頻監(jiān)控;目標(biāo)檢測(cè)與跟蹤;行為分析
0 引言
智能視頻監(jiān)控是實(shí)現(xiàn)安全監(jiān)控的重要技術(shù)手段。它涉及信號(hào)獲取、圖像處理、視頻處理、計(jì)算機(jī)視覺等多個(gè)學(xué)科的研究領(lǐng)域。其中，視頻通信、視頻處理和視頻理解是視頻監(jiān)控技術(shù)的三大核心技術(shù)。
1 智能監(jiān)控技術(shù)與傳統(tǒng)監(jiān)控技術(shù)比較
雖然傳統(tǒng)的視頻監(jiān)控技術(shù)在視頻捕獲、通信以及視頻存儲(chǔ)等方面的技術(shù)發(fā)展迅速并且日趨成熟，但是對(duì)視頻內(nèi)容的分析和理解工作在許多情況下仍然需要人工完成。這不但會(huì)導(dǎo)致人工的大量浪費(fèi)，而且安防人員在疲勞監(jiān)控中會(huì)丟失大量的有用信息。智能視頻監(jiān)控系統(tǒng)不僅能夠?qū)崟r(shí)接收視頻數(shù)據(jù)，還能夠主動(dòng)分析得到的視頻信息，利用計(jì)算機(jī)來(lái)替代人工進(jìn)行數(shù)據(jù)分析判斷，在有效的評(píng)估后給出最終的不同程度的報(bào)警信息。該技術(shù)具備實(shí)時(shí)不間斷可靠監(jiān)控、報(bào)警精度高、響應(yīng)速度快等特點(diǎn)。傳統(tǒng)的視頻監(jiān)控系統(tǒng)將無(wú)條件的被先進(jìn)的、功能更強(qiáng)大的智能視頻監(jiān)控系統(tǒng)所替代。
2 監(jiān)控視頻中運(yùn)動(dòng)目標(biāo)的檢測(cè)方法
監(jiān)控視頻中運(yùn)動(dòng)目標(biāo)檢測(cè)的算法較多，常用檢測(cè)方法主要有幀差法、背景差分法和光流法。
2.1 幀差法
幀差法就是將兩幅圖像的對(duì)應(yīng)像素做相減運(yùn)算，差值閾值化處理確定運(yùn)動(dòng)目標(biāo)在圖像上的區(qū)域位置。幀差法中門限值選取低則不能有效地抑制圖像中的噪聲，過高將會(huì)損失圖像中有用的細(xì)節(jié)信息。合理閾值的選擇是應(yīng)用該方法的難題，但幀差法是實(shí)時(shí)性最強(qiáng)的方法。
2.2 背景差分法
背景差分法的原理就是選取某一參考幀作為參考圖像，將當(dāng)前幀和參考幀做差分。較其它方法比，如果檢測(cè)環(huán)境背景很少變化或不變化，采用這種方法較好，而在一般情況下背景是漸變的。一般采用背景重構(gòu)的方法構(gòu)造背景圖片，但重構(gòu)背景比較耗時(shí)。
2.3 光流法
光流法的主要原理是利用圖像灰度在時(shí)間上的變化與景象中物體的運(yùn)動(dòng)情況的關(guān)系來(lái)進(jìn)行目標(biāo)檢測(cè)。通過圖像觀察到物體表面的模式運(yùn)動(dòng)和二維物體的實(shí)際運(yùn)動(dòng)在圖像上的投影來(lái)發(fā)現(xiàn)目標(biāo)。該方法缺點(diǎn)是計(jì)算復(fù)雜，基本不能滿足實(shí)時(shí)性要求。
3 監(jiān)控視頻中運(yùn)動(dòng)目標(biāo)的跟蹤方法
3.1 監(jiān)控視頻中的目標(biāo)跟蹤算法
目前監(jiān)控視頻中視覺跟蹤算法一般可以分為基于區(qū)域、特征、模型和主動(dòng)輪廓的跟蹤算法。
3.1.1 基于區(qū)域的跟蹤
該算法將視頻圖像中運(yùn)動(dòng)顯著的區(qū)域分割出來(lái)標(biāo)記成目標(biāo)對(duì)象，通過運(yùn)動(dòng)情況估計(jì)運(yùn)動(dòng)區(qū)域幾何形狀和位置，通過連續(xù)幀的目標(biāo)匹配跟蹤目標(biāo)。優(yōu)點(diǎn)是簡(jiǎn)單有效，在多個(gè)目標(biāo)的場(chǎng)景中應(yīng)用效果好，缺點(diǎn)是只能獲得區(qū)域級(jí)別的跟蹤，不能可靠地處理對(duì)象間的遮擋問題。
3.1.2 基于特征的跟蹤
此類跟蹤算法是通過提取圖像中運(yùn)動(dòng)目標(biāo)的主要特征元素，并把它們綜合處理得到圖像的高級(jí)別特征，在圖像之間匹配這些特征，從而定位和跟蹤目標(biāo)。該算法優(yōu)點(diǎn)是當(dāng)出現(xiàn)局部遮擋時(shí)目標(biāo)的一些特征仍然可見，缺點(diǎn)是特征的選取問題和特征的維持時(shí)間難以確定。
3.1.3 基于模型的跟蹤
此類算法先通過先驗(yàn)知識(shí)獲得待跟蹤目標(biāo)的模型，以對(duì)象模型為依據(jù)與圖像數(shù)據(jù)進(jìn)行匹配跟蹤。該算法優(yōu)點(diǎn)是在對(duì)象之間出現(xiàn)干擾或遮擋時(shí)能取得較好的跟蹤性能，缺點(diǎn)是必須得先獲取先驗(yàn)知識(shí)，目標(biāo)形狀變化時(shí)的實(shí)時(shí)模板更新困難。
3.1.4 基于主動(dòng)輪廓的跟蹤
此類跟蹤算法是先檢測(cè)出運(yùn)動(dòng)目標(biāo)的輪廓信息，根據(jù)對(duì)象的邊界信息來(lái)實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的跟蹤。此算法的優(yōu)點(diǎn)是簡(jiǎn)單，出現(xiàn)干擾或遮擋時(shí)仍然可以跟蹤，缺點(diǎn)是對(duì)初始的輪廓信息依賴較大，初始輪廓不準(zhǔn)確很容易導(dǎo)致跟蹤錯(cuò)誤。
3.2 監(jiān)控視頻中的目標(biāo)跟蹤方法
監(jiān)控視頻中目標(biāo)跟蹤常用的有粒子濾波法、均值漂移和卡爾曼濾波法。
3.2.1 粒子濾波法
它是一種基于貝葉斯遞推理論和蒙特卡洛方法的非線性系統(tǒng)分析工具，它利用粒子集來(lái)表示概率，通過從后驗(yàn)概率中抽取的隨機(jī)狀態(tài)粒子來(lái)表達(dá)其分布情況。它能夠比較精確地表達(dá)基于觀測(cè)量和控制量的后驗(yàn)概率分布。存在的主要問題是需要用大量的樣本。
3.2.2 均值漂移法
均值漂移法[1]是一種基于密度梯度上升的非參數(shù)估計(jì)法，通過迭代運(yùn)算找到目標(biāo)的最佳位置，實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)跟蹤。算法的優(yōu)點(diǎn)是計(jì)算量相對(duì)較小，簡(jiǎn)單易實(shí)現(xiàn)，對(duì)目標(biāo)遮擋、旋轉(zhuǎn)、變形和背景運(yùn)動(dòng)魯棒。缺點(diǎn)是容易丟失目標(biāo)，跟蹤效率不高，缺乏模板更新算法，目標(biāo)大小變化影響大。
3.2.3 卡爾曼濾波法
它是采用噪聲與信號(hào)的狀態(tài)空間模型，利用當(dāng)前時(shí)刻的觀測(cè)值和當(dāng)前時(shí)刻前一時(shí)刻的估計(jì)值來(lái)更新對(duì)狀態(tài)變量的估計(jì)，求出估計(jì)值。此方法是一種統(tǒng)計(jì)意義上的最優(yōu)狀態(tài)估計(jì)。對(duì)于非線性系統(tǒng)，必須進(jìn)行線性化，再采用擴(kuò)展卡爾曼濾波進(jìn)行估計(jì)。
4 監(jiān)控視頻中目標(biāo)行為理解技術(shù)的應(yīng)用
近些年來(lái)，隨著人們安全意識(shí)的加強(qiáng)，對(duì)監(jiān)控視頻中目標(biāo)行為理解[2]的應(yīng)用越來(lái)越多。
4.1 目標(biāo)跟蹤檢測(cè)
使用帶坐標(biāo)定位的快速攝像機(jī)對(duì)監(jiān)控區(qū)域內(nèi)的特定移動(dòng)目標(biāo)進(jìn)行監(jiān)測(cè)、分類識(shí)別及軌跡追蹤，保證跟蹤目標(biāo)持續(xù)放大顯示在鏡頭中央。針對(duì)運(yùn)動(dòng)目標(biāo)的運(yùn)動(dòng)軌跡調(diào)整自身角度跟蹤，彌補(bǔ)固定攝像機(jī)監(jiān)控視野窄的缺點(diǎn)。應(yīng)用于十字路口、地鐵等場(chǎng)所。
4.2 絆線、入侵與徘徊檢測(cè)
絆線檢測(cè)就是在監(jiān)視范圍內(nèi)，并在目標(biāo)穿越規(guī)定檢測(cè)線的非法方向時(shí)告警，比如車輛的逆行檢測(cè)。入侵檢測(cè)是對(duì)目標(biāo)進(jìn)入、離開或突然出現(xiàn)時(shí)告警。徘徊檢測(cè)則是對(duì)同一目標(biāo)在該區(qū)域內(nèi)運(yùn)動(dòng)超過一定時(shí)間時(shí)的告警。適合于看守所、監(jiān)獄、銀行、博物館等場(chǎng)所。 4.3 物體狀態(tài)檢測(cè)
監(jiān)視場(chǎng)景中，對(duì)警戒區(qū)域內(nèi)特定位置的物品狀態(tài)發(fā)生變化進(jìn)行檢測(cè)分析并告警?？煞譃椋哼z留物體檢測(cè)，物體移除檢測(cè)。重要物品一旦被遮擋、移動(dòng)時(shí)系統(tǒng)立即發(fā)出告警。用于ATM機(jī)、地鐵、車站、倉(cāng)庫(kù)等場(chǎng)所的監(jiān)控。
4.4 目標(biāo)識(shí)別檢測(cè)
在目標(biāo)識(shí)別方面，應(yīng)用比較成熟的是車牌識(shí)別，主要用于交通十字路口。近些年，人臉、人體識(shí)別技術(shù)發(fā)展迅速，可以在多段視頻中查找相似人或車輛等目標(biāo)，在特定環(huán)境下特定目標(biāo)的查詢等，這些技術(shù)在安檢方面也有一定的應(yīng)用。
4.5 流量、密度統(tǒng)計(jì)
流量統(tǒng)計(jì)是在檢測(cè)區(qū)域中，統(tǒng)計(jì)單位時(shí)間內(nèi)按指定方向進(jìn)入或離開該區(qū)域的目標(biāo)數(shù)量。密度檢測(cè)則是對(duì)區(qū)域內(nèi)的目標(biāo)稠密程度或目標(biāo)數(shù)進(jìn)行估計(jì)。一般用于廣場(chǎng)、門口、文化與宗教聚集地等場(chǎng)所的安監(jiān)。
4.6 人體異常行為監(jiān)測(cè)
檢測(cè)比如打架斗毆、奔跑、摔倒、滑倒等特殊行為的檢測(cè)，在考場(chǎng)監(jiān)控對(duì)考生的坐姿進(jìn)行監(jiān)控，在醫(yī)院監(jiān)測(cè)病人異常行為進(jìn)行及時(shí)救助，在電梯內(nèi)是否發(fā)生搶劫等特殊地點(diǎn)的特殊行為進(jìn)行檢測(cè)和告警。
4.7 災(zāi)害監(jiān)測(cè)
對(duì)監(jiān)視場(chǎng)景中的煙霧、火焰等信息進(jìn)行監(jiān)測(cè)和報(bào)警。目前此方面的檢測(cè)方法主要根據(jù)當(dāng)時(shí)的情況發(fā)生的嚴(yán)重程度進(jìn)行評(píng)估，給出不同程度的警告。
5 智能視頻監(jiān)控技術(shù)發(fā)展的意義
智能視頻監(jiān)控技術(shù)源于計(jì)算機(jī)視覺技術(shù)，同時(shí)融合了計(jì)算機(jī)圖形學(xué)技術(shù)、圖像處理技術(shù)、模式識(shí)別等多項(xiàng)技術(shù)，目的是對(duì)圖像、視頻序列圖像間潛在的敏感信息做出快速反應(yīng)。智能視頻分析技術(shù)在軍事、經(jīng)濟(jì)、醫(yī)療、安全等諸多方面都有特殊應(yīng)用價(jià)值。不同的行業(yè)對(duì)于視頻監(jiān)控的需求迥異，異常行為類型與異常事件也有著特殊性?，F(xiàn)階段對(duì)智能視頻監(jiān)控的需求日益多樣化和復(fù)雜化。它的應(yīng)用將從相對(duì)集中的領(lǐng)域向各行各業(yè)深層次大幅度延伸，智能視頻分析技術(shù)對(duì)社會(huì)的發(fā)展具有巨大的理論與現(xiàn)實(shí)意義。
【參考文獻(xiàn)】
[1]詹建平，黃席樾，沈志熙等.基于均值漂移和卡爾曼濾波的目標(biāo)跟蹤方法[J].重慶理工大學(xué)學(xué)報(bào)：自然科學(xué)，2010， 24(3)：76-80.
[2]張凡忠.智能視頻分析技術(shù)在視頻監(jiān)控中的應(yīng)用[J].技術(shù)與應(yīng)用，2013，12：56-61.
看了“視頻監(jiān)控技術(shù)論文”的人還看：
2.簡(jiǎn)述基于視頻監(jiān)控的火災(zāi)圖像識(shí)別研究的重要性論文
3.視頻技術(shù)下的機(jī)場(chǎng)場(chǎng)面監(jiān)視系統(tǒng)簡(jiǎn)述論文
4.工藝安全管理論文