智能视频监控技术的研究与应用

三亚学院 高华玲



智能视频监控技术的研究与应用

三亚学院 高华玲

【摘要】智能视频监控的核心技术是目标检测、目标分类、目标跟踪、异常行为分析等，相关的算法研究已经比较成熟。本文归纳相关的核心算法，并进行简单的优缺点评述。后续对近年来智能视频监控系统的应用现状进行总结，最后探讨相关技术的未来发展方向。

【关键词】智能视频监控；算法；应用

1　概述

智能视频监控系统的功能强调对图像的智能识别、分析和管理，并能在远程网络进行操作。随着平安城市的建设，摄像头的数量不断增加，监控设备性能得到了提高，并产生了大量的监控数据。在物联网和大数据的背景下，智能视频监控系统的应用更加注重效率和监控效果，更加强调对大量的监控数据进行实时检测、跟踪和分析。分布式的监控系统是一种面向对象的技术，以多终端的并行处理和控制为优势，成为新一代智能视频监控系统的发展方向。

2　智能视频监控技术

智能视频监控技术经历了模拟化、数字化、智能化三个时代。智能视频监控的关键技术的算法包括目标检测、目标跟踪、行为分析等。

2.1运动目标检测

视频中动态目标的检测方法可以分为两大类，其一是通过背景建模来检测，其二是通过对目标建模来检测感兴趣的研究目标。这里介绍三种典型的检测算法——背景减除法、帧间差分法和光流法。

2.1.1背景减除法

首先分析视频图像的底层特征对背景建模（单高斯背景建模机票混合高斯背景建模），然后利用当前图像和背景图像的差分来检测运动目标。算法的优点是计算精确度高，算法性能好，缺点是占用系统资源较多，对光线变化、动态背景、摄像机抖动等表现敏感。

2.1.2帧间差分法

利用图像序列相邻帧之间的差异获取运动目标的特征，将结果进行阈值分割来获取运动区域。优点是环境适应力强，实时性好，具有一定的抗噪能力，占用系统资源少，对光线变化不敏感，缺点是算法精确度不高，需要根据物体运动的快慢选择合适的时间帧进行比较，并仅在目标运动时限内能够检测。

2.1.3光流法

利用运动目标像素的瞬时速度来区分运动目标，即研究在一定时间内图像灰度值的变化与运动目标的结构、运动方式之间关系。优点是不需要关心背景信息，缺点是计算结果会受到遮挡、阴影、光线变化等因素的影响，计算复杂度高，实时性较差。

2.2动态目标跟踪

目标跟踪常常根据运动目标的各种特征值进行判断，比如形状特征、颜色特征、空间关系特征、纹理特征和轮廓特征等。三种比较经典的目标跟踪算法是Meanshift算法［1］、Camshift跟踪算法［2］和Kalman滤波算法［3］。

Meanshift算法是一种基于核密度估计的梯度上升算法，任意点为起点向核密度梯度上升的方向在离线模型中进行搜索，最后收敛于核密度的局部最大值。算法优点是计算复杂度低，无需参数，容易与其他的算法相结合，常用于图像切割和视频跟踪。缺点是搜索框的核函数带宽不变，所选的特征值单一，抗干扰能力差。

Camshift跟踪算法是根据图像序列中像素的色度直方图信息对运动目标进行跟踪的。它是Meanshift算法的扩展。

Kalman基于预测的滤波算法是一种基于运动目标的特征进行递推预测的算法。此算法的优点是系统处理速度快，抵抗遮挡性能好，但是缺点是难以建立准确地随机模型，局限于固定的运动模型。

2.3异常行为检测

人体行为是通过在视频监控中检测出较为理想的人体轮廓，提取瞬间轮廓特征进行分析的。人体行为的研究集中在少数具有危害性的异常行为，常见有三种：徘徊行为检测、人体异常行为检测和遗留物检测。比如人体异常行为有停车场背景中的跌倒、下蹲、打、砸、敲、踢等。

1）徘徊行为检测的方法有基于二维马尔科夫随机游走模型的方法［4］、利用贝叶斯表征跟踪器建模的方法［5］和计算离散曲率熵和方差的方法［6］等。

2）人体异常行为检测的方法主要介绍3种常用方法，一是利用简单的人体几何模型对人体行为进行识别；二是基于不同时刻空间状态变化计算联合概率，确定行为分类标准，如隐马尔科夫模型［7］和动态贝叶斯方法；三是对人体运动方向、轨迹、位置、速度、角度等运动特征进行描述的方法。

3）遗留物检测的方法

遗留物检测是针对某物体进入视频场景之后，检测该物体是否是遗留物，待物体滞留一段时间后触发报警系统，防止意外发生。刘强使用codebook模型构建背景模型，对实时更新和非实时更新的背景图像差值检测遗留物［6］。

3　已有智能视频监控系统介绍

1）VSAM是1997年美国国防部高级研究项目署的视频监控重大项目，目的是为了预防恐怖袭击。该项目由卡内基梅隆大学和麻省理工学院等高校进行研究，能够应用于民间场景和战场的人体和车辆的监控。

2）W4是美国马里兰大学（Maryland）开发的视频监控系统，检测和跟踪户外环境下的多人运动，能够有效的对住宅、停车场、银行等场所进行可疑人员的排查，通过外观建模检测出物品携带者，并跟踪监控。

3）Pfinder是麻省理工学院（MIT）的Wren等人根据对象的颜色、形状等特征构建多种模型，通过这种方式建立单个未遮挡人体的三维模型，对人体各部位进行构造。实验时对实验室的人员进行实时监视，结果显示此系统可以克服短暂的光照变化和遮挡等因素，较为准确地判断其行为方式。

4）CBSR是国内较成功的智能监控系统，此系统检测所有路过的车辆，并进行跟踪和处理，同时进行人脸跟踪和识别。

5）ADVISOR是欧盟信息社会技术程序委员会开发的一个视频监控和检索系统，此系统对公共交通中的人群进行监控，分析行人的行为模式。

4　智能监控系统的应用

从历年的视频监控白皮书中获悉，视频监控系统的应用行业增速最快的是城市监控、能源行业和教育机构。常见的应用在军事、安保、交通、港口和大型活动中较多。国外以美国为首的应用规模不断扩大，智能视频技术逐渐成为具有影响力的产业。美国和欧洲掌握了智能视频监控领域的核心技术，市场占有率非常高。欧美等研发的智能视频监控系统已经比较成熟，大量应用于实际的安防系统，如美国ObjectVideo、Vidient和Verint系统，日本NICE系统和以色列的Mate、IOimage系统。中国的市场份额在近年来增长迅速。根据权威的电子行业调研公司IHS的子公司IMS Research的预测，2016年全球视频监控设备市场的营业收入将从2010年的96亿美元上升到205亿美元，大增114%。2016年中国已经成为世界最主要的视频监控市场，市场占有率将达到全球市场的40%以上。全球视频监控产品按分类看，网络智能摄像机、模拟高清和家用摄像头需求快速增长。按终端用户分类看，平安城市、智能交通、平安社区、平安校园等城市监控需求增速最快，能源行业和教育行业的应用也逐步增速。

4.1安防类应用

安防类的应用是最为常见的应用。用于机场、监狱、军事和其他的大型活动中的安全视频监控，智能化技术需求包括高级视频移动侦测、物体追踪、人脸识别、车辆识别、非法滞留等。

4.2辅助管理类应用

辅助管理类的应用是应用在宾馆、商场等服务性质的企业当中，

为了了解客户行为，把握市场定位，是进一步提高服务水平的参考依据。这类应用包括人数统计、人流控制、注意力控制和交通控制等。

5　未来发展趋势

近年来，随着用户对远程监控、管理和高质量图像的需求增加，监控系统网络化的趋势明显。例如在恐怖袭击、暴乱和公共安全破坏案件中，常常需要高清智能视频图像作为案件佐证材料。同时监控系统的智能化是不可避免的发展趋势，网络化、数字化的需求也促进了智能化的需求。在实际应用中，已经成功开发的智能视频监控系统的功能常常局限于单一特定的领域，如目标检测、目标跟踪或者人脸识别，集成多种功能的完整系统尚不多见。目前，智能视频监控系统还不能完全自动化，特别在异常行为检测和报警的相关应用中，仍需不断的降低误报率、提高检测的准确性。

参考文献

［1］Comaniciu D.An Algorithm for Data-Driven Bandwidth Selection［J］.IEEE Transactions on Pattern Analysis & Machine Intelligence，2003，25（2）：281-288.

［2］Morimoto T，Kiriyama O，Harada Y，et al.Object tracking in video pictures based on image segmentation and pattern matching［C］//IEEE International Symposium on Circuits and Systems.IEEE，2005：3215-3218 Vol.4.

［3］Weng S K，Kuo C M，Tu S K.Video object tracking using adaptive Kalman filter［J］. Journal of Visual Communication & Image Representati on，2006，17（6）：1190-1208.

［4］Zin T T，Tin P，Toriu T，et al.A Markov Random Walk Model for Loitering People Detection［C］//Sixth International Conference on Intelligent Information Hiding and Multimedia Signal Processing.IEEE Computer Society，2010：680-683.

［5］ChungHsien Huang，YiTa Wu，MingYu Shih.Unsupervised Pedestrian Re-identification for Loitering Detection［C］//Advances in Image and Video Technology， Third Pacific Rim Symposium，PSIVT 2009，Tokyo，Japan，January 13-16，2009.Proceedings.2009：771-783.

［6］刘强.智能视频监控中几种异常行为检测研究［D］.安徽大学，2012.

［7］朱旭东，刘志镜.基于主题隐马尔科夫模型的人体异常行为识别［J］.计算机科学，2012， 39（3）：251-255.

高华玲（1980—），硕士，讲师，研究方向：信息隐藏、计算机视觉、语义分析。

项目基金：三亚市院地合作项目（No.2013YD43）、三亚学院校级一般项目（No.XYZZ1319）。

作者简介：