主頁（http://m.by236.com）：智能監控或將成為安防行業的下一個拐點 目前視頻監控的現狀 視頻監控系統已經廣泛應用于小區安全監控、火情監控、交通違章、流量控制、軍事，以及銀行、商場、地鐵、機場等公共場所的安全防范中，并且將有更廣泛的應用前景。但現有的視頻監控系統通常只能靠人工來完成監控、報警、錄制等一系列分析處理工作，沒有充分發揮實時主動的監控作用。更多的產品需求和更廣闊的市場應用需要今后的安防產品中必須具備智能分析處理的能力。從目前的技術層次來說，數字圖像處理技術已經日益成熟，人工智能也突飛猛進，如何將圖像智能分析的功能融入到智能產品中來成了各個公司和廠商關注的焦點。擁有高級智能分析的智能視頻監控系統，不僅能大大增強監控的能力、降低不安全隱患，同時節省了人力物力，降低了成本。 智能在監控領域中的發展 在上世紀九十年代初以前，以模擬設備為主體的閉路電視監控系統是最早的第一代監控系統，該技術成熟，穩定，在許多實際工程中都得到了廣泛的應用，在某些場合這項技術至今還在人們關注的視野當中。真正的智能監控是隨著計算機的發展以及網絡的革新才出現的。九十年代中期，計算機處理能力的提高和視頻技術的發展使得人們開始利用計算機的高速數據處理能力來進行視頻的采集和處理，由此而生的數字化監控系統稱之為第二代視頻監控系統。從九十年代末開始，隨著網絡帶寬，計算機處理能力和存儲容量的進一步提高，以及各種視頻處理技術的出現，視頻監控進入了全新數字化時代。智能在安防中的應用越來越重要。因此，第三代監控系統的就是以網絡為依托，以數字視頻的壓縮、傳輸，存儲和播放為核心，以智能的圖像分析為特色的技術革命。闖入報警，非法停留，物品遺留，運動目標跟蹤等等。這些高級智能分析的功能成為了現代安防監控產品中一大特點。 相關智能算法的研究 提到安防不能不提智能，提到智能不得不提算法。算法，作為行為分析和圖像處理的靈魂，在今后的產品研發和方案實施中起著引導性的作用。監控的領域不斷的擴大，市場不斷的發展，使得巨大的視頻信息需要分析處理，對于智能視頻監控系統來說，面對如此大的信息量，好的技術和結構是關鍵的問題所在。在遠程監控過程中，為了減少網絡傳輸的壓力，在設備前端將一些智能分析的模塊嵌入到產品的編碼模塊當中去，通過前面的智能分析只提取有用的視頻信息，并對其進行編碼壓縮傳輸，大大的減小了傳輸的數據量，而圖像分析部分則在解碼后由后端的軟件部分處理。這種分工式思想比單純的靠集中式軟件或硬件處理的效果都要好的多。 同H264等編解碼算法相比，視頻智能算法之所以沒有一個統一的標準，沒有ASIC化，就是因為其復雜度以及目標行為的多樣性，導致很難制定出一套標準的規則來應用于各個行業領域。智能算法屬于新興的綜合類科學技術，許多有效的智能分析算法都是先從國外發展起來的，而且還有相當一部分的算法要么復雜度太高，不適合實時性的要求;要么自適應較差，對場景的依賴性太大;要么則還停留在理論研究的階段，離產品還比較遠。國內完全真正具有自主知識產權的智能監控產品很少，絕大多數產品的技術都是源于美國、歐洲、和以色列等發達國家。國內大多數生產和安裝的視頻監控系統仍停留在非智能的領域，在監控系統中提到的"智能視頻監控",實際上還停留在普通的網絡視頻監控的概念上。 大都還是IP監控和數字化監控等，不具備所說的高級智能分析的內容。為此國內有很多公司在智能方面也投入了大量的人力物力開發研究，并在傳統的運動目標檢測等方面做了大量的改進，取得了突破性的效果。擁有自主知識產品的智能化的安防產品，對提高國內的整體智能化監控水平，提高國內產品在國際競爭中的地位有著非常重要的作用。 從算法的角度來說，監控產品的智能化在技術方面還有很多的研究要做，但這也給了大家一個機遇，誰在今后的發展中掌握了核心的技術，誰就能夠挖到第一桶金，占據相關領域的市場。在智能圖像分析中，運動目標的檢測和跟蹤應該是高級智能分析里面最基本的功能。是入侵報警，非法停留，丟包遺物等行為分析的基礎。下面就簡單分析一下物體識別跟蹤的過程。 具體應用舉例 算法的實現可以看作一個建模的過程，也可以理解成一種應用數學工程。運動目標的檢測識別是指從序列圖像中將變化的前景從背景中分離出來，是數字圖像處理的一個主要部分。天氣和光照的變化，復雜背景中其他物體的干擾，運動的影子以及攝像機的運動、抖動等都會對目標的提取過程帶來困難。因此運動目標的正確檢測和準確跟蹤成為了視頻監控系統中一項重要的技術點。整個過程可以簡單分為以下幾個步驟：視頻預處理，目標檢測與識別，目標分類，目標跟蹤，行為分析和規則創建。 視頻預處理 視頻預處理過程其實就是降低噪聲，突出跟蹤目標。圖像噪聲有兩類，一類是源噪聲，一類屬于觀察噪聲。環境光線變化，背景的樹葉，雨雪等都屬于源噪聲;而觀察噪聲主要指得是攝像頭抖動，傳輸線路干擾等影響。這些噪聲都會對跟蹤目標提取過程造成麻煩。在消除噪聲方面一般采用的方法為數字穩像，背景自適應學習，閾值分割，形態學濾波，二值化等。這些處理可以消除圖像中大部分噪聲，減少其對目標檢測的干擾。 目標檢測與識別 利用運動目標提取過程得到前景運動的物體后，就需要對目標有一個識別的過程。這種識別分為單目標人工識別和多目標區域識別。對于單個物體的跟蹤來說，可以從視頻中人為的選取出感興趣的物體，并對其進行跟蹤;對于區域多物體來說，則可以劃分出一個區域，只對進入區域的物體進行識別和跟蹤。 目標分類 對于監控區域內的單個物體跟蹤來說是不需要分類的。即使物體在運動過程中發生了遮擋，當物體滿足線性運動，背景變化比較平緩時，該算法仍然可以對物體進行準確的跟蹤。對于復雜環境下的非線性運動的物體，我們則在診-來單目標跟蹤的基礎上加入一些目標特征信息來幫助識別跟蹤。目標分類一般應用于多目標情況下跟蹤單目標，或者多目標跟蹤多目標的環境。當環境中有多個運動目標的時候我們可以把每個運動的目標都提取出來，按照位置、速度、形狀、紋理以及色彩等有關特征對它們進行分類。首先將感興趣目標的特征信息保存下來，然后對其進行跟蹤。當視頻中跟蹤的物體消失后又出現時，我們就重新用以前保存的特征信息和當前畫面中出現的所有運動目標進行匹配。通過比較的結果，就可以判定出現的物體中哪一個是剛才跟蹤的目標。
|
