对智能视频监控系统的研究

浅谈智能视频监控系统的现状及相关技术

摘要：目前，智能视频监控系统逐渐替代了人力，出现在我们生活中。本文主要介绍了智能视频系统的现状、主要技术及发展前景。

英文摘要：Nowad ays, the Intelligent Video Surveillance Systems are

gradually replacing the human resource. This paper is mainly describing the status, the main technology and the development prospects of the Intelligent Video Surveillance System.

1引言

智能视频监控系统是采用图像处理、模式识别和计算机视觉技术，通过在监控系统中增加智能视频分析模块，借助计算机强大的数据处理能力过滤掉视频画面无用的或干扰信息、自动识别不同物体，分析抽取视频源中关键有用信息，快速准确的定位事故现场，判断监控画面中的异常情况，并以最快和最佳的方式发出警报或触发其它动作，从而有效进行事前预警，事中处理，事后及时取证的全自动、全天候、实时监控的智能系统[1]。

如今，智能视频监控系统现在已经广泛的应用于我们的生活。道路，机场，生活小区等许多场合，也越来越多的运用到。

对于普通视频监控系统，一个人必须坐在监视屏前面，眼睛要盯着甚至不止一台显示器，因此，若发生异常情况，人眼注意到它可能就需要几秒时间，更别说反应过来启动警报系统了。在关键时刻，时间是很重要的，争分夺秒，不容浪费。更何况，人眼容易疲惫，在需要长期集中注意力的环境下，可能不大适合。而智能视频监控系统则很好的解决了这个问题。机器之所以能取代人力，很重要的一点就是它们“不知疲惫”。它们能持续不断的进行运转！还有，相较于人眼，CPU的运转速度显然更快。对于异常情况，只需几十毫秒，甚至更快，就能有所察觉，并立即报警。对于安全来讲，消息传递的及时性是很重要的一个指标。因此，智能视频监控系统目前正处于高速的发展期。随着监控系统应用的领域越来越大，监控的范围越来越广，所用的摄像机、显示器等硬件设备越来越先进，监控系统对于监控内容的检测、识别、跟踪、分析的要求也越来越高。

2智能视频监控系统的现状

智能视频监控是以数字化、网络化为基础的更高端的视频监控应用。它能识别出不同的物体，若发现监视器画面上出现异常情况，能立即通知警报系统并提供有用信息，因此可以实现更加安全可靠的用户环境。智能视频监控系统主要应用于以

下几个大类：对人、物的识别; 对人、物运动轨迹的识别; 对视频环境影响的判断和补偿。

(1)对静态物体的识别：主要识别监控系统所关心的内容，例如人脸识别、车牌号识别、虹膜识别等。对于此类智能视频监控系统，最重要的就是识别的准确率。举个例子，车牌号识别，对目前已有的系统，识别率高的在95%甚至98%以上，如此高的识别率，对道路管理做出了很大的贡献。

(2)对人、物运动轨迹的识别和处理：此类视频识别系统，主要包括虚拟警戒线、车流统计、物体出现和消失、人员突然奔跑、突然聚集等的识别。对于该类系统，重要的是要能快速对系统环境做出识别、统计，对系统的准确率、及时性要求较高。所以，基本的要求是能识别出异常的类型并统计及做出相应的后续处理，如警报等。目前，运动轨迹识别运用的很广泛，如道路监控、商业监控等。

(3)对视频环境影响的判断和补偿：环境的影响主要包括雨、雪、大雾等恶劣天气、夜间等低亮度情况、摄像头抖动等。目前，智能视频监控系统应用能够实现在恶劣视频环境情况下的监控功能。此类功能关键技术点是在各种应用场合下，均能够有较高的识别率，尽量减少环境对视频监控的影响。此类功能具备普遍的适应性，对环境的要求不高，当属高性能产品。

3智能视频监控系统技术难点及突破

想要让系统实现智能监控，在设计监控系统时，就必须详细规划从视频采集到分析的具体实现内容。应包括：图像预处理，运动目标的检测、分割、预测及跟踪，视频内容分析。

⑴图像预处理：视频分析的实质就是对一个个图像帧的分析。这时候，图像的质量就尤为重要。自然采集的图像中，可能引入了各种噪声，典型的有：高斯噪声、椒盐噪声等。

一般来说，引入的噪声是随机性的，可以采用均值虑波、中值滤波、高斯滤波等方法去噪，提高信噪比。均值滤波在噪声分布平均、峰值不高的情况下，是个很好的选择。中值滤波在尖脉冲噪声情况下，能得到处理良好的图像。高斯滤波对消除高斯白噪声的处理效果良好。

(2)运动目标检测：该步骤的主要目的是分离出运动目标和静止目标，即运动物体和背景。现有主要算法包括：光流法、背景减法、帧差分法等。

光流法：这是一种基于帧间像素分析的算法。其基本思想是通过计算出来的光流场来模拟运动场。优点是能很好的处理背景的运动和遮挡问题；缺点是：计算方法过于复杂。因此，虽然该算法能很好的检测出前景和背景，可是实时性不是很高，而且抗噪性差，因此也无法很好的运用于实时监控系统。

背景减法：该算法利用当前帧与背景图像之间的差异来检测运动区域的变化。优点：算法简单；缺点：对外界环境的干扰较为敏感。该算法是目前运动检测的主流方法，但是，在光照等动态场景情况下，受的干扰较大。

帧差分法：该算法利用序列中连续两帧或多帧图像之间的差异进行目标的检测和提取。优点：算法简单，对光照的渐变不敏感；缺点：不能反映出运动物体的全部特征。由于该算法仅是对运动像素点的提取，所以，像素点偏少，可能在运动目标内部产生空洞的现象。对于在监控区域短暂停留的目标，很可能无法检测。

(3)图像分割：该步骤是为了分割目标物体和背景物体，大大缩减了要存储的视频容量，剔除了不必要的信息，为之后的视频分析做准备。现有算法有：阙值分割法、边缘检测分割法、区域跟踪分割法。

阙值分割法：这是目前灰度图像分割普遍采用的方法。这种算法首先确定一个灰度阙值，然后在将图像中各个像素的灰度值与这个阙值比较过后，将像素点分为两类：①像素灰度值>阙值；②像素灰度值<阙值。以此来分割前景和背景。

边缘检测分割法：该算法通过检测不同区域的边界来对图像进行分割。由于大大减小了分析时要处理的信息量，并且保护了目标的边界，该算法被看作处理许多复杂问题的关键，如边缘灰度过渡尖锐及噪声小的图像，但对光照等外界环境的影响敏感。因此，该算法往往用来提取大的分区，而用其他算法配合分割图像。

区域跟踪分割法：该算法从某一像素点出发，按照区域增长原则，逐步增加属性一致的像素点，直至结果为假。常用的方法有区域生长法、区域分裂法，跟踪效果好。不足的是，图像块的初始划分是固定的，完全智能分割，分割的好坏受种子点和区域生长合并次序的影响。

(4)运动目标的预测及跟踪：该步骤实现了对图像序列中运动目标的分析，即运动目标的运动参数，如位置、速度、运动轨迹等，以此来完成更高智能的视觉任务。其中，运用的最广的当属基于图像匹配的跟踪算法。其基本思想是根据图像中目标对象的先验特征或估计特性来与预期目标进行比较，从而得出目标的真实位置。其具体分类包括：运动模型、目标特征、纹理特征、形状特征、模板相关匹配等。

基于运动模型的跟踪：即根据目标的运动信息而进行的跟踪算法，主要运用在我们已知跟踪目标运动规律的情况下，我们可以利用它们预测目标的下一帧位置，以此来减小目标的搜索范围。

基于目标特征的匹配算法：根据目标特征在序列图像中寻找目标，进而跟踪运动目标。可以先根据目标检测结果提取目标的显著特征，进而在连续帧上进行特征匹配，进而确定目标在当前帧中的位置。

基于纹理特征的跟踪算法：这种应用很广，纹理表达了物体的表面或结构，通过对纹理的描述，能很好的识别并跟踪目标。