鄭孜祎

中國人民公安大學(xué)，北京，100038

0 引言

如今，大量監(jiān)控系統(tǒng)已出現(xiàn)在人們的生活中，其組成部分包括電視墻與相關(guān)監(jiān)控器。雖然工廠、公共場所等機構(gòu)均對視頻監(jiān)控系統(tǒng)予以了運用，但也只是單純的錄像操作而已，只是為了讓后續(xù)的取證管理更加方便，進而也就降低了圖像價值。而就算事后取證是必然，但如果能事前預(yù)警無疑是最好的，對此便需要計算機系統(tǒng)對監(jiān)控視頻的實際內(nèi)容展開快速分析。目前，隨著科學(xué)技術(shù)的發(fā)展速度不斷加快，計算機的相關(guān)性能也越來越完善，也使得圖像處理技術(shù)、計算機視覺等在智能監(jiān)控系統(tǒng)中得到了充分應(yīng)用[1]。

1 智能視頻監(jiān)控系統(tǒng)的概念

智能視頻監(jiān)控系統(tǒng)以圖像處理、計算機視覺技術(shù)和模式識別為主要手段，將智能視頻分析模塊加入系統(tǒng)中，并通過計算機在數(shù)據(jù)處理方面擁有的強大能力，過濾畫面中用不到或是對正常畫面產(chǎn)生干擾的信息，監(jiān)控系統(tǒng)主要是發(fā)揮監(jiān)控技術(shù)的優(yōu)勢將視頻中有價值的信息抽取出來，當(dāng)發(fā)生異常情況時立即報警，該監(jiān)控技術(shù)能夠?qū)ν话l(fā)事件進行處理，為警察處理相關(guān)問題提供有效幫助[2]。作為人工智能研究領(lǐng)域的一個分支，計算機視覺技術(shù)可讓映射關(guān)系在圖像和圖像描述間形成，基于此可通過數(shù)字圖像處理以及分析等方式，理解視頻畫面中包含的相關(guān)內(nèi)容[3]。

2 視頻監(jiān)控系統(tǒng)的發(fā)展應(yīng)用及研究現(xiàn)狀

2.1 視頻監(jiān)控系統(tǒng)的發(fā)展

智能視頻監(jiān)控在具體發(fā)展過程中，需要將傳統(tǒng)視頻監(jiān)控作為基礎(chǔ)。對于傳統(tǒng)視頻監(jiān)控系統(tǒng)的發(fā)展而言，涉及以下階段。第一，模擬時代。20世紀(jì)末，模擬閉路視頻監(jiān)控系統(tǒng)等設(shè)備的依賴性極強，諸如監(jiān)視器、錄像機等。圖像在進行傳輸時，通常運用同軸電纜，涉及無法遠程訪問等相關(guān)缺點。并且，臃腫的存儲方式也加大了信息查詢與檢索的難度。第二，數(shù)字時代。20世紀(jì)中期，隨著數(shù)字視頻壓縮編碼技術(shù)的持續(xù)進步，形成了將數(shù)字硬盤錄像機等作為基礎(chǔ)的半數(shù)字系統(tǒng)。在存儲數(shù)字化的推動下，提高了用戶對視頻信息進行處理的能力。第三，網(wǎng)絡(luò)時代。進入新世紀(jì)后，在計算機與網(wǎng)絡(luò)技術(shù)更新迭代速度逐漸加快的背景下，人們逐漸加強了對IP視頻監(jiān)控系統(tǒng)的關(guān)注，其還被稱為網(wǎng)絡(luò)數(shù)字視頻錄像機系統(tǒng)[4-5]。對于此系統(tǒng)而言，是將標(biāo)準(zhǔn)TCP/IP協(xié)議作為基礎(chǔ)，通過互聯(lián)網(wǎng)實現(xiàn)傳播工作，并在流媒體技術(shù)的作用下于網(wǎng)絡(luò)上多路復(fù)用傳輸所采集的信息，同時借助中央控制服務(wù)器、轉(zhuǎn)發(fā)視頻流等，促使整個監(jiān)控系統(tǒng)的存儲、調(diào)度、指揮以及授權(quán)控制等功能順利實現(xiàn)。

2.2 智能視頻監(jiān)控系統(tǒng)的應(yīng)用

2.2.1 安全相關(guān)類應(yīng)用

（1）高級視頻運動檢測。系統(tǒng)能夠在惡劣天氣環(huán)境中準(zhǔn)確檢測單個、多個物體的實際運動狀況，諸如運動方向、速度等。

（2）運動跟蹤。順利檢測到運動物體后，立足于物體運動狀況，結(jié)合攝像機，對控制指令進行自動發(fā)送，保證計算機能夠自動對物體予以全面跟蹤，若物體經(jīng)過運動之后脫離了監(jiān)控區(qū)域，那么會立即向物體所處區(qū)域的攝像機進行通告，使之對物體進行繼續(xù)跟蹤[6]。

（3）人物面部識別。對人物的臉部特征進行自動識別，同時借助對比數(shù)據(jù)庫檔案對身份進行識別與驗證，諸如機場、火車站等。

（4）車輛識別。準(zhǔn)確識別車輛形狀、顏色以及車牌號碼等信息，然后第一時間反饋給監(jiān)控人員。在跟蹤被盜車輛等場景中，這一類應(yīng)用發(fā)揮了重要作用。

（5）智能監(jiān)護。通過對正常人動作行為的學(xué)習(xí)與鍛煉，當(dāng)家里老人等存在異常狀況時，可迅速檢測然后發(fā)出警報。

2.2.2 非安全相關(guān)類應(yīng)用

（1）人數(shù)統(tǒng)計與人群控制。系統(tǒng)能夠?qū)χ付▍^(qū)域中的人流量進行全面統(tǒng)計，并對人群表現(xiàn)出來的整體運動特點予以識別，諸如方向、速度等，預(yù)防產(chǎn)生擁堵的狀況，或是迅速發(fā)現(xiàn)人群表現(xiàn)出來的反常狀況，主要應(yīng)用于超市、火車站等場景。

（2）交通流量控制。用于監(jiān)視高速公路或是環(huán)線公路上的交通，完成對車流量、平均車速、違章行車行為、交通事故的統(tǒng)計。

3 智能視頻監(jiān)控系統(tǒng)關(guān)鍵技術(shù)

3.1 圖像增強

圖像增強指的是根據(jù)特定需求突出圖像內(nèi)的某些關(guān)鍵信息，在此基礎(chǔ)上消除無用信息，有效增強圖像對比度，優(yōu)化其視覺效果，更好地進行之后的圖像分析。對該技術(shù)而言，現(xiàn)階段已經(jīng)涉及諸多算法，各類算法針對特殊場景與對象能夠發(fā)揮出較好的增強作用，但依舊存在自身的缺陷。

圖像增強算法通常來說涉及空域增強以及頻域增強兩種類型。前者一般有灰度變換、直方圖均衡、平滑增強以及模板濾波增強等。直方圖均衡算法屬于相對簡單、運用廣泛的一種算法，然而針對高照度圖像進行處理的過程中會存在過飽和現(xiàn)象，同時容易增加噪聲，導(dǎo)致圖像整體視覺效果降低。匹配的改進算法主要有自適應(yīng)直方圖均衡、對比度限制的自適應(yīng)直方圖均衡等，按照圖像的局部統(tǒng)計數(shù)據(jù)對其灰度動態(tài)范圍進行調(diào)整，能夠得到更加豐富的細節(jié)，最終實現(xiàn)圖像增強的目標(biāo)。而從頻域角度來說，相關(guān)算法主要有低通濾波、高通濾波、帶通以及帶阻濾波等。圖像變換一般有傅里葉變換、小波變換以及離散余弦變換等。同時，近年來基于小波變換而逐漸衍生出的Curvelet與Contourlet變換，表現(xiàn)出更高的精度，所以也常常將其運用到圖像邊緣以及輪廓信息的表達過程中，在很大程度上促進了圖像增強效果的提升。在實踐中針對紋理細節(jié)較多的圖像，僅僅進行尺度表達無法有效符合處理要求，小波變換算法屬于多角度分析算法的典型代表。圖像通過小波變換細化為各種尺度的子帶圖像，借助調(diào)整子帶小波系數(shù)來達到圖像增強的目標(biāo)。同時，由小波變換理論逐漸衍生出新的圖像多尺度分析理論：曲波變換，這一算法表現(xiàn)出更加精確的辨識度，有效提高了圖像內(nèi)直線以及曲線的幾何特點表達能力，可以更為準(zhǔn)確地識別其中的邊緣細節(jié)以及噪聲，但是該算法在實際應(yīng)用中存在復(fù)雜性較高的缺點，因此并未得到普及應(yīng)用。

3.2 運動目標(biāo)檢測

運動目標(biāo)檢測屬于視覺系統(tǒng)以及智能視頻分析系統(tǒng)的重要工作，是現(xiàn)階段的主要研究方向，為后續(xù)的目標(biāo)追蹤、行為分析以及事件檢測的相關(guān)研究提供了更加豐富的理論和技術(shù)支持。借助運動目標(biāo)檢測可以將運動前景和背景予以分離，將運動目標(biāo)直接從視頻序列中進行提取，最終結(jié)果的優(yōu)劣在很大程度上關(guān)系到后續(xù)算法能否發(fā)揮出實際作用。同時針對智能視頻監(jiān)控來說，很多事件檢測也能夠通過運動目標(biāo)檢測算法予以實現(xiàn)，包括入侵檢測、人數(shù)統(tǒng)計以及車流量統(tǒng)計等?，F(xiàn)階段主要包含如下幾種。

首先是光流法。該方法是借助于光流方程對各個像素點的實際運動狀態(tài)進行計算，對圖像實施動態(tài)分析，通過這樣的方式獲取目標(biāo)的位置、數(shù)量等信息，在此基礎(chǔ)上實現(xiàn)對目標(biāo)的追蹤。另外，這一算法對噪聲相對敏感，實際精準(zhǔn)度不是很高，難以有效掌握目標(biāo)的精確邊界，同時該方法需要龐大算量支持，無法大范圍推廣應(yīng)用。

其次是幀差法。這一方法是針對相鄰兩幀或是多幀圖像差分，隨后通過閾值分割的手段，超過閾值像素將其當(dāng)作前景目標(biāo)，不超過的則當(dāng)作背景。幀差法一般來說對動態(tài)環(huán)境表現(xiàn)出更高的適應(yīng)性，然而提取目標(biāo)存在空洞問題，也可能出現(xiàn)漏檢的問題。

最后是背景差分法。該方法屬于現(xiàn)階段普遍使用的一種，其基本原理是針對背景實施建模之后和視頻幀予以對比，從而獲取差分圖像，其中像素值變化更大的可以判定為前景目標(biāo)。相對上述兩種方法來說，該方法能夠有效實現(xiàn)實時監(jiān)控，同時檢測準(zhǔn)確性更高，優(yōu)勢更大，但實際檢測結(jié)果往往受到背景建模環(huán)節(jié)精準(zhǔn)度的影響。在實施背景建模的過程中必須充分考慮到具體場景中一些不能預(yù)測的因素出現(xiàn)，比如動態(tài)背景、光照變化以及相機自身抖動，更加精準(zhǔn)地建模對于前景目標(biāo)檢測來說提出了很大的技術(shù)難題，高斯混合模型便屬于非常經(jīng)典的建模策略，可以有效處理光線變化以及背景混亂等問題，但這一方法的應(yīng)用必須定期予以更新，還涉及不同參數(shù)的設(shè)置，需要消耗較大算量，難以保證實時性的要求。目前普遍使用的建模算法還包括SACON201、ViBe、GMG3P等算法。

3.3 局部特征匹配

圖像匹配技術(shù)屬于諸多領(lǐng)域都會采用的一項基礎(chǔ)又非常重要的技術(shù)，如電子穩(wěn)像、圖像配準(zhǔn)、圖像融合、目標(biāo)識別和跟蹤以及三維重建等，也是智能視頻監(jiān)控系統(tǒng)重要研究內(nèi)容之一。一般來說，圖像匹配方法主要分為兩種，分別是基于灰度相關(guān)匹配與基于特征匹配。前者具有復(fù)雜的算法，對于圖像間的多個方面均有較高的敏感度，包括尺度縮放、亮度變化等，缺乏良好的抗噪聲能力。而后者的算法又由兩部分構(gòu)成，即全局特征匹配算法、局部特征匹配，其中全局特征抽取于整個圖像中，而局部特征則抽取于某個局部區(qū)域。在檢索領(lǐng)域中，全局特征多用于對整個圖像內(nèi)容進行描述，比如顏色直方圖的檢索性能就非常好。但圖像混疊以及存在遮擋時不適合采用全局特征，而需采用局部特征描述。

局部特征具有諸多不變性，體現(xiàn)在旋轉(zhuǎn)、尺度、仿射變換等方面。提取圖像局部特征，主要是提取角點、區(qū)域特征以及斑狀等。提取結(jié)束后，需借助一種有效方法描述相應(yīng)圖形的局部特征。為保證局部特征相似性的度量成功實現(xiàn)，需要采用一種緊湊且完整的局部特征的描述。而其中最具代表性的描述子就是SIFT特征描述子，其性能得到了大家一致的認(rèn)可，在局部特征研究領(lǐng)域該項工作具有里程碑意義?；赟IFT理論研究，還提出了如GLOH、SURF以及PCA-SIFT等其他描述子，但都對SIFT特征描述子的生成方法予以了借鑒，但在很多方面，如局部特征提取速度、穩(wěn)定性等，也相應(yīng)地改進了SIFT特征描述子，獲得的效果較為理想。

4 結(jié)語

綜上所述，相較于傳統(tǒng)意義上的視頻監(jiān)控技術(shù)，智能視頻監(jiān)控技術(shù)與之存在很大的不同。傳統(tǒng)的視頻監(jiān)控系統(tǒng)一般只負責(zé)錄制、存儲，而智能視頻監(jiān)控系統(tǒng)則可利用計算機視覺和模式識別的方案，自動分析研究監(jiān)控設(shè)備采集的圖像，同時定位場景中的目標(biāo)物體，對其展開精確識別，無需人為干預(yù)，所以在很多方面均擁有良好的應(yīng)用空間。