一种基于视频运动分析的智能码流方法.pdfVIP

第 13卷 第33期 2013年 l1月 科 学 技 术 与 工 程 Vo1．13 N0．33 Nov．2013 1671— 1815(2013)33—9987—06 ScienceTechnologyandEngineering @ 2013 Sci．Tech．Engrg． 一 种基于视频运动分析的智能码流方法 翟艳东 于 明 阎 刚 (河北工业大学计算机科学与软件学院，天津 300401) 摘 要 采用迭代重加权最小二乘 (IRLS)方法计算连续两帧图像 的光流。根据光流计算的结果估计视频监控场景的运动状 态。将场景分为静止、一般运动、剧烈运动，并分别制定不同的码流存储策略。实验表明，该方法能对监控场景的常见运动行 为识别并分类，具有一定的鲁棒性。应用该方法可以减少冗余视频帧对存储资源的占用，扩充敏感监控数据的存储能力。 关键词 光流 迭代重加权最小二乘 运动分析 智能码流 中图法分类号 TP301．6； 文献标志码 A 我们生活在一个监控无处不在的社会，电子监 为，例如用一系列的姿态和速度矢量来表示单人行 控在构建平安城市和反恐怖袭击中起到了非常重 为 j，学习动作和肢体语言 。对场景建模可以用 要的作用 ¨J。随着电子监控高清摄像头的普及应 于检索人群的运动状态，如 Wang等 在全局和局 用，视频监控的数据量激增，大数据时代已经到来。 部两种尺度下对场景正常模态建模，用来检测人群 如当下流行的720P的高清摄像头一小时能产生 3 运动状态，但是建模的过程繁琐、检测效率较低。 GB数据，按照录像结果保留一个月的要求来算，将 因此，模板匹配的方法虽然取得 了明显的进展 j， 产生高达 2TB的数据，一个城市若安装几十万个交 但建模过程往往耗时耗力，一旦场景发生了转变， 通和安防摄像头，每月产生的海量数据将达近 EB。 还需要重新构建模型，并重新学习训练集参数。而 虽然现有的监控录像存储技术水平也在飞快地提 且模型参数估计的精度受训练样本空间的大小，样 高，但相对于大数据时代存储量需求的增长，还是 本特征的选择，以及训练方法的选用的影响，选择 有所不及，迫切需要改进。基于这种情况，研究了 不得当容易发生欠拟合或过拟合。 一 种基于视频运动分析的智能码流方法。通过光 基于图像特征的方法从传统的图像处理领域 流法对视频运动状态分析，根据监控场景内有无运 发展而来，主要提取场景底层特征并使用统计学分 动，以及运动 目标的运动剧烈情况，选择不同的码 析方法来分析运动。优点是计算速度较快，但往往 流存储。减少了不敏感视频帧对存储资源的占用。 无法处理较复杂的场景。现有研究中，主要用到的 底层特征包括颜色、角点、轮廓，纹理和光流。如Al— 1 视频运动分析现状 biol等 用图像角点计算速度场，据此检测运动 目 运动分析的方法主要有两种：模板匹配和图像 标的高速运动，但 由于角点特征对于严重遮挡的情 况并不鲁棒，因此会影响实际的检测效果。Srivas． 特征。基于模板匹配的方法可以进一步分为对运 动 目标 (人体)建模和运动场景建模两种。两种都 tara等 选择纹理特征描述场景拥挤程度，据此确 定场景是否存在危险。由于提取稳定的纹理特征 需要首先构建模型，再使用学习的方法对模型参数 需要较好的光照条件，因此该方法一般适用于地铁 进行估计。对运动 目标建模主要用来分析单人行