轨道交通智能视频监控关键技术探讨.docVIP

轨道交通智能视频监控的关键技术研究 　　摘 要：现今，智能视频监控技术已经在各行业中得到广泛应用，尤其是轨道交通监控系统当中，实现了内部异常设备、行为及建筑的智能识别。文章通过深入剖析轨道交通智能视频监控的各项关键性技术，以期为相关研究提供理论参考 关键词：轨道交通；运动目标检测；智能视频监控 伴随当今轨道交通行业持续高速发展，传统类型的视频监控系统已经难以满足时下要求，亟需更加智能且高效的视频监控技术。所谓智能视频技术，实质为自动抽取及分析视频源当中的处于核心的关键技术。我们可将摄像机当作是人的双眼，而将智能视频设备及系统当作大脑。智能化的视频技术，实质为利用计算机所具有的对数据实施处理的功能，对视频画面当中的诸多数据实施快速而又准确的分析，在此过程中完成对用户无用信息的滤除，保留关键信息 1 运动目标检测方法 （1）帧差法。此方法原理就是运用与图像序列相邻的二帧或三帧，将像素时间的差分作为检测的基础环节，通过运用所获取的阈值，在图像中，实现相应运动区域的提取。首先，对于处于相邻状态的帧图像，则将其素值减去，然后，则实施二值化差分。如若环境亮度所存有的变化不大，则与之对应的像素值也会存有较小变化，相比与预先设定的阈值，存在小于后者状况，则可将此处作为背景像素；若像素有改变，可将其标记为由于处于运动状态的物体所致，然后将其设置为前景像素，运用所标记像素，依据其区域范围，在图像当中，就运动目标位置给予确定。（2）光流法。对于光流法的核心任务而言，为对光流场开展更为有效的计算，依据图像所存有序列，凭借时空梯度，详细估算运动场，然后则对运动场变化进行分析，检测及分割运动目标与场景。光流法无需对场景信息事先知晓，便可对运动对象实施检测，并对运动背景情况及时处理，但却由于遮挡、阴影、多光源及噪声多等因素，而严重影响光流场分布的计算结果 2 目标跟踪算法 2.1 基于区域的跟踪 所谓基于区域的跟踪，实质为利用图像分割或人为选定，获取相应目标模板，而后在序列图像当中，对候选模板与目标模板之间的相似程度进行计算，用相关算法，确定图像目标，完成目标跟踪任务。采用模板匹配，开展与之相适应的跟踪，直接匹配运算图像所持有的外部特征，乃是最为基本的着眼点，其与最初所选择的区域而言，在匹配度方面，则较高，即为目标区域。灰度图像，则可选用以特征与纹理为基础的相关；彩色特性，则可选用以颜色为基础的相关。当前，比较常用的区域跟踪算法，有差方和法等，此些算法可以通过与卡尔曼滤波或线性预测相结合，提升跟踪精度 2.2 基于特征的跟踪 此种跟踪方法实质上，加入约束来解决，比如，假定处于相邻状态的帧图像特征点，具有不大的变化，并将其作为相应约束条件，构建特征点关系。此算法有两过程，分别为特征点的匹配和提取，通常情况下，可用相关算法。对于采用目标整体开展运算而言，其与基于区域的跟踪算法存有较大不同，其仅采用目标某些局部性特征，或者是某个单独特征。此种算法所具有的优点为，当目标出现被遮挡状况时，只需其中的些许特征有效，便可实施跟踪。运用SUSAN算子，则可从中获取目标角点的信息，而后则根据图像方面所存有的差异，实施匹配，以此宣召特征对应关系 2.3 基于模型的跟踪 上述两种方法均为基于二维平面的跟踪，因均对运动目标完整信息均未用到，则对其实施精确描述，同样无法实现。如若对目标相应三维模型予以构建，以先验信息的方式，采用三维模型，实现跟踪目标的目的，则会实现跟踪鲁棒性大幅提升。基于模型的跟踪方法，其理念为，采用先验知识，依序列，就三维模型参数予以确定，由于目标为瞬时运动，因此，能够对多项参数予以获取。由VISATRAM可知，可通过简化三维模型的方式，着手于长方体模型，实施车辆的相应跟踪，基于运动状态下，获取车辆信息，如尺寸及速度等。跟踪人体时，则有三方式，即三维模型、二维模型及线图模型，而在现实运用当中，采用三维模型的较多。此方法能够对目标的三维运动轨迹进行精确分析，即便处于运动状态的目标在姿态方面存有变化，或者是存有部分遮挡状况，也可实施有效跟踪。缺点为运动分析的精度由几何模型精度所决定，且在跟踪算法方面，需花费大量的运算时间。所以，基于模型的跟踪，对于特定类型或少量的目标跟踪较为适宜，比如某种车型的跟踪、脸部跟踪及人体跟踪等 3 轨道交通智能视频监控技术应用 （1）视频移动侦测。所谓视频移动侦测实质就是在复杂的背景环境中，对单个或者多个目标的相应运动特征、运动方向及运动情况实施精确化的识别及侦测。所具有的相应安全规则包含有多种类型，如运动方向异常报警、尾随检测及禁区报警等。禁区报警能够对多事项及多区域实施监控报警，如乘客非法进入隧道、非授权工作人员进入其他工作区及非地铁工作人员进入工作区等；对于绊线报警而