视频监控技术现状与发展.docVIP

视频监控技术现状与发展 　　摘 要：本文主要阐述了传统视频监控系统存在的主要问题，分析了视频监控技术工作原理及系统结构，其次，对视频监控技术发展趋势进行了深入的探讨，提出了自己的建议和看法。供同行参考。 　　关键词：视频监控；技术分析；应用；发展趋势 　　一、传统视频监控系统存在的主要问题 　　传统视频监控，包括模拟监控和数字监控，因缺乏智能，均被称之为“被动监控”，其主要作用在两个方面： 　　（1）为重大事件现场提供远程实时监视和控制的保障手段，即实时视频监控； 　　（2）为事后取证提供重要的录像资料依据，即历史视频查看。实时监控作用的发挥主要依靠监控室的值机人员实时观看监控画面（监视屏或电视墙），对画面出现的异常事件作出判断，实现报警联动指挥。 　　这里人的作用是最大的。历史视频查看作用的发挥主要依靠工作人员人工调用DVR录像码流和视频回放，仍然需要人对感兴趣目标的判读，并确定其为证据。这里仍然是以人为主。 　　在上述“以人为主”的监控系统中，随着监控探头和DVR录像数据增长到一定数量后，其效率会大大下降，要从海量的监控录像数据中快速查找需要的证据，也是很难的。在“被动监控”系统，还带来其他问题，例如，大量的视频海量数据的传输和存储，造成资源浪费和信息污染。 　　为了减轻对通信网络带宽的压力或减少存储容量，数字视频监控系统将不得不采用高度的数字压缩技术，而这些压缩技术往往都是有损的，从而又带来另一个问题，即“看不清”。 　　应用部门为了解决此问题，采取了很多工程化措施：为了看的清，尽量采用无压缩或视觉无损压缩的光纤专网传送实时监控画面；为了查找的历史视频资料能作为“证据”，采用双流压缩存储技术，其中一路高压缩存储流，主要用于人工查找录像，另一路无损压缩流，主要用于证据回放。 　　环境对于监控系统视频质量的影响以及目标信息的辨别也会造成很大的影响。具有环境自适应的编码技术、图像增强预/后处理技术有很大的需求。对于重点目标的多视角立体监控、连续目标的跟踪监控对现有的监控系统提出了挑战。因此，智能视频监控技术是发展方向。 　　二、智能视频监控的技术分析 　　（一）移动目标提取 　　运动检测是从图像序列中将变化区域从背景图像中提取出来。运动区域的有效分割将大大减少后续过程的运算量。然而，背景图像的不稳定性，如阴影、光照、慢移动、静移动（树叶的摆动）等等，也使得运动检测非常困难。 　　目前较为实用的视频分析方法主要有两类：首先，是背景减除方法，其次，是时间差分方法。背景减除方法是利用当前图像和背景图象的差分（SAD）来检测出运动区域的一种方法，可以提供比较完整的运动目标特征数据，精确度和灵敏度比较高，具有良好的性能表现。 　　时间差分法利用视频图像特征，从连续得到的视频流中提取所需要的动态目标信息。时间差分实质是利用相邻帧图像相减来提取前景目标移动的信息，此方法不能完全提取所有相关特征像素点，在运动实体内部可能产生空洞，能检测出目标的边缘。 　　（二）移动目标跟踪 　　标跟踪即对监控区域内的运动目标的轨迹进行跟踪，是目标监控的最基本的应用，也是其他事件监测的基础，处于智能视频分析的中层。 　　（三）目标分类 　　1.基于形状信息的分类 　　基于形状信息的分类是利用检测出的运动区域的形状特征进行目标分类的方法。例如VSAM采用区域的分散度、面积、宽高比等作为特征。利用三层神经网络方法将运动目标划分为人、人群、车和背景干扰；Lipton等利用分散度和面积信息对二维运动区域进行分类，主要是区分人、车及混乱扰动，时间一致性约束使其分类更加准确；Kuno与Watanabe使用简单的人体轮廓模式的形状参数从图像中检测运动的人。 　　2.基于运动特性的分类 　　基于运动特性的分类是利用人体运动的周期性进行目标分类的方法。例如Cutler与Davis通过跟踪感兴趣的运动目标，计算出目标随着时间变化的自相关特性，而人的周期性运动使得其自相关也是周期性的，因此通过时频化方法分析目标是否存在周期性的运动特性而将人识别出来；Lipton通过计算运动区域的残余光流来分析运动实体的刚性和周期性，非刚性的人的运动相比于刚性的车辆运动而言具有较高的平均残余光流，同时它也呈现了周期性的运动特征，据此可以将人区分出来。 　　目标识别是系统对之前提取并跟踪的目标进行识别和辨识。要想让系统具有目标识别和辨识能力，需要对系统进行模型训练。就是利用已知的目标特征（如车辆、人员、动物等），对系统进行训练，系统将会在大量已知的样本信息上了解、学习不同目标的特征（大小、颜色、速度、行为方式等），这样当系统发现一个目标时，系统将自动与已经建立好的模型进行比对或匹配特征，从而对目标进行识别和分类。 　　（四）识别行为 　　1.模板匹配方法 　　采用模板匹配技术的行为识别方法首先将图像