智能视频分析

智能视频分析计算机图像视觉技术01简介功能存在问题原理应用实际应用目录03050204基本信息智能视频分析在国际上有多种叫法，比如VCA(VideoContentAnalysis)、VA(VideoAnalysis)、IVA(IntelligentVideoAnalytics)、IV(IntelligentVideo)、IVS(IntelligentVideoSystem)。简介简介这是计算机图像视觉技术在安防领域应用的一个分支，是一种基于目标行为的智能监控技术。区别于传统的移动侦测(VMD-VideoMotionDetection)技术，智能视频分析首先将场景中背景和目标分离，识别出真正的目标，去除背景干扰（如树叶抖动、水面波浪、灯光变化），进而分析并追踪在摄像机场景内出现的目标行为。智能视频分析与移动侦测的本质区别是前者可以准确识别出视频中真正活动的目标，而后者只能判断出画面变化的内容，无法区分目标和背景干扰。所以智能视频分析相对于移动侦测，抗干扰能力有质的提高。使用智能分析技术，用户可以根据的实际应用，在不同摄像机的场景中预设不同的报警规则，一旦目标在场景中出现了违反预定义规则的行为，系统会自动发出报警。报警信息有多种形式，包括本地驱动报警设备和向后端监控中心发送报警数据，由监控工作站控制以弹出视频、自动弹出报警信息、驱动报警设备等形式报警。原理应用原理应用智能视频分析的技术原理是接入各种摄像机以及DVR、DVS及流媒体服务器等各种视频设备，并且通过智能化图像识别处理技术，对各种安全事件主动预警，通过实时分析，将报警信息传导综合监控平台及客户端。具体来讲，智能视频分析系统通过摄像机实时“发现敌情”并“看到”视野中的监视目标，同时通过自身的智能化识别算法判断出这些被监视目标的行为是否存在安全威胁，对已经出现或将要出现的威胁，及时向综合监控平台或后台管理人员通过声音、视频等类型发出报警。智能视频分析技术，在国外已经有近10年的发展与应用，国际上比较著名的专业智能视频分析厂商有VCATechnology、IOImage、ObjectVideo、Bosch、Axis，另外IBM、Sony、松下、PELCO、霍尼韦尔、西门子等公司在该领域也有相当有影响力的整体解决方案产品。国内的智能视频分析解决方案厂商主要有广州中国科学院软件应用技术研究所、海康、大华、博康以及一些专门提供智能视频分析关键设备的厂商如优迪数码、贝尔信、高德威、中盛益华等公司。智能视频分析技术广泛应用于公共安全相关系统，建筑智能化，智能交通等相关领域。智能视频分析技术用于视频监控方案通常有两种，第一种是基于智能视频处理器的前端解决方案。在这种模式下，所有的目标跟踪、行为判断、报警触发都是由前端智能分析设备完成，只将报警信息通过网络传输至监控中心。第二种是基于工业计算机的后端智能视频分析解决方案。功能功能智能视频分析首先要求用户指定一个检测区域，该检测区域可以是不规则的任意形状，然后在该区域中启用各种检测功能。智能视频分析支持的检测功能主要有：通过对监控图像序列的处理和分析,识别物体入侵的行为,并且对有潜在危险的行为进行报警,以避免危险事故的发生,从而有效地保证安全。2.人脸识别：可利用手机、pad等终端设备对人言进行人脸识别，读取相关信息，可用于公路人员查看人员身份，协助抓捕和寻找目标人物。3.物体识别：通过物体识别，可以识别出刀具、枪支、危险品，在银行、商场、超市等场所可以协助安保人员提前预防危险事件的发生，保障了人员和商场的安全。4.进入检测：检测是否有目标进入指定的检测区域。5.离开检测：检测是否有目标离开指定的检测区域。6.出现检测：检测是否有目标在指定检测区域内部出现。7.消失检测：检测是否有目标在指定检测区域内部消失。实际应用智能检测智能监控智能银行实际应用智能检测传统的入侵检测普遍使用各类传感器（如红外传感器）方案，这种方案的特点是检测率高，但是成本高、误报率高，无法立刻判断报警是否为误报，需要立刻派遣人员前往实地查看。对于大范围的入侵监控，人力成本相当高。所以这种传感器入侵检测方案一般都需要外加摄像机，用于远程现场查看，这样就提高了方案的总体成本。基本智能视频分析的入侵检测方案已经是比较成熟的应用，普遍应用在机场周边、监狱、党政机关等场所，有着综合成本低、人员需求少、检测率高、误报率低等优点。入侵检测一般使用虚拟围栏设置，将关键设施的周边设置为虚拟围栏（检测区域），在这些区域上应用存在检测、进入检测、出现检测、徘徊检测等功能。检测到可疑目标时即触发报警。智能银行智能视频分析可以有效的提升无人监守自助银行的防护水平，目前国内大多数银行已经开始测试并启用试点。自助银行主要用到的监控方式有ATM机遗弃物和出钞口异常检测、键盘篡改检测、警戒线内多人检测、后台加钞口入侵检测、自助银行室内过夜检测、打架检测、操作人员面部异常检测。智能监控1、车流总量（辆/小时）：由用户设定的时间间隔内检测到车辆数量。2、车辆速度（公里/小时）：时间间隔内的平均速度。超过和低于用户设阀值速度的车辆速度。3、车间距（米）：相邻车辆之间的距离。4、车辆密度：侦测监控视场内车辆的拥护程度。5、排队：可检测车辆的排队长度。6、逆向行驶：反方向行驶的车辆。7、跨线行驶的车辆：不按标线行驶的车辆。8、违章停车：在非法停车处停车的车辆。9、跨线行驶的车辆：不按标线行驶的车辆。存在问题存在问题实际环境中光照变化、目标运动复杂性、遮挡、目标与背景颜色相似、杂乱背景等都会增加目标检测与跟踪算法设计的难度，其难点问题主要在以下几个方面：背景的复杂性：光照变化引起目标颜色与背景颜色的变化，可能造成虚假检测与错误跟踪。采用不同的色彩空间可以减轻光照变化对算法的影响，但无法完全消除其影响；场景中前景目标与背景的相互转换，与行李的放下、拿起，车辆的启动与停止；目标语背景颜色相似时会影响目标检测与跟踪的效果；目标阴影与背景颜色存在差别通常被检测为前景，这给运动目标的分割与特征提取带来困难。目标特征的取舍：序列图像中包含大量可用于目标跟踪的特征信息，如目标的运动、颜色、边缘以及纹理等。但目标的特征信息一般是时变的，选取合适的特征信息保证跟踪的有效性比较困难。遮挡问题：遮挡是目标跟踪中必须解决的难点问题。运动目标被部分或完全遮挡，又或是多个目标相互遮挡时，目标部分不可见会造成目标信息缺失