視頻智能分析不適用環(huán)境

智能視頻處理成為視頻監(jiān)控的“救命稻草”

智能視頻源自計算機視覺技術，計算機視覺技術是人工智能研究的分支之一，它能夠在圖像及圖像內容描述之間建立映射關系，從而使計算機能夠通過數字圖像處理和分析來有限理解視頻畫面中的內容。運用智能視頻分析技術，當系統發(fā)現符合某種規(guī)則的行為（如定向運動、越界、游蕩、遺留等）發(fā)生時，自動向監(jiān)控系統發(fā)出報警信號（如聲光報警），提示相關工作人員及時處理可疑事件。

智能視頻算法的實現

智能視頻技術實現對移動目標的實時檢測、識別、分類以及多目標跟蹤等功能的主要算法分為以下五類：目標檢測、目標跟蹤、目標識別、行為分析、基于內容的視頻檢索和數據融合等。

視頻檢索目標檢測

目標檢測（Object Detection）是按一定時間間隔從視頻圖像中抽取像素，采用軟件技術來分析數字化的像素，將運動物體從視頻序列中分離出來。運動目標檢測技術是智能化分析的基礎。常用的目標檢測技術可以分為背景減除法（Background Subtraction）、時間差分法（Temporal Difference）和光流法（Optic Flow）三類。

背景減除法利用當前圖像與背景圖像的差分檢測運動區(qū)域。背景減除法假設視頻場景中有一個背景，而背景和前景并未給出嚴格定義，背景在實際使用中是變化的，所以背景建模是背景減除法中非常關鍵的一步。常用的背景建模方法有時間平均法、自適應更新法、高斯模型等。背景減除法能夠提供相對來說比較完全的運動目標特征數據，但對于動態(tài)場景的變化，如光線照射情況、攝像機抖動和外來無關事件的干擾特別敏感。

時間差分法充分利用了視頻圖像的時域特征，利用相鄰幀圖像的相減來提取出前景移動目標的信息。該方法對于動態(tài)環(huán)境具有較強的自適應性，不對場景做任何假設，但一般不能完全提取出所有相關的特征像素點，在運動實體內部容易產生空洞現象，只能夠檢測到目標的邊緣。當運動目標停止時，一般時間差分法便失效。 光流法通過比較連續(xù)幀為每個圖像中的像素賦予一個運動矢量從而分割出運動物體。

光流法能夠在攝像機運動的情況下檢測出獨立的運動目標，然而光流法運算復雜度高并且對噪聲很敏感，所以在沒有專門硬件支持下很難用于實時視頻流檢測中。

視頻檢索目標跟蹤

目標跟蹤（Object Tracking）算法根據不同的分類標準，有著以下兩種分類方法：根據目標跟蹤與目標檢測的時間關系分類和根據目標跟蹤的策略分類。 根據目標跟蹤與目標檢測的時間關系的分類有三種：

一是先檢測后跟蹤(Detect before Track)，先檢測每幀圖像上的目標，然后將前后兩幀圖像上目標進行匹配，從而達到跟蹤的目的。這種方法可以借助很多圖像處理和數據處理的現有技術，但是檢測過程沒有充分利用跟蹤過程提供的信息。

二是先跟蹤后檢測(Track before Detect)，先對目標下一幀所在的位置及其狀態(tài)進行預測或假設，然后根據檢測結果來矯正預測值。這一思路面臨的難點是事先要知道目標的運動特性和規(guī)律。三是邊檢測邊跟蹤(Track while Detect)，圖像序列中目標的檢測和跟蹤相結合，檢測要利用跟蹤來提供處理的對象區(qū)域，跟蹤要利用檢測來提供目標狀態(tài)的觀察數據。

根據目標跟蹤的策略來分類，通常可分為3D方法和2D方法。相對3D方法而言，2D方法速度較快，但對于遮擋問題難以處理?；谶\動估計的跟蹤是最常用的方法之一。

視頻檢索目標識別

目標識別（Object Recognize）利用物體顏色、速度、形狀、尺寸等信息進行判別，區(qū)分人、交通工具和其他對象。目標識別常用人臉識別和車輛識別。

視頻人臉識別的通常分為四個步驟：人臉檢測、人臉跟蹤、特征提取和比對。人臉檢測指在動態(tài)的場景與復雜的背景中判斷是否存在面像，并分離出這種面像。人臉跟蹤指對被檢測到的面貌進行動態(tài)目標跟蹤。常用方法有基于模型的方法、基于運動與模型相結合的方法、膚色模型法等。

人臉特征提取方法歸納起來分為三類：第一類是基于邊緣、直線和曲線的基本方法；第二類是基于特征模板的方法；第三類是考慮各種特征之間幾何關系的結構匹配法。單一基于局部特征的提取方法在處理閉眼、眼鏡和張嘴等情景時遇到困難，相對而言，基于整體特征統計的方法對于圖像亮度和特征形變的魯棒性更強。人臉比對是將抽取出的人臉特征與面像庫中的特征進行比對，并找出最佳的匹配對象。

車輛識別主要分為車牌照識別、車型識別和車輛顏色識別等，應用最廣泛和技術較成熟的是車牌照識別。 車牌照識別的步驟分別為：車牌定位、車牌字符分割、車牌字符特征提取和車牌字符識別。

車牌定位是指從車牌圖像中找到車牌區(qū)域并把其分離出來。字符分割是將漢字、英文字母和數字字符從牌照中提取出來。車牌特征提取的基本任務是從眾多特征中找出最有效的特征，常用的方法有逐像素特征提取法、骨架特征提取法、垂直水平方向數據統計特征提取法、特征點提取法和基于統計特征的提取法。車牌字符識別可以使用貝葉斯分離器、支持向量機(SVM)和神經網絡分類器(NNC)等算法。

視頻檢索行為分析

行為分析(Behavior Analysis)是指在目標檢測、跟蹤和識別的基礎上，對其行為進行更高層次的語義分析?，F有的行為分析技術根據分析的細節(jié)程度和對分析結果的判別要求可以分為三類：第一類使用了大量的細節(jié)，并往往使用已經建立好的數據進行分析而較少使用目標的時域信息?；谌四槨⑹謩?、步態(tài)的行為分析方法屬于這一類；第二類是將目標作為一個整體，使用目標跟蹤的算法來分析其運動軌跡以及該目標與其它目標的交互；第三類是在前兩類的基礎上做一個折中，它使用時域和空域的信息，分析目標各部分的運動。

視頻檢索圖像檢索

基于內容的圖像檢索技術是由用戶提交檢索樣本，系統根據樣本對象的底層物理特征生成特征集，然后在視頻庫中進行相似性匹配，得到檢索結果的過程?，F有基于內容的檢索方法主要分為：基于顏色的檢索方法、基于形狀的檢索方法和基于紋理的檢索方法等。數據融合是將來自不同視頻源的數據進行整合，以獲得更豐富的數據分析結果。

視頻分析技術來源

視頻分析其實是仿生學的一個分支，也是人工智能的一個分支。仿生學技術，就意味著要模仿生物的方法去實現一定的功能，那么這種生物的弱點也就全部引進；既然是人工智能，就必然意味著是根據統計得出結果的方法，這里面沒有捷徑可言，只能踏踏實實的慢慢改進，不斷的根據更多的樣本改進。

視頻分析根據人眼的生物特性來建立一個基本的運行思路，即采集、預處理、處理、動作。人眼睛作為傳感器，實時、真實的將圖像反映到大腦中，這時候人眼生成的圖像是一種復合的圖像，即將清晰的焦距成像（眼睛中心）和旁邊的稍虛的圖像合成，傳送給大腦。而大腦并不是對所有的圖像做全部實時分析，而是先采用多層分級的處理過程，首先將背景、緩慢移動、距離最近的目標的分辨率最低化，其意義就是忽略了很多細節(jié)，比如你可能只關心是個男人還是女人，他、她的外形、高矮、胖瘦、衣服顏色等，而不是首先關心他、她的長相細節(jié)，這就是所謂的熟視無睹。然后對于某些突出的細節(jié)（感興趣的區(qū)域）在進行二次分析，獲得細節(jié)的東西，然后根據平生所學的規(guī)則，進行判斷，作出動作。