智能视频分析简介

 

智能视频分析目前在国际上有多种叫法，比如VCA(Video Content Analysis)、VA(Video Analysis)、IVA(Intelligent Video Analytics)、IV (Intelligent Video)、IVS(Intelligent Video System)。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 - Video Motion Detection)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。

 

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。在这种工模式下，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。第二种是基于监控的后端智能视频分析解决方案。这种模式下，所有的前端摄像机仅仅具备基本的视频采集功能，而所有的视频分析都必须汇集到后端或者关键节点处由计算机统一处理。目前市场中，第一种方式应用居多，视频分析设备被放置在IP摄像机之后，这样可以有效的节约视频流占用的带宽。而基于工业计算机的解决方案只能控制若干关键的监控点，并且对计算机性能和网络带宽要求比较高。

 

智能视频分析的功能

 

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：

1.入侵检测：主要是目标存在检测功能

2.进入检测：检测是否有目标进入指定的检测区域。

3.离开检测：检测是否有目标离开指定的检测区域。

4.消失检测：检测是否有目标在指定检测区域内部消失。

5.徘徊检测：检测是目标在指定检测区域内徘徊的时间是否超过设定的时间。

6.尾随检测：检测是否有目标尾随其它目标通过指定检测区域

7.停止检测：检测目标是否在指定的检测区域内停止超过设定的时间。

8.方向检测：检测目标是否在指定允许的方向范围内前进

9.速度检测：准确测量目标的实时速度。

10.分类检测：准确判断目标的分类，比如是车还是人

11.高度检测：测量目标的实际高度。

12.遗弃物检测：检测是否有物体遗留在指定的检测区域内。

13.物品搬移检测：检测指定区域内是否有物体被搬走。

14.计数功能：可以根据指定的区域或者划线，设定各类规则进行精确计数。

15.遮挡检测：检测摄像机方向是否被改变、是否被遮挡、焦距是否被改变。

16.移动侦测：检测画面内容是否改变。

17.自动跟踪：控制PTZ球机自动追踪目标。

18.视频稳定功能：将输入的不稳定视频（手持、车载、高空抖动）稳定后输出。

19.目标密度检测：检测指定区域内是否有大量人群聚集。

 

智能入侵检测

 

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目前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。

 

智能自助银行

 

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。

 

智能视频交通监控

 

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。

 

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，影响跟踪的稳定性。为了减少遮挡带来的歧义性问题，必须正确处理遮挡时特征与目标间的对应关系。大多数系统一般是通过统计方法预测目标的位置、尺度等，都不能很好地处理较严重的遮挡问题。

 

兼顾实时性与鲁莽性：序列图像包含大量信息，要保证目标跟踪的实时性要求，必须选择计算量小的算法。鲁莽性 是目标跟踪的另一个重要性能，提高算法的 鲁莽性 就是要使算法对复杂背景、光照变化和遮挡等情况有较强的适应性，而这又要以复杂的运算为代价。