視頻監(jiān)控從模擬到數(shù)字,再到網(wǎng)絡、高清、智能,一直在解決二個問題:“實時監(jiān)控”和“記錄存儲”。智能視頻即解決由機器來完成人工監(jiān)視、另一個是在海量視頻數(shù)據(jù)中快速搜索到想要找的圖像。因此基于上述兩點,我們必須選擇智能視頻系統(tǒng),智能視頻在未來或?qū)⒊蔀楸O(jiān)控系統(tǒng)的標配。
從最近a&s組織的“車牌識別”和“智能分析”產(chǎn)品專題測試看,智能分析產(chǎn)品可分為二大類。一類是以建立背景模型為基礎的行為分析產(chǎn)品,如??档闹悄芨櫢咚偾?另一類是以特征識別為基礎的產(chǎn)品,如科達的車牌識別卡口主機。當然,還有兼特征識別和行為分析二種技術的產(chǎn)品,如大華的高清智能攝像機和博康的視頻檢測器。
行為分析基于運動背景建模與目標識別技術,即是在相對靜止的背景圖像中找到活動的目標物體;特征識別無需背景模型,而需要目標物體的特征。因此,特征識別就是將所截得的圖像與特征庫里具有相似程度的圖像進行匹配,如果特征庫里的特征圖像越多,得到的結果越正確。
從本次測試還可看到,現(xiàn)在的智能產(chǎn)品存在二種形態(tài):一種是基于智能視頻處理器解決方案的嵌入式系統(tǒng);第二種是基于工業(yè)計算機的解決方案。上述例舉的四產(chǎn)品都屬于嵌入式方案,視頻分析設備或緊靠IP攝像機之后或與IP攝像機集成一體,可見嵌入式系統(tǒng)或已成為智能產(chǎn)品發(fā)展的主流。但基于工業(yè)計算機的智能方案也有其特出優(yōu)點,即可進行非常繁復的運算,所以其可用于若干最關鍵的需智能視頻分析應用的場合。
被測的智能視頻產(chǎn)品至少在測試時都表現(xiàn)得比較完美,但不是說所有智能視頻產(chǎn)品已經(jīng)做得很好了,其實抱怨誤報率或漏報率高的問題還是屢見不鮮。要解決這一問題,必須對智能視頻技術有一點了解。只有這樣,才能知道影響智能監(jiān)控性能的因素有哪些。
智能視頻分析過程主要由前景檢測、目標檢測、目標跟蹤、目標分類、軌跡分析、事件檢測等部分組成,各部分有專業(yè)應用。但有時為了提高算法在某些場景下的性能,一些附加模塊也會被加入到算法中,如抗抖動、陰影抑制、車燈抑制模塊等。所以說,智能算法常常會有多種實現(xiàn)方案,這就是為什么各種智能產(chǎn)品標稱功能可能相同,但性能差異或很大。一套智能算法在設計中需要考慮場景中可能出現(xiàn)的各種復雜情況,各算法模塊必須要具有對復雜場景的適應性,并且加入相宜的附加模塊來提升算法對場景的處理效果。
智能分析通常會存在如下難點:實際環(huán)境中因光照變化而引起的背景的復雜性、目標運動的復雜性、遮擋、目標與背景顏色相似、雜亂背景等等都會增加目標檢測與算法設計的難度。
例如,背景的復雜性表現(xiàn)在光照變化引起目標顏色與背景顏色的變化,可能造成虛假檢測與錯誤跟蹤;目標陰影與背景顏色存在差別通常被檢測為前景,這給運動目標的分割與特征提取帶來困難,如此舉不勝舉。所以說,任何智能算法都會受到場景的影響。
造成影響的原因首先是因為計算機視覺技術與人腦相比還遜色很多。其用一些數(shù)學模型來描述真實世界,并試圖用這些數(shù)學模型來分析視頻數(shù)據(jù)并從中獲取視頻信息內(nèi)容,但是最復雜的數(shù)學模型也無法囊括真實世界中的所有特性。因此智能視頻的精度或多或少會受監(jiān)控場景的影響。
其次,監(jiān)控場景的復雜程度也會對處理結果產(chǎn)生重要影響,因為復雜的場景往往意味著有效信息提取的困難。
怎樣才能利用智能視頻獲得令人滿意的效果呢?首先要基于對智能算法的理解,調(diào)整監(jiān)控環(huán)境或者調(diào)試算法,使環(huán)境與算法模型達到最大的一致性。
要在條件允許的情況下盡量降低監(jiān)控場景的復雜度,凸出有效信息。攝像機的選用及安裝非常重要,要選用性能較好的攝像機,提升圖像的信噪比。安裝攝像機時,要合理選擇安裝位置及攝像機角度,盡量使視頻圖像擾動較少且目標重疊較少。比如統(tǒng)計人流量,俯視是一個理想的攝像機安裝角度,因為在該角度下,目標的重疊程度較小。除了攝像機的選用及安裝外,合理設置警戒規(guī)則也會提升智能技術處理效果。