目前，智能視覺分析已廣泛應(yīng)用于視頻監(jiān)控領(lǐng)域。智能視頻監(jiān)控技術(shù)是建立在視頻監(jiān)控已經(jīng)過第三代發(fā)展的基礎(chǔ)上，為其加入智能視覺分析系統(tǒng)的新一輪技術(shù)變革。它相當(dāng)于為普通監(jiān)控設(shè)備加上了具有對(duì)觀測(cè)到的事物進(jìn)行分析和判斷能力的大腦，擁有更強(qiáng)大的視頻監(jiān)控功能。它的出現(xiàn)為社會(huì)安全撐起一把更加嚴(yán)密、穩(wěn)固的保護(hù)傘，以有效遏制影響秩序和安全的異常事件的發(fā)生。

　　視頻監(jiān)控對(duì)智能視覺技術(shù)的需求分析

　　近年來，視頻監(jiān)控已廣泛應(yīng)用于各種場(chǎng)所，其對(duì)各行各業(yè)的滲入使得在安全防范、信息獲取和指揮調(diào)度等方面開拓了前所未有的新局面。然而，傳統(tǒng)的視頻監(jiān)控通常是以人為主的目視監(jiān)控并由系統(tǒng)記錄視頻信息。由于人的精力有限以及每個(gè)監(jiān)視器可能需要輪流顯示多個(gè)攝像頭畫面，導(dǎo)致監(jiān)控人員在長(zhǎng)時(shí)間觀察大量監(jiān)視器的情況下，容易人眼疲憊、錯(cuò)過畫面場(chǎng)景，不能及時(shí)可靠的提取監(jiān)視器中的有效信息，所以即使由人力進(jìn)行監(jiān)控也不能保證實(shí)時(shí)精確的發(fā)現(xiàn)問題。再者，原有監(jiān)控錄像通常是等事件發(fā)生之后才被調(diào)出進(jìn)行查看，將其用于取證或其他后續(xù)處理工作。這并不能在事件發(fā)生同時(shí)進(jìn)行實(shí)時(shí)報(bào)警，進(jìn)而不能有效地遏制惡性事件的發(fā)生。而且，海量無用視頻數(shù)據(jù)的傳輸和存儲(chǔ)，不僅造成帶寬及存儲(chǔ)資源的嚴(yán)重浪費(fèi)還淹沒了少量的有用信息，使得有用信息的獲取變得困難。智能視頻監(jiān)控技術(shù)借助計(jì)算機(jī)強(qiáng)大的數(shù)據(jù)處理功能，對(duì)視頻畫面中的海量數(shù)據(jù)進(jìn)行高速分析，過濾掉監(jiān)控者不關(guān)心的信息，僅僅為監(jiān)控者提供有用的關(guān)鍵信息，大大提高了視頻監(jiān)控在實(shí)時(shí)發(fā)現(xiàn)異常行為、及時(shí)傳輸報(bào)警信息方面的功能。

　　其具體的功能需求分析如下：

　　1. 人群聚集

　　商場(chǎng)、劇場(chǎng)、車站等場(chǎng)所在特定時(shí)間內(nèi)容易在局部區(qū)域出現(xiàn)大量人員擁擠的情況。為了避免人群聚集導(dǎo)致的踩踏、擠傷以及不法分子趁機(jī)擾亂秩序進(jìn)行違法犯罪行為，需對(duì)過多人員聚集的情況進(jìn)行自動(dòng)報(bào)警處理，進(jìn)而及時(shí)疏導(dǎo)，避免危險(xiǎn)事件的發(fā)生。

　　2. 人數(shù)統(tǒng)計(jì)

　　人數(shù)統(tǒng)計(jì)系統(tǒng)是一種監(jiān)控人群流動(dòng)量的智能系統(tǒng)，能夠提供準(zhǔn)確的人群流動(dòng)量、人群流動(dòng)方向的統(tǒng)計(jì)及分析數(shù)據(jù)。用戶可根據(jù)實(shí)用情況設(shè)置監(jiān)測(cè)一個(gè)或多個(gè)出入口，也可以設(shè)置統(tǒng)計(jì)單一方向或雙向的人群流動(dòng)，可分別對(duì)進(jìn)、出建筑物的總?cè)藬?shù)，單位時(shí)間內(nèi)進(jìn)出建筑物的人數(shù)，實(shí)時(shí)計(jì)算建筑物內(nèi)部當(dāng)前時(shí)刻人員的數(shù)量等信息做出統(tǒng)計(jì)。適合于超市、百貨大樓、餐館、學(xué)校、圖書館、運(yùn)動(dòng)場(chǎng)、旅游景點(diǎn)、公交、火車站及機(jī)場(chǎng)等人口較為密集的公共場(chǎng)所。

　　3. 人員徘徊

　　一些違法犯罪分子在實(shí)施犯罪之前往往會(huì)反復(fù)考察其犯罪地點(diǎn)的周圍環(huán)境，所以，他們會(huì)在某些區(qū)域不停徘徊。為了及時(shí)發(fā)現(xiàn)和阻止其犯罪行為，需要對(duì)人員徘徊行為進(jìn)行自動(dòng)報(bào)警。此技術(shù)適合于像軍事重地、監(jiān)獄周邊等戒嚴(yán)區(qū)域，銀行、庫(kù)房、博物館、珠寶店等存放貴重物品區(qū)域等。

　　4. 物品遺留

　　隨著恐怖襲擊越來越威脅著社會(huì)的穩(wěn)定和人類的生命安全，反恐也成為維護(hù)社會(huì)安全和秩序的重要議題?？植婪肿咏?jīng)常將爆炸物品遺留在人員密集區(qū)域，造成嚴(yán)重的人員傷亡。通過對(duì)公共場(chǎng)所進(jìn)行物品遺留監(jiān)控，可以有效的防止此類事件的發(fā)生。此外，當(dāng)車輛被非法停靠時(shí)也可以以物品遺留報(bào)警的方式進(jìn)行處理。

　　5. 非法滯留

　　在上下班高峰時(shí)段的地鐵等地方，人員較多、人流量較大，容易在過道、樓梯口等較狹窄的區(qū)域產(chǎn)生擁擠狀況。此時(shí)如果有人員在狹窄區(qū)域停滯不前將會(huì)影響其他人員通過，進(jìn)而導(dǎo)致人員擁擠造成堵塞。類似情況還會(huì)發(fā)生在車輛較多的道路上，當(dāng)有汽車出現(xiàn)拋錨、刮蹭等事故停滯在道路上時(shí)，很容易造成交通擁堵，如果能夠快速、準(zhǔn)確的找到滯留目標(biāo)，及時(shí)通知相關(guān)人員進(jìn)行疏導(dǎo)則能夠大大緩解擁堵狀況。

　　6. 突然倒地

　　突然倒地是指人體在直立的狀態(tài)前提下轉(zhuǎn)變?yōu)榈古P姿態(tài)。此功能多應(yīng)用于公共場(chǎng)所，防止人員突發(fā)疾病或遭受重創(chuàng)而未被及時(shí)發(fā)現(xiàn)，耽誤救治。另外，此功能也可應(yīng)用于醫(yī)療系統(tǒng)中的臨床監(jiān)護(hù)，實(shí)現(xiàn)對(duì)病人部分狀態(tài)的自動(dòng)監(jiān)護(hù)。

　　上述內(nèi)容描述了智能監(jiān)控系統(tǒng)的功能應(yīng)用，其不僅使視頻監(jiān)控做到全天24小時(shí)不間歇的可靠監(jiān)控，而且大大提高了報(bào)警精確度和響應(yīng)速度，克服了人力監(jiān)控的諸多弊端。

　　智能視覺技術(shù)分析

　　通過以上關(guān)于應(yīng)用需求的分析，從技術(shù)方面可將人員徘徊、非法滯留、物品遺留、非法入侵等歸為一類—視覺行為分析。行為分析必須以正確檢測(cè)到圖像序列中的目標(biāo)并進(jìn)行跟蹤為基礎(chǔ)，從圖像序列中提取運(yùn)動(dòng)目標(biāo)的行為特征，然后通過有效的算法判斷和分析目標(biāo)的行為，因此行為分析屬于圖像語義理解層面的工作。行為分析的重要問題就是如何從樣本序列中建立行為模式，如何將測(cè)試序列正確分類到相應(yīng)的行為模式中。[nextpage]

　　行為分析主要涉及到三個(gè)方面的問題：運(yùn)動(dòng)目標(biāo)檢測(cè)、目標(biāo)跟蹤和行為識(shí)別。其系統(tǒng)結(jié)構(gòu)如圖1所示。

　　1.運(yùn)動(dòng)目標(biāo)檢測(cè)

　　運(yùn)動(dòng)目標(biāo)檢測(cè)就是從圖像序列中將變化的目標(biāo)物體從背景圖像中提取出來，它包括：目標(biāo)分割和目標(biāo)分類兩部分。這是行為分析系統(tǒng)的第一步也是最重要的一步，它是此后的目標(biāo)跟蹤和行為識(shí)別的關(guān)鍵信息源。目標(biāo)分割的任務(wù)就是將視頻序列中的所有運(yùn)動(dòng)目標(biāo)所對(duì)應(yīng)的區(qū)域準(zhǔn)確提取出來;而目標(biāo)分類則是從分割得到的多類運(yùn)動(dòng)目標(biāo)中(例如，行人、汽車、轉(zhuǎn)動(dòng)的機(jī)器等)選取我們需要的目標(biāo)(例如，行人)。

　　常用的基于運(yùn)動(dòng)目標(biāo)檢測(cè)的目標(biāo)分割方法有三種：光流法、幀差法、背景差分法。光流法在攝像機(jī)運(yùn)動(dòng)的條件下也能檢測(cè)出獨(dú)立的運(yùn)動(dòng)目標(biāo)，然而多數(shù)光流法計(jì)算相當(dāng)復(fù)雜，不利于實(shí)時(shí)計(jì)算;幀差法對(duì)于運(yùn)動(dòng)環(huán)境具有較強(qiáng)的自適應(yīng)性，但一般不能提取出相關(guān)區(qū)域的所有像素點(diǎn)，在運(yùn)動(dòng)體中容易產(chǎn)生空洞現(xiàn)象;背景差分法適用于固定攝像機(jī)的情形，它先為背景圖像建立背景模型，通過將當(dāng)前圖像幀與背景圖像進(jìn)行比較，確定出亮度變化較大的區(qū)域，即認(rèn)為是前景區(qū)域。這種方法計(jì)算速度很快，可以獲得完整的運(yùn)動(dòng)區(qū)域，但對(duì)于場(chǎng)景中光照和噪聲比較敏感，在實(shí)際應(yīng)用中需要采用一定的算法進(jìn)行維護(hù)和更新背景模型，以適應(yīng)環(huán)境的變化。圖像序列中光線、陰影、遮擋和目標(biāo)物體的像素的變化成為影響分割效果的最大障礙。一個(gè)理想的檢測(cè)算法能夠適應(yīng)各種環(huán)境和條件，但事實(shí)上得到適用于各種環(huán)境的算法是非常困難的，因此，通常的做法是針對(duì)不同的應(yīng)用條件和環(huán)境，選取不同的算法。

　　在已經(jīng)得到分割目標(biāo)的基礎(chǔ)之上對(duì)這些目標(biāo)進(jìn)行分類，進(jìn)而對(duì)研究目標(biāo)進(jìn)行后續(xù)跟蹤處理。分類過程中，首先需要對(duì)目標(biāo)進(jìn)行特征的提取，其主要存在紋理、灰度、邊界、結(jié)構(gòu)、變換域等不同類型的方法。然后對(duì)提取的特征進(jìn)行分類，其方法有基于貝葉斯統(tǒng)計(jì)決策理論和判別函數(shù)等方法。其中判別函數(shù)的方法包括：統(tǒng)計(jì)學(xué)習(xí)理論支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)等。另外，如果將后續(xù)的跟蹤過程看作隨機(jī)過程，那么需要在跟蹤之前建立初始模型，對(duì)跟蹤目標(biāo)進(jìn)行學(xué)習(xí)和訓(xùn)練，此時(shí)，目標(biāo)的分類與跟蹤融為同一個(gè)過程，因此，部分算法并沒有單獨(dú)的目標(biāo)分類這一步驟。

　　2. 目標(biāo)跟蹤

　　和運(yùn)動(dòng)目標(biāo)檢測(cè)相比，目標(biāo)跟蹤屬于較高層的視覺問題。但是在行為分析中，跟蹤算法通常和運(yùn)動(dòng)分割有很大的相同之處。在時(shí)間域上的跟蹤，即在后續(xù)幀上使用點(diǎn)、線或區(qū)域的特征匹配，也就是說，跟蹤可以被看作根據(jù)位置、速度、尺度、形狀、紋理或顏色等在幀與幀之間建立的圖像特征的內(nèi)在聯(lián)系。其需要解決的問題主要有兩個(gè)：目標(biāo)建模和目標(biāo)定位。

　　建模主要用來收集描述目標(biāo)的視覺特征，為以后定位目標(biāo)提供信息。目前常用的特征有顏色特征、邊緣特征、紋理特征、光流法、小波表達(dá)、局部區(qū)別特征描述算子等。顏色特征對(duì)于目標(biāo)平面旋轉(zhuǎn)、非剛性變形、部分遮擋等情形較為魯棒，適合于變形目標(biāo)跟蹤。盡管顏色特征對(duì)變形和姿態(tài)變化很魯棒，但是不能描述目標(biāo)的空間結(jié)構(gòu)，易受光照等外界條件的影響。邊緣信息能彌補(bǔ)顏色信息的缺陷，不易受光照變化的影響。紋理是一種應(yīng)用比較廣泛的方法，例如，局部二值模式(LBP)其對(duì)光線等的變化有較好的魯棒性，但其計(jì)算量較大難以滿足實(shí)時(shí)性的要求。光流在跟蹤領(lǐng)域是一種有效的特征，但在計(jì)算光流信息時(shí)，必須計(jì)算圖像中每個(gè)像素點(diǎn)的速度和方向，所以計(jì)算量大同樣很難滿足實(shí)時(shí)性的要求。小波表達(dá)可以從不同尺度、不同方向描述圖像，對(duì)于由粗到精的差分運(yùn)動(dòng)估計(jì)非常有效。局部區(qū)別特征描述子是指目標(biāo)通過一組辨別特征描述算子表達(dá)，這些描述算子從局部區(qū)域的圖像特征點(diǎn)產(chǎn)生，他們表達(dá)了局部區(qū)域?qū)τ诔叨?、旋轉(zhuǎn)和光照的不變性，將這種特征描述算子嵌入到跟蹤框架中，實(shí)現(xiàn)跟蹤。

　　目標(biāo)定位是一個(gè)預(yù)測(cè)目標(biāo)參數(shù)的過程，根據(jù)圖像序列，確定目標(biāo)在圖像中的位置、形狀參數(shù)。近年來，目標(biāo)定位研究的主流方法是將目標(biāo)定位轉(zhuǎn)換為在貝葉斯濾波框架下求解目標(biāo)狀態(tài)后驗(yàn)概率密度的過程。在貝葉斯理論框架下，將目標(biāo)跟蹤問題看作最優(yōu)估計(jì)過程，通常采用狀態(tài)空間模型來描述，首先選擇狀態(tài)向量，通過狀態(tài)轉(zhuǎn)移方程進(jìn)行預(yù)測(cè)，然后利用最新觀測(cè)值對(duì)預(yù)測(cè)值做出修正。當(dāng)過程噪聲和觀測(cè)噪聲都是高斯分布，且狀態(tài)轉(zhuǎn)移方程和觀測(cè)方程都是線性的，利用常規(guī)的 Kalman濾波就能給出最優(yōu)解。當(dāng)狀態(tài)方程和觀測(cè)方式是非線性函數(shù)時(shí)，擴(kuò)展Kalman濾波就可求解后驗(yàn)概率。如果狀態(tài)空間是用有限的離散值組成，隱馬爾科夫模型(Hidden Markov Models)可以實(shí)現(xiàn)。但是在實(shí)際場(chǎng)景中，狀態(tài)方程和觀測(cè)方程往往都是非線性的，而且噪聲也是非高斯的、狀態(tài)分布是多模態(tài)的，在這種情況下，通常利用粒子濾波的方法。

　　3. 行為識(shí)別

　　此處的行為是廣義上的“行為”定義，它包括動(dòng)作、行為和活動(dòng)三個(gè)層面。動(dòng)作是指人體的一個(gè)小的運(yùn)動(dòng)元素，如抬腳、落腳、甩臂等，而狹義上的行為是按時(shí)間有序排列在一起的動(dòng)作的集合，例如跑步，走路等。而一系列狹義行為組成的序列稱為活動(dòng)，如打球等。其主要目的是對(duì)人體的運(yùn)動(dòng)進(jìn)行了層次的劃分，但劃分并不是絕對(duì)的。對(duì)于行為(未加說明時(shí)指廣義行為)的識(shí)別方法主要有兩種：基于模板匹配的方法和狀態(tài)空間模型的方法：

　　模板匹配的方法首先將動(dòng)態(tài)的圖像序列轉(zhuǎn)化為特征模型，然后與訓(xùn)練得到的各種行為模板進(jìn)行匹配。其優(yōu)點(diǎn)是計(jì)算復(fù)雜度較低且簡(jiǎn)單易行，但其對(duì)噪聲和特征模型在時(shí)間和空間尺度上的輕微變化較為敏感，通常要加入模型演化的步驟。[nextpage]

　　基于狀態(tài)空間模型的方法是把每個(gè)靜態(tài)動(dòng)作定義為一個(gè)狀態(tài)，使用特定概率生成這些狀態(tài)之間的相互連接。所有的連續(xù)動(dòng)作被看作是不同狀態(tài)之間的轉(zhuǎn)移。通過研究這些狀態(tài)轉(zhuǎn)移的概率，把聯(lián)合概率作為動(dòng)作分類的標(biāo)準(zhǔn)。但是，如何選擇合適數(shù)量的狀態(tài)和特征向量的維數(shù)仍是一個(gè)難點(diǎn)。

　　以上是對(duì)人體行為分析主要技術(shù)點(diǎn)的概述，然而針對(duì)不同的應(yīng)用需求，其具體算法也有所不同，具體分析如下：

　　1)人員徘徊

　　準(zhǔn)確的徘徊行為是一個(gè)包含復(fù)雜動(dòng)作的過程，識(shí)別難度較大。但是可以通過在預(yù)設(shè)區(qū)域內(nèi)判定目標(biāo)移動(dòng)的距離、時(shí)間以及方向等來做出間接判斷。由上述目標(biāo)檢測(cè)和跟蹤可知，在對(duì)目標(biāo)進(jìn)行可靠跟蹤的基礎(chǔ)上，將目標(biāo)在幀與幀之間的坐標(biāo)距離進(jìn)行累加即得到整個(gè)運(yùn)動(dòng)過程中的軌跡長(zhǎng)度，以此可利用較簡(jiǎn)單的判斷方式進(jìn)行識(shí)別，但此方法魯棒性較差，容易造成誤判，可滿足安全級(jí)別較低的場(chǎng)景中。當(dāng)安全級(jí)別要求較高的情況下，可通過對(duì)徘徊行為訓(xùn)練和學(xué)習(xí)、建立模型，利用基于狀態(tài)空間模型的方法來識(shí)別，可降低誤判率，但其對(duì)訓(xùn)練樣本的數(shù)量和多樣性要求較高，訓(xùn)練過程復(fù)雜。

　　2)物品遺留

　　物品遺留一般是指由人攜帶物品進(jìn)入目標(biāo)區(qū)域，然后人員離開，物品遺留在目標(biāo)區(qū)域。此種情況下可對(duì)進(jìn)入目標(biāo)區(qū)域的移動(dòng)目標(biāo)進(jìn)行跟蹤，當(dāng)目標(biāo)保持靜止?fàn)顟B(tài)的時(shí)間超過預(yù)設(shè)閾值t0時(shí)，判定為遺留。由于遺留物品種類繁多，需要建立大量、多種類的樣本庫(kù)。另外，遺留物體突然出現(xiàn)、沒有遺留過程(遺留過程被遮擋、不可見)時(shí)，以及當(dāng)遺留物品不斷被移動(dòng)目標(biāo)大面積遮擋時(shí)，上述算法并不適用，所以針對(duì)不同的應(yīng)用場(chǎng)景需要不同的算法滿足需求。

　　3)非法滯留

　　非法滯留涉及多目標(biāo)跟蹤及目標(biāo)速度的實(shí)時(shí)計(jì)算。需要實(shí)時(shí)跟蹤并記錄場(chǎng)景內(nèi)每個(gè)目標(biāo)的移動(dòng)速度，當(dāng)單個(gè)目標(biāo)的運(yùn)動(dòng)速度v遠(yuǎn)小于整個(gè)人群的運(yùn)動(dòng)速度v0 時(shí)，觸發(fā)報(bào)警。而整個(gè)人群的運(yùn)動(dòng)速度v0通過對(duì)所有單個(gè)目標(biāo)運(yùn)動(dòng)速度統(tǒng)計(jì)得到。對(duì)于速度限值v0也可根據(jù)情況設(shè)置為一個(gè)常數(shù)，這可以由用戶的需求進(jìn)行自主選擇設(shè)置。另外，可以對(duì)整個(gè)目標(biāo)群的運(yùn)動(dòng)速度設(shè)置限值v1，當(dāng)整個(gè)目標(biāo)群的運(yùn)動(dòng)速度低于限值時(shí)表示此區(qū)域產(chǎn)生大面積滯留，可發(fā)送區(qū)別于個(gè)別目標(biāo)滯留的報(bào)警信號(hào)，以此提醒工作人員對(duì)此區(qū)域進(jìn)行及時(shí)的疏導(dǎo)。

　　4)突然倒地

　　上述三類人體行為分析一般屬于對(duì)人體簡(jiǎn)單“活動(dòng)”的識(shí)別，而突然倒地則屬于“動(dòng)作”范疇。對(duì)于簡(jiǎn)單場(chǎng)景下的倒地識(shí)別通常使用基于狀態(tài)空間模型的方法，首先建立模型、確定初始模型，然后由訓(xùn)練樣本集訓(xùn)練出可靠的模型參數(shù)，最后計(jì)算測(cè)試樣本對(duì)于各個(gè)已知訓(xùn)練模型的概率，選取最大概率所對(duì)應(yīng)的行為模式類別作為該測(cè)試樣本所屬的類別。但是，在人員較為密集的公共場(chǎng)所，其倒地過程常常會(huì)被過往的人群不斷遮擋，這增加了識(shí)別算法的難度，需要對(duì)遮擋更具魯棒性的算法來滿足場(chǎng)景需求。

　　以下兩種算法并不屬于人體行為識(shí)別，但其也是智能監(jiān)控中的重要應(yīng)用：

　　5)人群聚集

　　通常對(duì)人群聚集的檢測(cè)方法有兩類：人群密度估計(jì)法和基于個(gè)體特征的方法。前者是基于人群整體特征與人群聚集密度之間的關(guān)系進(jìn)行處理，此類方法適合于大場(chǎng)景中人群較為密集的情況;而后者則是根據(jù)單個(gè)人的特征統(tǒng)計(jì)場(chǎng)景中人的數(shù)量，適用于較小場(chǎng)景、人員數(shù)量較少、遮擋不嚴(yán)重的情況，其對(duì)人數(shù)的統(tǒng)計(jì)比人群密度估計(jì)法更精確。

　　人群密度估計(jì)法可通過提取不同的特征向量來實(shí)現(xiàn)，例如，前景人群總像素點(diǎn)數(shù)或邊緣總像素點(diǎn)數(shù)，但是應(yīng)用最為廣泛的為紋理特征提取。其根據(jù)不同密度的人群對(duì)應(yīng)紋理模式不同，通過建立人群密度與紋理模式的對(duì)應(yīng)關(guān)系來估計(jì)人群密度大小，進(jìn)而判定人群聚集?；趥€(gè)體特征的方法首先對(duì)單人目標(biāo)進(jìn)行檢測(cè)，由于人體的頭肩部分最不易被遮擋且人體特征較為明顯，所以頭肩檢測(cè)應(yīng)用較為廣泛，另外利用變換域的方法也較多;然后統(tǒng)計(jì)目標(biāo)場(chǎng)景中檢測(cè)到的人員總個(gè)數(shù)n，設(shè)定閾值 n0，當(dāng)n≥n0時(shí)，判定為聚集。

　　6)人數(shù)統(tǒng)計(jì)

　　從適用環(huán)境的角度分析，人數(shù)統(tǒng)計(jì)方式可分為兩大類：一類是適用于開闊場(chǎng)景或戶外環(huán)境的區(qū)域式統(tǒng)計(jì);一類是適用于通道或出入口的斷面式統(tǒng)計(jì)。前者一般是對(duì)目標(biāo)區(qū)域內(nèi)的總?cè)藬?shù)進(jìn)行統(tǒng)計(jì)，后者一般是將攝像頭置于通道或出入口的頂部，垂直向下拍攝，統(tǒng)計(jì)進(jìn)出兩個(gè)方向的人數(shù)。前者的實(shí)現(xiàn)方法與人群聚集類似，此處不再重復(fù)。后者根據(jù)其特殊的約束條件，攝像頭拍攝到的通常是人的頭肩，所以在對(duì)頭肩的目標(biāo)檢測(cè)和跟蹤之后，可以進(jìn)行目標(biāo)計(jì)數(shù)。但是，當(dāng)多個(gè)人同時(shí)通過出入口時(shí)，由于目標(biāo)距離過近，容易造成目標(biāo)合并和分離，即將多人目標(biāo)當(dāng)作單人，或所謂的“單人”目標(biāo)又分離為多人的情況。解決此問題的方法有多種，其中可將頭肩特征以頭部特征代替，在目標(biāo)“擦肩而過”時(shí)，頭部區(qū)域通常不會(huì)合并為一個(gè)目標(biāo)。另外，對(duì)于雙方向的計(jì)數(shù)需要在跟蹤過程中增加運(yùn)動(dòng)方向的特征。

　　除了上述的應(yīng)用之外，還有非法入侵、打架斗毆、破壞公共財(cái)物等自動(dòng)報(bào)警功能，其主要的技術(shù)模塊類似，但針對(duì)具體不同的應(yīng)用環(huán)境和功能其具體算法也不同。隨著人工智能、模式識(shí)別、圖像工程、人工神經(jīng)網(wǎng)絡(luò)的不斷發(fā)展，智能視覺分析在視頻監(jiān)控領(lǐng)域的應(yīng)用也會(huì)逐步替代人力，使智能視頻監(jiān)控發(fā)展更加廣泛和完善。

　　結(jié)語

　　智能化監(jiān)控與普通的視頻監(jiān)控設(shè)備相比具備更加強(qiáng)大的視頻信息處理能力，可以提供更多高級(jí)視頻分析功能，使監(jiān)控系統(tǒng)在安全管理中發(fā)揮更大的作用。智能化的視頻監(jiān)控系統(tǒng)已成為輔助安全管理的必然趨勢(shì)，隨著其功能的不斷完善和應(yīng)用范圍的不斷擴(kuò)大，勢(shì)必成為視頻監(jiān)控領(lǐng)域的又一次革命性更新?lián)Q代。