智能攝像機的關鍵技術

目前智能攝像機的構成以及硬體技術已經相對穩定和成熟，要最終完成智能攝像機的監控任務和智能技術還需要軟體功能的密切配合，高效的視頻編解碼技術以及有效的計算機視覺演算法是智能攝像機的核心技術，為攝像機完成智能分析任務提供了重要的技術保障。由圖1所示，從視頻採集到智能結果結構化輸出主要包括：運動目標提取、運動目標跟蹤、運動目標分類和運動目標行為分析以及結構化描述等步驟。

圖1 智能攝像機分析流程

1.運動目標提取

運動目標提取是智能分析的準備工作，基於此項工作攝像機可以從圖像序列中將變化區域從背景區域中提取出來，運動目標的有效提取將大大減少後續過程的運算量，對於後期的目標識別和行為分析具有重要意義，目前較為主流的方法有背景減除法、時間差分法和光流法，最經典的全局光流場計算方法是L-K (Lueas&Kanada)法和H-S(Hom&Schunck)法。

2.運動目標跟蹤

運動目標的跟蹤，即通過目標的有效表達，在圖像序列中尋找與目標模板最相似候選目標區位置的過程。簡單說，就是在序列圖像中為目標定位。運動目標的有效表達除了對運動目標建模外，目標跟蹤中常用到的目標特性表達主要包括：視覺特徵(圖像邊緣、輪廓、形狀、紋理、區域)、統計特徵(直方圖、各種矩特徵)、變換係數特徵(傅里葉描繪子、自回歸模型)、代數特徵(圖像矩陣的奇異值分解)等。除了使用單一特徵外，也可通過融合多個特徵來提高跟蹤的可靠性，目前主流的方法有：基於區域匹配跟蹤演算法、基於輪廓匹配跟蹤演算法、基於特徵匹配跟蹤演算法。

3.運動目標分類

運動目標分類，顧名思義，從檢測到的運動區域中將特定類型的物體提取出來，例如分類場景中的人、機動車、人群等不同的目標。目前比較主流的方法有基於運動特性的分類和基於形狀信息的分類。

4.運動目標行為分析

行為分析是智能攝像機的關鍵目標之一，也是視頻監控在維護公共安全中的重點難點問題。行為分析涉及計算機視覺、模式識別、人工智慧等多個領域。它是在對視頻圖像序列進行低級處理的基礎上，通過分析處理監控場景的圖像、視頻，獲取監控場景的信息或場景中運動目標的信息，進一步研究圖像中各目標的性質以及相互之間的聯繫，從而得出對客觀場景的解釋和高層次的語義描述，經常藉助於神經網路和決策樹來進行行為分析。

來源：中國安全防範產品行業協會

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！