产品新知 您所在的位置:电子展览网 > 行业资讯 > 产品新知

智能视频监控系统及其在Blackfin处理器上的应用 1




关键词:

1. 视频监控系统的现状

     视频监控系统从最初的模拟闭路电视监控开始,经历了数字化,网络化的趋势,正在向分布式、智能化的方向迈进。视频压缩技术的趋势促进了视频监控系统的数字化,节约了大量的存储空间。计算机网络的普及和带宽的增加使得城域网视频监控成为现实。而经过科研人员40多年的不懈努力,计算机视觉已经进入突破式趋势阶段。得益于计算机视觉的分析成果,智能视频监控系统开始得到产业化应用。

    从上世纪90年代中期开始,以卡耐基梅隆大学(CMU)和麻省理工学院(MIT)为代表的,多家美国高校所参和的,由美国国防高级分析项目署设立的视觉监控重大项目VSAM(Visual Surveillance and Monitoring),以及其它科研机构的分析成果,使得智能视觉分析取得了快速趋势。2001年美国“911事件”,以及后来的西班牙马德里列车连环爆炸和英国伦敦地铁大爆炸等恐怖袭击后,全世界范围内对视频监控系统,包括智能视频分析系统的需求空前高涨。在英国全国范围内已经安装摄像机420多万个,平均每14人一个,一个人一天之中可能出现在多达300个摄像机前(英国《The Daily Mail》)。国内,2007年底广州市安装完毕25万个治安摄像机,北京在26.3万台摄像机的基础上,又在所有重点单位、人员聚集的公共场所、重要的交通枢纽、城市重要基础设施及法律法规规定的重点区域安装公共图像信息系统并且全部和警方监控网联网。上海2010年前将在马路上安装20多万个监控摄像机,全面建立“社会防控体系”。海量的监控图像需要视频监控系统智能地选购压缩、存储和检索内容。

    当前,除了CMU和MIT,奥地利Graz理工大学的嵌入式智能摄像机分析组,IBM的S3(Smart Surveillance System)项目组,Intel的IRISNET(Internet-scale, Resource-intensive Sensor Network Services)项目组等,分别在分布式智能监控系统的不同领域处于领先地位。Object Video, Hisign,3VR等公司率先实现了智能视频监控的工业应用。在国内,中科院自动化所,清华大学电子工程系和自动化系等处于分析的前列。
  
2.智能视频监控系统的技术背景说明

    智能视频监控的核心内容之一是对特定目标的自动跟踪。目标跟踪可分为5个步骤,包括运动检测、目标分类、目标(类型)跟踪、行为分析和目标(个体)跟踪。例如对人体的跟踪:首先从实时图像序列(即视频)中检测出运动物体,再判定运动物体中的人体,然后跟踪人体的运动轨迹,并分析和选定有异常行为的人,如在车站,机场等遗留包裹的人,最后对行为异常的人进行持续跟踪。

    运动检测是从图像序列中将变化区域从背景图像中提取出来。运动区域的有效分割将大大减少后继过程的运算量。然而,背景图像的不稳定性,如阴影,光照,慢移动(如蜗牛的爬行),静移动(树叶的摆动)等等,也使得运动检测非常困难。

    视频监控系统中的运动检测有两种不同的实现途径,说说是直接利用视频压缩算法的中间结果,比如ADI的第三方合作伙伴利用MPEG 4和H.264编码过程中的运动向量,在Blackfin处理器上同步实现了运动检测和视频压缩。另外说说是独立于视频编码的方法。

    运动检测算法可按照不同分类标准分为多种。中科院自动化所把运动检测算法归纳为三种:背景消除法,时间差分法,光流法。背景消除法和时间差分法都可以看作是差分图像法。背景消除法是目前运动分割中最常用的说说方法,它利用当前图像和背景图像的差分来检测出运动区域。时间差分方法是在连续的图像序列中两个或三个相邻帧间采用采用像素的时间差分并且阈值化来提取出图像中的运动区域。采用光流方法的运动检测采用了运动目标随时间变化的光流特点,通过计算位移向量光流场来初始化采用轮廓的跟踪算法,从而有效地提取和跟踪运动目标。该方法的优点是在摄像机运动的情况下也能检测出独立的运动目标。

    目标分类的目的是从检测到的运动区域中将特定类型物体的运动区域提取出来。根据利用的信息的不同,目标分类可以分为采用运动特点的分类和采用形状信息的分类两种方法。采用运动特点的识别利用目标运动的周期性进行识别,受颜色、光照的干扰较小。采用形状信息的识别利用检测出的运动区域的形状特征和模板或者统计量进行匹配。

    目标跟踪是在连续的图像帧间创建采用位置、速度、形状、纹理、色彩等有关特征的对应匹配。依据不同的跟踪方法可分为采用模型的跟踪、采用区域的跟踪、采用活动轮廓的跟踪、采用特征的跟踪等。

    联合目标跟踪和分类(JTC)技术是信息融合领域新兴的一个分析方向。其基本思想是,通过在目标跟踪器和目标分类器之间进行双向信息交互,来同时有效地提高目标的跟踪精度和分类性能。

    在特定情况下需要对跟踪目标从类型细化到个体。这需要对目标的行为进行分析和理解。行为理解的关键技术是怎么从学习样本中获取参考行为序列,并且学习和匹配的行为序列必须能够处理在相似的运动模式类别中空间和时间尺度上轻微的特征变化。

 

分享到:
收藏 打印
相关新闻
  • 没有相关信息!