对智能视频监控系统的研究

《对智能视频监控系统的研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、浅谈智能视频监控系统的现状及相关技术摘要：目前，智能视频监控系统逐渐替代了人力，出现在我们生活中。本文主要介绍了智能视频系统的现状、主要技术及发展前景。英文摘要：Nowadays,theIntelligentVideoSurveillanceSystemsaregraduallyreplacingthehumanresource.Thispaperismainlydescribingthestatus,themaintechnologyandthedevelopmentprospectsoftheIntelligentVideoSurveillanceSystem.1引言智能视频监控系

2、统是采用图像处理、模式识别和计算机视觉技术，通过在监控系统中增加智能视频分析模块，借助计算机强大的数据处理能力过滤掉视频画面无用的或干扰信息、自动识别不同物体，分析抽取视频源中关键有用信息，快速准确的定位事故现场，判断监控画面中的异常情况，并以最快和最佳的方式发出警报或触发其它动作，从而有效进行事前预警，事中处理，事后及时取证的全自动、全天候、实时监控的智能系统[1]。如今，智能视频监控系统现在已经广泛的应用于我们的生活。道路，机场，生活小区等许多场合，也越来越多的运用到。对于普通视频监控系统，一个人必须坐在监视屏前面，眼睛要盯着甚至不止一台显示器，因此，若发生异常情况，人眼注意到它可

3、能就需要几秒时间，更别说反应过来启动警报系统了。在关键时刻，时间是很重要的，争分夺秒，不容浪费。更何况，人眼容易疲惫，在需要长期集中注意力的环境下，可能不大适合。而智能视频监控系统则很好的解决了这个问题。机器之所以能取代人力，很重要的一点就是它们“不知疲惫”。它们能持续不断的进行运转！还有，相较于人眼，CPU的运转速度显然更快。对于异常情况，只需几十毫秒，甚至更快，就能有所察觉，并立即报警。对于安全来讲，消息传递的及时性是很重要的一个指标。因此，智能视频监控系统目前正处于高速的发展期。随着监控系统应用的领域越来越大，监控的范围越来越广，所用的摄像机、显示器等硬件设备越来越先进，监控系统

4、对于监控内容的检测、识别、跟踪、分析的要求也越来越高。2智能视频监控系统的现状智能视频监控是以数字化、网络化为基础的更高端的视频监控应用。它能识别出不同的物体，若发现监视器画面上出现异常情况，能立即通知警报系统并提供有用信息，因此可以实现更加安全可靠的用户环境。智能视频监控系统主要应用于以下几个大类：对人、物的识别;对人、物运动轨迹的识别;对视频环境影响的判断和补偿。(1)对静态物体的识别：主要识别监控系统所关心的内容，例如人脸识别、车牌号识别、虹膜识别等。对于此类智能视频监控系统，最重要的就是识别的准确率。举个例子，车牌号识别，对目前已有的系统，识别率高的在95%甚至98%以上，如此

5、高的识别率，对道路管理做出了很大的贡献。(2)对人、物运动轨迹的识别和处理：此类视频识别系统，主要包括虚拟警戒线、车流统计、物体出现和消失、人员突然奔跑、突然聚集等的识别。对于该类系统，重要的是要能快速对系统环境做出识别、统计，对系统的准确率、及时性要求较高。所以，基本的要求是能识别出异常的类型并统计及做出相应的后续处理，如警报等。目前，运动轨迹识别运用的很广泛，如道路监控、商业监控等。(3)对视频环境影响的判断和补偿：环境的影响主要包括雨、雪、大雾等恶劣天气、夜间等低亮度情况、摄像头抖动等。目前，智能视频监控系统应用能够实现在恶劣视频环境情况下的监控功能。此类功能关键技术点是在各种应

6、用场合下，均能够有较高的识别率，尽量减少环境对视频监控的影响。此类功能具备普遍的适应性，对环境的要求不高，当属高性能产品。1智能视频监控系统技术难点及突破想要让系统实现智能监控，在设计监控系统时，就必须详细规划从视频采集到分析的具体实现内容。应包括：图像预处理，运动目标的检测、分割、预测及跟踪，视频内容分析。⑴图像预处理：视频分析的实质就是对一个个图像帧的分析。这时候，图像的质量就尤为重要。自然采集的图像中，可能引入了各种噪声，典型的有：高斯噪声、椒盐噪声等。一般来说，引入的噪声是随机性的，可以采用均值虑波、中值滤波、高斯滤波等方法去噪，提高信噪比。均值滤波在噪声分布平均、峰值不高的情

7、况下，是个很好的选择。中值滤波在尖脉冲噪声情况下，能得到处理良好的图像。高斯滤波对消除高斯白噪声的处理效果良好。(2)运动目标检测：该步骤的主要目的是分离出运动目标和静止目标，即运动物体和背景。现有主要算法包括：光流法、背景减法、帧差分法等。光流法：这是一种基于帧间像素分析的算法。其基本思想是通过计算出来的光流场来模拟运动场。优点是能很好的处理背景的运动和遮挡问题；缺点是：计算方法过于复杂。因此，虽然该算法能很好的检测出前景和背景，可是实时性不