视频监控系统

    从模拟视频到数字视频的转化正在给安全系统带来期待已久的好处，主要的好处是数字压缩允许传送和存储更多的图像数据。不过新的优势还来自价格，数字视频应用的低成本允许部署更多的摄像机，但需要更多的人员去监视摄像机。存储视频信号可以减少需要浏览的视频数量，因为压缩算法中使用的运动向量和检测器可以用来删除没有显著活动的那些帧。然而，由于运动向量和检测器不能提供正在发生什么事的任何信息，必须要有人实际筛选捕获的视频来确认可疑行为。
    因此，业界迫切需要开发能够提高安全和监控视频监视效率的方法。视频内容分析(VCA)可以用电子的方法识别一串帧中重要的特征，在发生特定类型事件时能让系统产生告警，从而加快实时安全系统的响应速度。VCA可以在捕获的视频中自动搜索特定内容，将人从长时间的浏览工作中解放出来，并减少需要人工筛选摄像机视频的工作量。
    VCA技术正在不断发展，在不久的将来将会得到广泛的应用。有一点可以肯定的是，VCA要求大量的处理能力以便在庞大的视频像素数据流中识别出感兴趣的目标。另外，VCA系统必须是可编程的，这样才能满足应用的各种变化，识别出不同的内容，并适应不断演进的算法。最新的视频处理器具有特别强大的性能和编程灵活性，完全可以满足压缩、VCA和其它数字视频要求。用以辅助处理器的软件平台和工具则可以简化安全和监控产品的开发，随着VCA技术的发展，它们将成为关键的技术。

VCA流程
    目前还没有VCA的国际标准，但以下是VCA的常规流程： 
    1. 将一个很长的序列分割成几个单独的场景或图像，以进行分析。由于不同的场景具有不同的直方图或色谱分布，因此如果某个帧的直方图与前一帧有很大的变化，那么可以认为发生了场景变换。 
    2. 由于前景(foreground)与静态背景是分开的，因此场景中的前景对象变化可以被检测出来。 
    3. 个别前景对象被提取或分割，然后逐帧地跟踪。跟踪过程涉及检测对象的位置和速度。 
    4. 如果有必要进行识别，可以提取对象的特征，并进行对象分类。 
    5. 如果当前事件是感兴趣的事件，就向管理软件和/或相关人员发送告警。

前景/背景检测
    VCA可以检测相对于通常静态和不感兴趣的背景下前景变化所代表的活动。过去，前景/背景检测在运算量上是受限的。如今，更高性能的数字信号处理器和视频处理器可以用来执行更复杂的检测算法。 
一般来说有两种前景/背景检测方法：一种是非自适应方法，它只使用一些视频帧，并不维护背景模型；另一种是自适应方法，它始终维护着一个随时间不断演变的背景模型。在自适应VCA算法中，VCA流程中第2步到第4步的反馈可以用来更新和维护背景模型，这个模型再用作第1步的输入。 

非自适应检测
    在最简单的非自适应情况下，当前帧中的每个像素减去前一帧中的对应像素就能确定绝对差值，像素的绝对差值再与预先确定的门限值进行比较。这个门限值代表的是对场景中和来自成像器的噪声补偿过后的“零”电平。如果绝对差值超过了这个门限，相应的像素就属于前景。否则，像素就属于背景。 
在受控环境中对视频对象的短期跟踪和识别可以只使用三个帧实现。即使这样，非自适应方法也只适用于高度受控、视频场景不会有显著变化的短期跟踪应用场合。当发生场景或背景变化时，需要人工进行初始化。如果不进行初始化，随着时间积累的误差会使检测结果很不可靠。 

自适应检测
    由于非自适应方法的局限，自适应前景和背景检测开始在VCA应用中得到使用。自适应检测方法维护一个背景模型，该模型通过混合每个新视频帧的数据进行不断更新。与非自适应方法相比，自适应方法要求更高的处理能力，而且背景模型的复杂度会改变。在基本的自适应方法中，算法会通过在当前帧中逐个像素地减去背景模型来确定前景(而非自适应算法采用的减去后面的帧)。结果也反馈到模型中，从而使模型不需要复位就能适应不断变化的背景。这种方法非常适合目标不断移动或相当长时间内存在背景噪声的许多视频监控场合使用。 
更复杂的前景/背景检测则采用统计背景模型，其中指定帧中的每个背景像素被建模为一个符合高斯分布的随机变量。根据每一帧的视频数据，每个单独像素的平均和标准偏差会随时间改变。 

 1/2    1 2 下一页 尾页