智能视觉分析在视频监控领域中的技术浅析

　　非法滞留涉及多目标跟踪及目标速度的实时计算。需要实时跟踪并记录场景内每个目标的移动速度，当单个目标的运动速度v远小于整个人群的运动速度v0时，触发报警。而整个人群的运动速度v0通过对所有单个目标运动速度统计得到。对于速度限值v0也可根据情况设置为一个常数，这可以由用户的需求进行自主选择设置。另外，可以对整个目标群的运动速度设置限值v1，当整个目标群的运动速度低于限值时表示此区域产生大面积滞留，可发送区别于个别目标滞留的报警信号，以此提醒工作人员对此区域进行及时的疏导。

　　4）突然倒地

　　上述三类人体行为分析一般属于对人体简单“活动”的识别，而突然倒地则属于“动作”范畴。对于简单场景下的倒地识别通常使用基于状态空间模型的方法，首先建立模型、确定初始模型，然后由训练样本集训练出可靠的模型参数，最后计算测试样本对于各个已知训练模型的概率，选取最大概率所对应的行为模式类别作为该测试样本所属的类别。但是，在人员较为密集的公共场所，其倒地过程常常会被过往的人群不断遮挡，这增加了识别算法的难度，需要对遮挡更具鲁棒性的算法来满足场景需求。

　　以下两种算法并不属于人体行为识别，但其也是智能监控中的重要应用：

　　5）人群聚集

　　通常对人群聚集的检测方法有两类：人群密度估计法和基于个体特征的方法。前者是基于人群整体特征与人群聚集密度之间的关系进行处理，此类方法适合于大场景中人群较为密集的情况；而后者则是根据单个人的特征统计场景中人的数量，适用于较小场景、人员数量较少、遮挡不严重的情况，其对人数的统计比人群密度估计法更精确。

　　人群密度估计法可通过提取不同的特征向量来实现，例如，前景人群总像素点数或边缘总像素点数，但是应用最为广泛的为纹理特征提取。其根据不同密度的人群对应纹理模式不同，通过建立人群密度与纹理模式的对应关系来估计人群密度大小，进而判定人群聚集。基于个体特征的方法首先对单人目标进行检测，由于人体的头肩部分最不易被遮挡且人体特征较为明显，所以头肩检测应用较为广泛，另外利用变换域的方法也较多；然后统计目标场景中检测到的人员总个数n，设定阈值n0，当n≥n0时，判定为聚集。

　　6）人数统计

　　从适用环境的角度分析，人数统计方式可分为两大类：一类是适用于开阔场景或户外环境的区域式统计；一类是适用于通道或出入口的断面式统计。前者一般是对目标区域内的总人数进行统计，后者一般是将摄像头置于通道或出入口的顶部，垂直向下拍摄，统计进出两个方向的人数。前者的实现方法与人群聚集类似，此处不再重复。后者根据其特殊的约束条件，摄像头拍摄到的通常是人的头肩，所以在对头肩的目标检测和跟踪之后，可以进行目标计数。但是，当多个人同时通过出入口时，由于目标距离过近，容易造成目标合并和分离，即将多人目标当作单人，或所谓的“单人”目标又分离为多人的情况。解决此问题的方法有多种，其中可将头肩特征以头部特征代替，在目标“擦肩而过”时，头部区域通常不会合并为一个目标。另外，对于双方向的计数需要在跟踪过程中增加运动方向的特征。

　　除了上述的应用之外，还有非法入侵、打架斗殴、破坏公共财物等自动报警功能，其主要的技术模块类似，但针对具体不同的应用环境和功能其具体算法也不同。随着人工智能、模式识别、图像工程、人工神经网络的不断发展，智能视觉分析在视频监控领域的应用也会逐步替代人力，使智能视频监控发展更加广泛和完善。

　　结语

　　智能化监控与普通的视频监控设备相比具备更加强大的视频信息处理能力，可以提供更多高级视频分析功能，使监控系统在安全管理中发挥更大的作用。智能化的视频监控系统已成为辅助安全管理的必然趋势，随着其功能的不断完善和应用范围的不断扩大，势必成为视频监控领域的又一次革命性更新换代。