摘要：在当今社会中，视频监控系统的应用已经非常广泛，都在很多领域中都发挥了重要的作用。但是，视频监控系统固然能够实现实时监控，但是在传统监控模式中，监控人员的工作负荷非常重，需要从非常庞杂的监控内容中找到关注的重点，这是事实也使得监控的价值并未得到完全的体现。随着智能化的不断发展，可以由监控系统通过对系统所获的图线展开自主分析，进而作出相应的处理，这对于更好的发挥监控效果，无疑具有至关重要的价值。基于此，本文将重点探讨智能视频监控系统中视频图像分析的关键技术，希望本文的内容能够对相关人员有所帮助。
关键词：智能视频监控；图像分析；技术
引言
视频监控在当前各个社会领域有着非常广泛的应用。但是，传统的监控技术和监控模式存在着一定的弊端，其问题就是只能通过摄像头对发生的实践予以记录，而对监控的内容的分析和处理，依然离不开人工作业。这一方面导致监控人员的工作强度极大，常常需要面对多个监控画面保持高度注意力，有时候稍一走神导致错过关键信息；另一方面人工作业无法保证信息的全面利用，也让监控系统的价值没有得到充分体现。随着高清摄像技术的日趋成熟，以及智能化技术的不断发展，人们一直在探索探索如何更好的发挥视频监控的价值。通过智能化技术的运用由系统对视频图像实施自主分析和处理，这就能够非常有效的弥补传统监控的弊端[1]。要实现视频图像分析，必须要充分结合计算机视觉技术、人工智能技术等多种技术，其中更存在着一些技术难点。基于此，本文将针对智能视频监控系统中视频图像分析的关键技术展开讨论。
1智能视频图像分析的关键技术
与传统视频监控系统相比，智能视频监控系统是“智能化”时代的产物，其最主要的优势体现在系统能够针对视频监控画面展开分析，从而识别、发现、理解画面的内容，进而做出相应的反应。就智能视频图像分析来说，不仅包括了常规的图像处理技术，还包括了诸如目标检测、模式识别、信号处理等相关技术，只有将各种技术综合运用，才能够真正实现系统图像分析，将监控中的关键信息从中分离出来[2]。就智能视频图像分析的关键技术来看，主要体现在以下的四个方面。
1.1目标获取
对于视频监控画面来说。其中的信息量非常大；智能视频监控如何才能够迅速有效的获取监控目标。就当前智能监控的相关技术发展来看，绝大多数视频智能分析，都是以未压缩图像格式来作为分析基础而实现的，比如针对RGB或YUV展开的[3]。也就是说，视频监控获取的图像，在未经过压缩的前提下将其传送给图像分析单元。作为视频分析系统，必然具备图像采集功能，这一功能当前大多数都是以BNC（Bayonet Neill Concelman）输入来实现的。通过这样的一个过程，包括目标信息在内的全部监控信息均被输入分析系统。
1.2目标检测
目标检测对于智能视频监控来说，具有非常重要的意义。目标检测的关键，是要通过目标检测算法，将获得的食品序列中的动态像素与静态像素分离。我们知道，在监控视频获得的画面中，并非所有目标都是静止的；所以针对非静止目标，必须以“运动”特征来实现目标检测，在这个过程中对于背景无需给予特别关注，而是以快速运动检测来完成相关目标的提取，从而完成目标检测这一功能。
就当前针对运动目标的检测方法来看，较为常用的方法有三种，一种是光流法，一种是帧差法，另外一种是背景差分法。所谓光流法，就是对画面中的每一像素，都给与相应的速度矢量，然后通过判断特定时间点像素的位置与三位物体的点来判断其运动，从而实现动态分析。所谓帧差法，就是通过对比相邻帧、相隔帧画面发生的变化，再通过阀值方法对运动区域实施提取，进而获得运动目标。所谓背景差分法，就是实现完成背景的输入，然后将实时监控图像与背景进行差分，再运用阀值分割，最终得到运动目标。
期刊文章分类查询,尽在期刊图书馆
1.3目标追踪
对于智能视频监控系统来说，目标追踪就是要做到在每个画面中，都能够对同一对象的位置有明确的分辨，这就构成了其运动轨迹的追踪。然而实际场景来说，目标的影响因素非常多，包括光线、遮挡、角度、杂波等等都会对追踪造成影响；所以必须要通过对目标的位置、形状、运动、姿势等全方位实施匹配，才能够实现目标追踪。
当前应用较为广泛的目标追踪技术，主要有以下几种：第一，基于区域的追踪。这种方法就是在相关区域中通过与目标模板的对比，通过计算潜在目标与模板的相似度，进而来判断目标的运动情况。第二，基于活动轮廓的追踪。这种方式是以能量最小化原理作为技术依据的，通过对目标的轮廓的最终来实现的，但是这种方法对于微小变化有较高的敏感性，容易受到噪声影响，而且对于高度移动的目标，难以发挥较好的效果。第三，基于特征的追踪。这种方式的依据是最优匹配原则。通过对某一物体的多个特征实施匹配的方式来完成跟踪，这种方法啊最大的优势在于，当其中的一个或几个特征无法获取的情况下，依然可以通过其他特征的匹配来进行判断和追踪。
1.4目标行为识别
行为识别，是智能视频监控的最核心的内容，也是其直接目的所在。就是要通过目标行为识别，来判断行为是否属于正常。当前目标行为识别，主要是三个方面来是综合分析，一是对静态状态的识别，二是对运动行为的识别，三是复杂事件的分析，然后通过整合分析得出相应的结论。
2智能视频图像分析的技术难点
当前，智能视频监控已经在生活中有一定的应用，并且也获得了良好的效果。但是其问题也普遍存在，主要的技术难点体现在三个方面。
2.1实时性
对于监控系统来说，无论是图像的采集，还是图像编码与传输，一定都存在着延迟性。另外，智能视频图像分析同样需要经过大量的计算分析才能够得出相应的结果。所以，如果要满足视频监控的实时性要求，就必须要大幅降低智能监控算法系统的算法难度，缩减计算时间。然而就实际情况来看，高清摄像获得的图像，动辄十万、百万像素，这必然需要分析时间。在智能视频图像分析中，目标检测是耗时最长的内容；如果需要大幅缩短时间，只能依靠特殊硬件来实现。所以实时性在实际应用中难以得到满足。
2.2稳健性
智能视频监控系统的另一个难以克服的难点就在于其稳定性。因为视频监控潜在的影响因素众多。要实现稳健的图像分析，首先必须要获得稳健的图像，然而无论是实际环境、光线条件、天气状况、还是监控的硬件、摄像的角度，乃至相关参数都会造成一定影响。这些影响因素的变化，会让系统的分析出现偏差，造成稳健性问题。
2.3场景规则确定
同一目标的运动，在一些场景中是正常内容，在另一些场景中就是异常内容。如何对其作出定义，就需要确定场景规则。这也是智能视频监控的有大难点。需要设计者实现将规则在系统中作出明确定义，才能让系统针对不同场景作出不同判断。然而，世界上场景难以计数，所以要实现这一目标非常困难。
3小结
综上所述，智能视频监控系统的推广应用，需要以视频图线分析技术作为前提。然而，在该技术的实现过程中，还存在着很多方面的不足；所以针对这些关键技术和技术难点，应当持续深入研究，使智能视频监控不断完善，以发挥其更大的价值。
参考文献：
[1]冀燕丽，段海涛.智能视频监控系统中视频图像分析的关键技术研究[J].中国信息化，2019（02）：46-49.
[2]马文学，单亚飞.智能视频监控系统中视频图像分析的关键技术研究[J].通信电源技术，2019，36（09）：128-129.
[3]刘志强，孙益彤，杨文良.基于智能图像分析的视频质量诊断系统关键技术研究[J].信息通信，2015（12）：140-142.
论文作者:董久玮
论文发表刊物:《基层建设》2019年第28期
论文发表时间:2020/1/16
标签：目标论文; 图像论文; 智能论文; 视频论文; 监控系统论文; 技术论文; 视频监控论文; 《基层建设》2019年第28期论文;