視頻內容分析技術剖析及在校園視頻監控系統的應用探討

段長征

(中國石油大學(華東)公安保衛處，山東 東營 257061)

1 前言

校園安防監控系統一般由視頻監控、火災探測和入侵檢測等3大系統組成，由于近年來對校園安全的關注，隨著“平安校園”工程的實施，各高校基本都建立了覆蓋全面的視頻安防監控系統，視頻監控系統中攝像機一般有100－400多臺，覆蓋了校園的重要區域、通道和關鍵部位。由于視頻監控大量的應用，雖然帶來了很大的便利，但是也給監控人員帶來很大工作量，面對前端如此眾多的監控畫面，很容易導致值班人員的疲勞，無法及時發現異常情況，這是由人類的生理局限性所決定的，因此導致視頻監控更多的時候作為一種事后錄像分析和舉證手段，即便如此，在大量的錄像資料中檢索相關的特定視頻片段也是一件非常困難的事情。

基于計算機高速圖像處理技術的視頻內容分析使監控系統不僅能夠“看到”，而且能夠“知道”圖像的內容，對圖像中特定的物體(行人、車輛等物體)和指定的監控區域進行分析，并根據制定的規則進行判斷，如果圖像內容符合規則或者偏離規則，監控系統會主動發出提示、報警，并記錄，使值班人員能夠及時的從大量的實時圖像畫面中發現異常并及時處理，提高視頻監控效率和效果。

視頻內容分析技術在視頻監控系統的應用將改變傳統的視頻監控模式，成為目前監控技術的發展熱點之一，為此我們對該技術進行了剖析和研究，并且在校園安防系統中進行了初步的應用［1－2］。

2 視頻內容分析技術應用現狀

隨著數字視頻矩陣、數字硬盤錄像機和網絡攝像機的普及和應用，視頻監控系統早期的模擬系統向數字系統快速演化，為視頻內容分析提供了技術實現的可能和必要的基礎。移動偵測VMD(Video Motion Detection)技術是早期應用的視頻分析技術之一，它能夠提供簡單的入侵檢測。由于移動偵測采用相鄰幀圖像像素比對的方法實現，如果像素變化幅度超過設定閾值，就可以觸發報警。VMD技術檢測的是畫面的變化，僅僅實現了入侵檢測功能，對目標跟蹤、分類和識別方面有缺陷，因為風、霧、雨、雪等氣候因素和PTZ的運動容易產生誤報，對緩慢移動物體容易漏報，但是其算法簡單，對硬件要求不高，因此在大多數DVR中都有此項功能設計，但在實際監控系統實施中應用不多。

基于圖像內容的視頻分析技術采用了動態圖像處理，可以有效的分離監控目標和背景，利用模式識別技術并自動匹配目標特征，智能分析目標行為，使視頻監控系統具備了圖像分析功能。其工作原理和機制如圖1所示。

圖1 視頻分析技術框架原理Fig.1 The framework principles of video analysis technology

技術實現的具體描述為:①背景建模后，剝離背景，將目標從背景中提取;②判定目標尺寸、顏色等特征;③目標逐幀跟蹤并記錄目標位置、速度、軌跡及滯留時間;④判定目標行為，當行為符合預置規則，則觸發報警。其算法流程如圖2所示:

3 背景剝離技術

背景減除方法是目前運動檢測中最常用的一種方法，它利用當前圖像與背景圖像的差分來檢測出運動區域。背景建模是背景減除方法的技術關鍵，即從一系列視頻圖像中準確找到屬于背景的部分，并且存儲為背景圖像。最簡單的背景模型是時間平均圖像，但是模型的通用性比較差，對場景內圖像發生的變化比較敏感，例如陽光照射方向、影子、樹葉隨風搖曳等。王陳陽等［3］提出一種建立在對視頻序列中的整個背景情景的統計描述基礎上的運動目標的檢測方法。采用自適應模型，使模型的參數隨著場景情況的變化而變化。文中利用視頻序列的當前背景和當前幀的加權平均值來更新背景。選取當前幀作為參考圖像，用當前幀和背景圖像做差分，如果當前幀中沒有運動目標，就用當前幀圖像直接對背景模板進行更新，以適應光線的變化;如果當前幀中含有運動目標，就維持目前的背景。這一方法能夠適應快速的場景變化，實時性很高。

圖2 視頻分析算法流程Fig.2 The algorithm approach of video analysis

經過背景剝離，分離出前景目標，從而確保下一步對監控對象行為的有效判斷，如圖3所示。

圖3 背景剝離效果Fig.3 The effect of background dissection

4 前景目標處理

對于前景目標，需要進一步進行分析處理。在連續多幀圖像之間建立基于位置、速度、形狀、顏色等屬性特征的匹配關系，對目標進行跟蹤處理。在跟蹤過程中，不斷將目標信息與監控系統的過濾規則比對，提取出“感興趣”的有效目標，并對其進行記錄和分析。該過程一般采用直方圖算法處理前景目標圖像，目標的跟蹤算法多采用Blob和MeanShift法，其目的就是獲取目標的動態屬性，為之后的分析提供分析數據［4－5］。

5 目標分析

在視頻分析過程中，分類是成功跟蹤目標的重要過程，其實質上是從語義意義上選取典型物體，比如人、動物、車輛等，將視頻檢測的運動目標分類為事前預定義的類別。該過程需要對系統進行模型訓練，利用已知目標特征建立模型，并與檢測目標匹配特性，匹配時首先用形狀、顏色、尺寸等特性過濾，然后用速度、軌跡變化等動態特性與系統模型匹配，從而盡可能精確的定位需要跟蹤的目標。

圖4 目標跟蹤與分類示例Fig.4 The target tracking and classification examples

6 行為分析與事件檢測

在上述背景剝離、目標跟蹤、識別分類等處理基礎上，將采集的目標信息與系統預設的判定規則比對，根據時間、目標位置、速度、大小、形狀、顏色、運動軌跡等因素，實現視頻分析的最終事件判定，例如:入侵、越界、物品遺失、徘徊、煙塵等事件，以及人臉識別、車牌識別等取證記錄，并可以完成諸如流量統計、區域人群統計等工作。

徘徊檢測是通過計算在一定時間內移動目標進出設定區域次數或者區域內移動、滯留時間;跨線檢測是檢測運動目標穿越警戒線的行為，支持方向判斷，可用于越界檢測、入侵檢測等場合，如圖5所示。通道流量統計是計算穿越檢測線的行人或車輛數量，可以實現雙向流量統計。通過對設定區域內的移動目標密度進行檢測，不統計區域內的具體人數，可以實現人群聚集就判定，如圖6所示。

圖5 徘徊檢測和越界檢測Fig.5 Wandering detection and cross－ border detection

7 視頻分析的實施架構

在視頻監控系統中，由于視頻分析具有不同的產品形態和架構方式，可以在前端設備中加入視頻分析模塊，也可以在后端監控中心的服務器中加入相應軟件模塊。其內部技術實現基于兩種不同的系統架構，一種是基于嵌入式平臺，多采用DSP芯片執行算法;一種是在服務器上利用CPU資源執行相應算法。

由于大多數校園視頻監控系統都已經基本建成，對前端設備和線路的升級和改造成本太高，而且，由于實施成本及實際需要，也不必在每路視頻都進行視頻分析，因此，多采用在監控中心加入嵌入式視頻分析模塊的方式來實現。

圖6 流量統計和人群聚集判定Fig.6 Flow statistics and the crowd gather judgment

校園視頻監控有其自己的特點，主要體現在監控對象無論是人、財、物等類型多樣、監控目標密度高、安防系統需要在視頻、火災、防盜入侵檢測系統的聯動等方面。根據這些特點和視頻分析功能特點，可以將視頻分析模塊主要布置在校門及各樓館大門、主要校園道路路口、重點實驗室等要害部位。一方面可以充分發揮視頻分析模塊的智能特性，將原有的視頻監控系統智能化，大幅度減輕值班人員的工作負擔;另一方面可以實施多系統聯動，將原有的防火、防盜入侵檢測系統與視頻監控系統聯為一體，實現視頻矩陣智能切換、報警相互驗證，從而大幅度降低誤報率和漏報率，使安防系統原型更加穩定可靠。

8 總結

由于視頻內容分析技術正在不斷的發展和完善中，在實施中，需注意如下幾點:

在攝像機安裝時，安裝高度決定鏡頭視角，在室外不低于3.5米，室內應該在2.5－5米之間。調整攝像機視角和焦距，避免畫面中重要目標的遮擋，以確保攝像機獲取更多的視頻信息，而且要避免樹葉、水面等容易產生大量變化的背景畫面出現，更要避免有強光直射鏡頭。為了更可靠的進行有效的視頻分析，要使攝像機視線與目標移動方向盡量垂直，要保證畫面成像質量，在室外高架安裝時，穩固非常重要，應盡量避免震顫和抖動。

對于攝像機，要保證清晰度，確保輸入視頻分析模塊的圖像質量，對于存在現場照度不足、逆光、強光直射等問題，要采用具備低照度、補光、日蝕型等特性的攝像機。

要設置根據具體現場需求，設定合理的分析判定規則，比如設置的入侵型警戒線必須與目標運動軌跡盡量垂直相交，而且要避開容易引起誤報的背景物體。設置的警戒區域盡量避開強光和陰影的干擾。

在校園視頻監控系統的技術升級中，實施視頻分析技術取得了良好的效果，不僅有效的提升了監控的效果，降低了值班人員的工作強度、提高了工作效率，而且極大的降低了誤報率和漏報率，豐富了安防系統的功能，成為智能化安防系統的重要手段。

隨著計算機圖像處理技術的飛速發展，視頻分析技術必將更加智能、完善，在校園安防監控系統中發揮更大的作用。

［1］劉志紅，駱云志.智能視頻監控技術及其子安防領域的應用［J］.兵工自動化，2009，(4):75－78

［2］李立仁，李紹軍，劉忠嶺.智能視頻監控技術綜述［J］.中國安防，2009，(4):89－95

［3］王陳陽，周明全，耿國華.基于自適應背景模型運動目標檢測［J］.計算機技術與發展，2007，17(4):21－26

［4］周政，劉俊義，馬林華，等.視頻內容分析技術［J］.計算機工程與設計，2008，29(7):1766－1769

［5］徐向麗，陳躍林.視頻分析技術的研究和應用［J］.現代計算機，2008，(7):65－69