IEEE Xplore監控視頻系統新技術文獻計量分析

艾 達, 鄧艷紅, 樊 安, 林 楠

(1.西安郵電大學 公安部電子信息勘查應用技術重點實驗室, 陜西 西安 710121;2.圣塔克拉拉大學 計算機工程系, 加利福尼亞 圣塔克拉拉 95053)

?

IEEE Xplore監控視頻系統新技術文獻計量分析

艾 達1, 鄧艷紅1, 樊 安1, 林 楠2

(1.西安郵電大學 公安部電子信息勘查應用技術重點實驗室, 陜西 西安 710121;2.圣塔克拉拉大學 計算機工程系, 加利福尼亞 圣塔克拉拉 95053)

監控視頻系統是結合視頻編碼、模式識別、信息安全、存儲和網絡傳輸等多項技術匯聚而成的信息系統。通過對IEEE Xplore數據庫最近三年監控視頻領域發表論文的分類整理和文獻計量分析，提出了一個新的監控視頻系統五層功能分類體系框架。對監控視頻領域的研究熱點以及最新技術的應用情況，如無線通信，機器學習，云計算，大數據，高效視頻編碼等，進行了定量地歸納和總結，為該領域的研究工作提供參考依據。

監控視頻; 體系結構;視頻編碼;模式識別;視頻檢索;文獻計量學

監控視頻系統是視頻編碼技術、模式識別技術，網絡安全、信息通信等技術匯集產生的大型信息處理系統。在工業生產[1]、交通管理[2]、公共安全[3]等行業巨大需求的推動下，監控視頻技術得到了快速發展，逐漸從一套簡單的閉路電視系統發展成為一門融合多項現代科學技術的應用領域。吸引了大量的研究者，從多個角度對監控視頻系統開展研究。

這些工作的研究目的，研究內容，采用的研究方法都不盡相同，發表在不同國家、不同期刊、學術會議或網絡空間，數量龐大。現有綜述性論文都是圍繞某一項特定技術而展開[4-5]，可供參考的系統性研究很少，文獻[6]研究過監控視頻系統的分類問題，但存在功能分類概念混淆的問題。因此，有必要從全局角度出發，對近年來最新的研究成果進行歸納和總結，對該領域整體功能結構有一個明確的認識和定義，并為研究者們提供一定的借鑒作用。

在第1節中，介紹構成綜述文獻的選題方式；第2節提出一種新的監控視頻系統體系結構劃分方法，描述了各層次功能；第3節對相關技術最新的應用情況進行定量分析和討論；最后一節總結全文的研究成果。

1 文獻選擇

由于監控視頻系統相關文獻數量龐大，全文閱讀所有文獻資料工作量巨大。利用文獻的標題和摘要作為主要的研究對象，適當限制了研究選題范圍。文獻選擇標準如下：

(1) 文獻均來源于IEEE Xplore網絡數據庫以保證檢索文獻的全面性和權威性。

(2) 主要檢索方式限定為標題里出現“監控視頻”(Surveillance Video)關鍵字，以保證檢索到的文獻與論文研究內容的具有高度的相關性。

(3) 檢索到的文獻來源既包含期刊也包含會議論文，以保證研究課題的新穎性。

(4) 檢索時間限定為2013年至2016年6月期間最新發表的論文，以保證研究成果的時效性。

按以上條件對IEEE Xplore數據庫檢索，共返回367篇文獻，剔除掉重復論文，非學術性論文，共有356篇論文作為研究依據[7]。檢索到的文獻分為會議論文和期刊論文兩類，其中期刊論文47篇，占比13%，會議論文309篇，占比達到87%。將會議論文和期刊論文都作為研究對象，避免了[6]過于注重期刊的權威性而忽略會議論文研究成果更加新穎的問題。

2 監控視頻系統功能層次劃分

文獻[6]從論文摘要結構和關鍵詞角度出發，提出的監控視頻系統六層模型，包含基本概念層(Concept and Foundation Layer)、網絡基礎設施層(Network Infrastructure Layer)、信號處理層(Processing Layer)、信息傳遞層(Communication Layer)、應用層(Application Layer)和用戶交互層(User Interaction Layer)。這樣的劃分方式容易產生功能重疊和歧義。例如該模型的的第一層包含綜述性論文，算法論文等。實際上算法可能涉及處理層的壓縮編碼算法，也可能是信息傳遞層目標檢測算法，從而產生功能概念的混淆。

因此，通過對所有356篇論文[7]摘要的分析，根據其主要實現功能將監控視頻系統劃分為5個相對獨立的層次：基礎設施層、信號處理層、內容識別層、信息檢索層以及應用層，如圖1所示。

圖1 監控視頻系統層次結構

(1) 基礎設施層(Infrastructure Layer)

包括監控信號的采集、傳輸、顯示技術，以及相關的系統設計四個部分:信號采集涉及獲取監控信號時需要處理的攝像機防抖動、色差檢測、陰影去除、信號融合、雙攝像頭拍攝等技術;顯示技術包括多源信號顯示、遠程顯示、高動態顯示技術等;系統設計包含電路系統設計、嵌入式平臺設計、無線監控網絡設計、基于物聯網、基于云平臺的監控系統設計以及造價估計等;傳輸技術包括采用IEEE802.11、LTE等無線傳輸技術應用，以及流媒體技術、路由、復用和內容發布技術。

(2) 信號處理層(Processing Layer)

負責對音視頻信號的處理。信號處理層劃分為預處理、壓縮編碼、信息安全、其他處理技術4個部分:預處理在對視頻編碼前進行濾波、圖像增強、清晰化;壓縮編碼實現對視頻信號編碼，包括提升編碼效率，碼率分配等；信息安全處理用戶隱私保護、信號加密、安全認證、權限管理等；其他處理技術包括壓縮信號的轉碼、并行計算、頑健性信道編碼等。

(3) 內容識別層(Identification Layer)

內容識別層按照對視頻內容的提取順序分為四個部分：前景/后景提取，目標檢測與跟蹤，目標識別和目標分類。

前景/后景技術包括消除相機抖動、陰影等影響提取背景的方法，從壓縮域直接提取背景等方法；目標檢測與跟蹤技術包括對視頻內容的各類目標的檢測，包括物體、行人、車輛、火災和異常事件等，以及對檢測到的對象進行軌跡預測或跟蹤等；目標識別對各類目標包括人臉，動作，異常行為、汽車牌號等對象的辨別；目標分類在目標識別的基礎上，將各類對象進行聚類、計數、群體密度估計等。

(4) 信息檢索層(Retrieval Layer)

對經過內容識別層處理后所提取的人、車輛、事件等視頻對象進一步處理，實現3個主要功能：內容描述、摘要與索引、語義檢索。

內容描述實現對視頻內容對象的元數據處理、語義描述、標記和注解；摘要與索引實現對視頻內容的濃縮、摘要和建立索引功能；語義檢索實現基于事件、運動特性、人臉和多實例的檢索或瀏覽功能。

(5) 應用層(Application Layer)

應用層所涉及的技術是對上述各層多項技術，如信號獲取、傳輸、檢測，檢索的融合，能夠提供或實現具體應用功能。覆蓋面涵蓋了教育，移動安防，能源生產，交通管理，城市管理，環境保護等多個領域，還包括監控系統適用性以及人們對監控系統的態度調查等。

表1 按功能層次劃分的論文列表

3 新技術應用情況

監控視頻系統的5個層次劃分論文數量和百分比如圖2所示。

圖2 發表論文數量按層次分布

通過對論文的歸納和整理，可以發現近3年來監控視頻技術發展具有以下特點。

(1) 智能化趨勢

隨著監控視頻系統呈幾何級數式的部署和數量增長，傳統由操作人員負責監控和響應的工作模式以已無法適于現代化生產和安防的需求，智能化已成為監控視頻系統發展的主要方向。

代表智能化應用的信息檢索層和內容識別層論文合計208篇，占全部研究論文總數的58%。內容識別層所有171篇論文中，檢測跟蹤相關119論文篇，占該層論文的69.6%，占全部論文的33.4%，說明對視頻對象的檢測和跟蹤是當前監控視頻領域最主要的研究內容。

從采用的技術來看，在所有發表論文中，機器學習相關技術，如主成分分析法(Primary Component Analysis，PCA)[8-10]，邏輯回歸(Logistic Regression，LR)[11]，K-means聚類[12-14]，支持向量機(Supportive Vector Machine，SVM )[15-30]，神經網絡(Neuro Network，NN)[31-33]，以及其他聚類(Cluster)、監督/非監督學習(Supervised / Unsupervised Learning)技術等，論文數量為33篇，占論文總數的9.3%。

以上分析數據表明，監控視頻系統智能化趨勢已十分明顯，人工智能技術已逐漸成為主要的研究工具。

(2) 移動化趨勢

監控視頻系統的信號主要采用有線傳輸方式，然而近年來隨著無線局域網技術、第四代無線通信技術(如Long Term Evolution, LTE)的發展，寬帶無線視頻監控系統正成為研究熱點。

在基礎設施層中，傳輸技術模塊的18篇論文中，采用無線傳輸技術的占9篇，占比50%。

應用無線技術進行系統設計的有4篇。使用關鍵字“LTE”的論文有4篇，使用“802.11p”關鍵字的3篇，使用“wireless”關鍵字的5篇。

說明在無線監控視頻系統中，802.11p和LTE傳輸技術是當前主要的研究熱點，這些技術的使用，使采集前端可以靈活地移動部署，擴大了監控視頻覆蓋范圍，促進了車載監控、航空監控等移動監控技術的發展。關于智能手機、平板電腦等移動用戶終端設備相關論文有6篇，表明了監控視頻用戶端的移動化趨勢。

(3) 新技術融合趨勢

監控視頻系統是融合多項技術的綜合性信息系統，近年來涌現出的新技術新方法如無人機(Unmanned Aerial Vehicles，UAV或Drone)、云計算(Cloud)、大數據(BigData/Hadoop)、HEVC(High Efficiency Video Coding，高效視頻編碼)、壓縮感知編碼(Compressed Sensing，CS)等多項技術已成功地在該系統上應用，論文分布的數量，合計39篇(圖3)，占論文總數的11%。

圖3 新技術應用情況

無人機作為新型的移動視頻監控采集設備的載體[34]，通常與無線局域網、LTE等技術結合使用[35-38]，相關論文6篇。

云計算為監控視頻系統提供了基礎的運算和存儲平臺，因此其技術在基礎設施層[39-40]、內容識別層[41]、信息檢索層[42-44]都有所涉及，論文總數為13篇。

大數據提供了強大的平行處理能力，其技術主要應用于信息檢索層。Hadoop作為大數據應用軟件，在監控視頻系統的設計[45]和信息檢索方面都有應用體現。

壓縮感知編碼作為一種新的采樣信號重建方法，針對監控視頻也開展了相應的應用研究，包括對視頻信號的壓縮編碼[46-47]，背景提取[9]，目標檢測與跟蹤等[48]。

H.265/HEVC作為2013年1月發布的新一代視頻壓縮編碼標準，在研究領域已開始取代主流的H.264/AVC。HEVC在視頻壓縮和處理相關研究工作數量7篇已超過H.264/AVC的3篇；在內容識別層面二者論文數量持平，各有3篇；在實際應用方面H.264/AVC有1篇，HEVC為空白，說明HEVC相關芯片制造和技術普及剛起步，實用化案例還不多見。

(4) 研究展望

從基礎設施層角度來看，目前3D技術在監控視頻系統中的應用僅限于利用二維監控視頻圖像生成三維人像和建筑物的圖像。在未來，隨著能獲取深度信息三維監控攝像機的使用，視頻內容的檢測與跟蹤將會更加精確。

高清(High Definition)技術在檢索到的論文中只出現一次，應用于深海勘測[49]，系統由高清攝像機、G bit級光纖傳輸系統，船上監控中心組成。具備4K分辨率的高清監控設備的部署將有效改善視頻對象識別的性能，但同時也為數據傳輸、存儲以及壓縮編碼帶來新的挑戰，相關的研究工作有待加強。

從信號處理層角度來看，由中國提出的國際標準IEEE1857[50](即AVS)，針對監控視頻和會議視頻會議應用的信號特征進行了優化，獲得了比HEVC近一倍的性能提升。隨著AVS相關研究工作的開展，將推動該項標準在國內的普及并提升在世界范圍的影響力。

從內容識別層角度來看，視頻內容智能識別和處理方面，深度學習(Deep Learning)相關技術卷積神經網絡[31-32](Convolutional Neural Networks)和稀疏編碼[51](Sparse Coding)在本次檢索中分別只有兩篇和一篇論文。因此，應用這種人工智能技術實現監控視頻檢測和識別也是未來研究方向之一。

從信息檢索層角度來看，隨著視頻內容識別、特征提取、特征分類技術的成熟，將帶動視頻信息內容檢索相關技術的快速發展，通過建立各類專業化數據庫，如公安行業的刑偵現場勘驗數據庫[52]，將大幅度提升智能化監控視頻在本行業應用效率。

從應用層角度來看，建設高效能低成本的監控視頻系統關鍵在于資源的整合和共享[53]。只有通過標準的制定和推廣普及、各系統之間的互聯互通與信息共享、各種先進技術的深度融合，才能真正發揮監控視頻系統的應用價值。

4 結語

通過對近3年IEEE Xplore數據庫監控視頻相關技術論文的整理和歸納，按照解決的問題或實現的功能對論文進行了分類，并在此基礎上提出了一種監控視頻系統的五層功能體系結構，包括基礎設施層，信號處理層，內容識別層，信息檢索層和應用層。該提功能結構的提出，對監控視頻系統功能層次有了更加清楚的定義，改進了現有劃分方法的不足，為該領域研究者開展相關工作提供了參考，也為監控視頻學科的建設提供了討論和改進的依據。

計量分析了近年來控視頻領域最新技術的應用情況，總結了其技術發展特點具有采集和瀏覽的移動化，檢測和分析的智能化，多項新技術融合化的特點。并對3D、高清、深度學習等技術發展做出了展望。

[1] PEREZ C A, ARAVENA C M, SCHULZ D, et al. Estevez.Automatic Safety Video Surveillance-Tracking System to Avoid Vehicle-Workers Interaction for Mining Applications[C/OL]//2014 International Symposium on Optomechatronic Technologies (ISOT). [S.l]:IEEE,2014:23-27[2016-07-07].http://dx.doi.org/10.1109/ISOT.2014.15.

[2] 林慶帆,李釗杰,劉穎,等. 監控視頻圖像過曝光區域檢測[J/OL]. 西安郵電大學學報，2015,20(6):5-9[2016-07-07].http://dx.chinadoi.cn/10.13682/j.issn.2095-6533.2015.06.002.

[3] 唐德權,史偉奇. 公安網絡視頻監控系統數據挖掘改進算法研究[J/OL]. 警察技術,2013(6):34-37[2016-07-07].http://dx.chinadoi.cn/10.3969/j.issn.1009-9875.2013.06.009.

[4] 黃凱奇,陳曉棠,康運鋒,等. 智能視頻監控技術綜述[J/OL].計算機學報, 2015, 38(6):1093-1118[2016-07-07].http://dx.chinadoi.cn/10.11897/SP.J.1016.2015.01093.

[5] KUSHWAHA A K S, SRIVASTAVA R. Performance evaluation of various moving object segmentation techniques for intelligent video surveillance system[C/OL]//2014 International Conference on Signal Processing and Integrated Networks (SPIN). [S.l.]:IEEE,2014:196-201[2016-07-07].http://dx.doi.org/10.1109/SPIN.2014.6776947.

[6] CHAMASEMANI F F, AFFENDEY L S. Systematic Review and Classification on Video Surveillance Systems[J/OL]. International Journal of Information Technology and Computer Science, 2013,5(7)：87-102[2016-07-07].http://dx.doi.org/10.5815/ijitcs.2013.07.11.

[7] AI D, DENG Y H. IEEE Xplore 2013-2016.6 Research Articles for Surveillance Video[EB/OL]. [2016-09-30].http://ciip.xupt.edu.cn/asp/PaperRead/B_See_PaperZY.asp?id=18.

[8] HAN G, WANG J K, CAI X. Background subtraction for surveillance videos with camera jitter[C/OL]// 2015 IEEE 7th International Conference on Awareness Science and Technology (iCAST). [S.l.]:IEEE, 2015:7-12[2016-07-07].http://dx.doi.org/10.1109/ICAwST.2015.7314012.

[9] LIU Y, PADOS A D. Compressed-Sensed-Domain L1-PCA Video Surveillance[J/OL].IEEE Transactions on Multimedia，2016,18(3):351-363[2016-07-07].http://dx.doi.org/10.1109/TMM.2016.2514848.

[10] BASTANI V, MARCENARO L, REGAZZONI C. A particle filter based sequential trajectory classifier for behavior analysis in video surveillance[C/OL]//2015 IEEE International Conference on Image Processing (ICIP). [S.l.]:IEEE,2015:3690-3694[2016-07-07].http://dx.doi.org/10.1109/ICIP.2015.7351493.

[11] JIN D, LI S, KIM H. Robust fire detection using logistic regression and randomness testing for real-time video surveillance[C/OL]//2015 IEEE 10th Conference on Industrial Electronics and Applications (ICIEA). [S.l.]:IEEE,2015:608-613[2016-07-07]. http://dx.doi.org/10.1109/ICIEA.2015.7334183.

[12] AQEL S, AARAB A, SABRI M A. Traffic video surveillance: Background modeling and shadow elimination[C/OL]//2016 International Conference on Information Technology for Organizations Development (IT4OD). [S.l.]:IEEE,2016:1-6[2016-07-07].http://dx.doi.org/10.1109/IT4OD.2016.7479290.

[13] ASIM K M, MURTZA I, KHAN A, et al. Efficient and Supervised Anomalous Event Detection in Videos for Surveillance Purposes[C/OL]//2014 12th International Conference on Frontiers of Information Technology (FIT). [S.l.]:IEEE,2014:298-302[2016-07-07].http://dx.doi.org/10.1109/FIT.2014.62.

[14] SARDSEHMUKH M M, KOLTE M T, CHATUR P N, et al. 3-D dataset for Human Activity Recognition in video surveillance[C/OL]//2014 IEEE Global Conference on Wireless Computing and Networking (GCWCN).[S.l.]:IEEE,2014:75-78[2016-07-07].http://dx.doi.org/10.1109/GCWCN.2014.7030851.

[15] SOWMIYA D, SAITHEVAKUNJARI P, ANANDHAKUMAR P. Human detection in video surveillance using MBCCA: Macro Block Connected Component Algorithm[C/OL]//2013 Fifth International Conference on Advanced Computing (ICoAC).[S.l.]:IEEE,2013:551-561[2016-07-07].http://dx.doi.org/10.1109/ICoAC.2013.6922011.

[16] MIAO Y Y, SONG J X. Abnormal event detection based on SVM in video surveillance[C/OL]//2014 IEEE Workshop on Advanced Research and Technology in Industry Applications (WARTIA). [S.l.]:IEEE,2014:1379-1383[2016-07-07].http://dx.doi.org/10.1109/WARTIA.2014.6976540.

[17] WANG X, WANG M, LI W. Scene-Specific Pedestrian Detection for Static Video Surveillance[J/OL]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2014,36(2):361-374[2016-07-07].http://dx.doi.org/10.1109/TPAMI.2013.124.

[18] LIN C Y, YEH Cheng-Hao, YEH Chia-Hung. Real-time vehicle color identification for surveillance videos[C/OL]//2014 International Conference on Electronics, Communications and Computers (CONIELECOMP).[S.l.]:IEEE,2014: 59-64[2016-07-07].http://dx.doi.org/10.1109/CONIELECOMP.2014.6808568.

[19] KIRUBA K, SATHIYA P, ANANDHAKUMAR P. Modified RPCA with Hessian matrix for object detection in video surveillance on highways[C/OL]//2014 Sixth International Conference on Advanced Computing (ICoAC). [S.l.]:IEEE,2014:242-247[2016-07-07].http://dx.doi.org/10.1109/ICoAC.2014.7229719.

[20] FANG X Y, XIA Z W, SU C, et al. A system based on sequence learning for event detection in surveillance video[C/OL]//2013 20th IEEE International Conference on Image Processing (ICIP). [S.l.]:IEEE,2013:3587-3591[2016-07-07].http://dx.doi.org/10.1109/ICIP.2013.6738740.

[21] LIEN C C, YU W K, LEE C H, et al. Night Video Surveillance Based on the Second-Order Statistics Features[C/OL]//2014 Tenth International Conference on Intelligent Information Hiding and Multimedia Signal Processing (IIH-MSP).[S.l.]:IEEE,2014:353-356[2016-07-07].http://dx.doi.org/10.1109/IIH-MSP.2014.94.

[22] BILAL M, KHAN A, KHAN M U K, et al. A Low Complexity Pedestrian Detection Framework for Smart Video Surveillance Systems[J/OL].IEEE Transactions on Circuits and Systems for Video Technology,2016,PP(99):1[2016-07-07].http://dx.doi.org/10.1109/TCSVT.2016.2581660.

[23] ARUNNEHRU J, GEETHA M K. Behavior recognition in surveillance video using temporal features[C/OL]//2013 Fourth International Conference on Computing, Communications and Networking Technologies (ICCCNT).[S.l.]:IEEE,2013:1-5[2016-07-07]. http://dx.doi.org/10.1109/ICCCNT.2013.6726526.

[24] TOM M, BABU R V. Rapid human action recognition in H.264/AVC compressed domain for video surveillance[C/OL]//Visual Communications and Image Processing (VCIP). [S.l.]:IEEE,2013:1-6[2016-07-07].http://dx.doi.org/10.1109/VCIP.2013.6706430.

[25] CHEN X J, RUAN Y D, ZHANG P, et al. Vehicle representation and classification of surveillance video based on sparse learning[J/OL]. China Communications, 2014, 11(13):135-141[2016-07-07].http://dx.doi.org/10.1109/CC.2014.7022537.

[26] ZHAN J, ZHANG H F, LUO X N. Fine-Grained Vehicle Recognition via Detection-Classification-Tracking in Surveillance Video[C/OL]//2014 5th International Conference on Digital Home (ICDH). [S.l.]:IEEE,2014:14-19[2016-07-07].http://dx.doi.org/10.1109/ICDH.2014.10.

[27] FLOREZ O, DYRESON C, SHAHABDEEN J. What to Reuse?: A Probabilistic Model to Transfer User Annotations in a Surveillance Video[C/OL]//2013 IEEE 16th International Conference on Computational Science and Engineering. [S.l.]:IEEE,2013:42-49[2016-07-07]. http://dx.doi.org/10.1109/CSE.2013.17.

[28] SALEHIN M M, PAUL M. Summarizing Surveillance Video by Saliency Transition and Moving Object Information[C/OL]// 2015 International Conference on Digital Image Computing: Techniques and Applications (DICTA). [S.l.]:IEEE,2015:1-8[2016-07-07].http://dx.doi.org/10.1109/DICTA.2015.7371311.

[29] MITREA C A, MIRONICA I, LONESCU B, et al. Fast Support Vector Classifier for automated content-based search in video surveillance[C/OL]//2015 International Symposium on Signals, Circuits and Systems (ISSCS). [S.l.]:IEEE,2015:1-4[2016-07-07].http://dx.doi.org/10.1109/ISSCS.2015.7203953.

[30] PANG Z H, JIA K B, FENG J C. A Water Environment Security Monitoring Algorithm Based on Intelligent Video Surveillance[C/OL]//2014 Tenth International Conference on Intelligent Information Hiding and Multimedia Signal Processing (IIH-MSP). [S.l.]:IEEE,2014:191-194[2016-07-07]. http://dx.doi.org/10.1109/IIH-MSP.2014.54.

[31] VIGNESH S, PRIYA K V S N L M. CHANNAPPAYYA S S. Face image quality assessment for face selection in surveillance video using convolutional neural networks[C/OL]//2015 IEEE Global Conference on Signal and Information Processing (GlobalSIP). [S.l.]:IEEE,2015:577-581[2016-07-07].http://dx.doi.org/10.1109/GlobalSIP.2015.7418261.

[32] ZHENG J L, WANG Y W, ZENG W. CNN Based Vehicle Counting with Virtual Coil in Traffic Surveillance Video[C/OL]//2015 IEEE International Conference on Multimedia Big Data (BigMM). [S.l.]:IEEE,2015:280-281[2016-07-07]. http://dx.doi.org/10.1109/BigMM.2015.56.

[33] SARAN K B, SREELEKHA G. Traffic video surveillance: Vehicle detection and classification[C/OL]//2015 International Conference on Control Communication & Computing India (ICCC).[S.l.]:IEEE,2015:516-521[2016-07-07].http://dx.doi.org/10.1109/ICCC.2015.7432948.

[34] MASINI A, MAFFEI M, BRACCI A, et al. Real-time algorithm for video fusion evaluation: Application to surveillance system based on UAV platform[C/OL]//2015 IEEE 1st International Forum on Research and Technologies for Society and Industry Leveraging a better tomorrow (RTSI). [S.l.]:IEEE,2015:326-333[2016-07-07]. http://dx.doi.org/10.1109/RTSI.2015.7325119.

[35] KOLAROW A, SCHENK K, EISENBACH M, et al. APFel: The intelligent video analysis and surveillance system for assisting human operators[C/OL]//2013 10th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS).[S.l.]:IEEE,2013:195-201[2016-07-07].http://dx.doi.org/10.1109/AVSS.2013.6636639.

[36] LIAO Y K, WANG C H YANG D N, et al. Uplink scheduling for LTE 4G video surveillance system[C/OL]//IEEE Wireless Communications and Networking Conference (WCNC). [S.l.]:IEEE,2015:1380-1385[2016-07-07].http://dx.doi.org/10.1109/WCNC.2015.7127670.

[37] WU P H, HUANG C W, HWANG J N, et al. Video-Quality-Driven Resource Allocation for Real-Time Surveillance Video Uplinking Over OFDMA-Based Wireless Networks[J/OL].IEEE Transactions on Vehicular Technology, 2015,64(7):3233-3246[2016-07-07].http://dx.doi.org/10.1109/TVT.2014.2350002.

[38] LLORET J, MCCUE R, WU J. WeSeeYou: Adapting Video Streaming for Surveillance Applications[C/OL]//2015 IEEE 12th International Conference on Mobile Ad Hoc and Sensor Systems (MASS). [S.l.]:IEEE,2015:589-592[2016-07-07]. http://dx.doi.org/10.1109/MASS.2015.65.

[39] SONG B, TIAN Y, ZHOU B Y. Design and Evaluation of Remote Video Surveillance System on Private Cloud[C/OL]//2014 International Symposium on Biometrics and Security Technologies (ISBAST). [S.l.]:IEEE,2014:256-262[2016-07-07]. http://dx.doi.org/10.1109/ISBAST.2014.7013131.

[40] CHEN X, XU J B, GUO W Q. The research about video surveillance platform based on cloud computing[C/OL]//2013 International Conference on Machine Learning and Cybernetics(ICMLC). [S.l.]:IEEE,2013:979-983[2016-07-07].http://dx.doi.org/10.1109/ICMLC.2013.6890424.

[41] THANGAM A J, SIVA P T, YOGAMEENA B. Crowd count in low resolution surveillance video using head detector and color based segementation for disaster management[C/OL]//2015 International Conference on Communications and Signal Processing (ICCSP). [S.l.]:IEEE,2015:1905-1909[2016-07-07]. http://dx.doi.org/10.1109/ICCSP.2015.7322856.

[42] CAMBOIM H B, VENANCIO NETO A J. Cloud enabled Smart video-Surveillance providing public safety assistance for vehicles[C/OL]//2015 Latin American Network Operations and Management Symposium (LANOMS). [S.l.]:IEEE,2015:109-110[2016-07-07]. http://dx.doi.org/10.1109/LANOMS.2015.7332680.

[43] CHEN Y L, CHEN T S, HUANG T W, et al. Intelligent Urban Video Surveillance System for Automatic Vehicle Detection and Tracking in Clouds[C/OL]//2013 IEEE 27th International Conference on Advanced Information Networking and Applications (AINA). [S.l.]:IEEE,2013:814-821[2016-07-07]. http://dx.doi.org/10.1109/AINA.2013.23.

[44] CHEN T A, LIN M F, CHIEUH T C, et al. An intelligent surveillance video analysis service in cloud environment[C/OL]//2015 International Carnahan Conference onSecurity Technology (ICCST).[S.l.]:IEEE,2015:1-6[2016-07-07]. http://dx.doi.org/10.1109/CCST.2015.7389648.

[45] ZHANG H T, HU S X, XU H, et al. Design of embedded video surveillance system based on quantum cryptography[C/OL]//2014 IEEE Workshop onAdvanced Research and Technology in Industry Applications (WARTIA). [S.l.]:IEEE,2014:914-918[2016-07-07]. http://dx.doi.org/10.1109/WARTIA.2014.6976422.

[46] ZONOOBI D, kASSIM A A. Low rank and sparse matrix reconstruction with partial support knowledge for surveillance video processing[C/OL]//2013 20th IEEE International Conference on Image Processing(ICIP). [S.l.]:IEEE,2013:335-339[2016-07-07]. http://dx.doi.org/10.1109/ICIP.2013.6738069.

[47] ZHANG S W, LIN Y P, LIU Q. Secure and Efficient Video Surveillance in Cloud Computing[C/OL]//2014 IEEE 11th International Conference on Mobile Ad Hoc and Sensor Systems(MASS). [S.l.]:IEEE,2014:222-226[2016-07-07]. http://dx.doi.org/10.1109/MASS.2014.37.

[48] RAMESH L, SHAH P. R-SpaRCS: An algorithm for foreground-background separation of compressively-sensed surveillance videos[C/OL]//2015 12th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS). [S.l.]:IEEE,2015:1-6[2016-07-07]. http://dx.doi.org/10.1109/AVSS.2015.7301773.

[49] WANG H L, CAI W Y, YANG J Y, et al. Design of HD video surveillance system for deep-Sea biological exploration[C/OL]//2015 IEEE 16th International Conference on Communication Technology (ICCT). [S.l.]:IEEE,2015:908-911[2016-07-07]. http://dx.doi.org/10.1109/ICCT.2015.7399971.

[50] GAO W, TIAN Y H, HUANG T J, et al. The IEEE 1857 Standard: Empowering Smart Video Surveillance Systems[J/OL].IEEE Intelligent Systems，2014,29(5):30-39[2016-07-07].http://dx.doi.org/10.1109/MIS.2013.101.

[51] WANG J Q, FU W, LU H Q, et al. Bilayer Sparse Topic Model for Scene Analysis in Imbalanced Surveillance Videos[J/OL].IEEE Transactions on Image Processing,2014,23(12):5198-5208[2016-07-07].http://dx.doi.org/10.1109/TIP.2014.2363408.

[52] 劉穎,范九倫,李宗,等. 現勘圖像數據庫檢索技術實例探討[J/OL]. 西安郵電大學學報,2015,20(3):11-20[2016-07-07].http://dx.chinadoi.cn/10.13682/j.issn.2095-6533.2015.03.002.

[53] 夏宇. 淺述公安視頻監控系統現狀與發展要求[J/OL]. 中國安防,2014(20):86-89[2016-07-07].http://dx.chinadoi.cn/10.3969/j.issn.1673-7873.2014.20.021.

[責任編輯:陳文學]

Bibliometric analysis of the novel techniques for surveillance video system based on IEEE Xplore

AI Da1, DENG Yanhong1, FAN An1， LING Nan2

(1. The Key Laboratory of Electronic Information Application Technology of Site-survey of The Ministry of Public Security,Xi’an University of Posts and Telecommunications, Xi’an 710121, China;2. Department of Computer Engineering, Santa Clara University, California, Santa Clara 95053, USA)

Surveillance video system is a comprehensive information system that covers the research area of video coding, pattern recognition, information security, storage, and network transmission. Research articles for surveillance video that have been published by IEEE Xplore in recent three years are surveyed and analyzed. A novel function classification framework with five layers is proposed. The application of cutting-edge technology in surveillance video system, covering the areas of wireless communication, machine learning, cloud computing, Big Data, high efficient video coding, etc., are quantitatively summarized. The result of the overview could help researchers in related research fields.

surveillance video, system architecture, video coding, pattern recognition, video retrieval bibliometric analysis

10.13682/j.issn.2095-6533.2016.06.013

2016-08-29

國家自然科學基金資助項目(61202183)；公安部科技強警專項資助項目(2016GABJC51)

艾達(1973-)，男，博士，副教授，從事數字視頻圖像處理研究。E-mail:aida@xupt.edu.cn 鄧艷紅(1988-)，女，碩士研究生，研究方向為刑偵圖像處理。E-mail: 2522034984@qq.com

TP277

A 文章編號：2095-6533(2016)06-0065-08

限制，以上5個功能層次劃分所對應的全部論文可根據表1中的

由文獻[7]獲取。