視頻智能分析在消防安全隱患排查系統中的發展應用

□文/李玉華 周昕 孫曠野

消防安全隱患管理中的痛點

隨著城市化進程的加快，消防安全隱患排查問題成為各級安全管理部門必須面對的一大難題；傳統消防安全隱患排查靠人工巡檢，不僅效率低下，發現不及時，而且工作負荷重，效果不明顯。常見的消防安全隱患有：消防控制室值班人員存在脫崗現象；部分消防控制室值班人員未持證上崗；電瓶車違規停放，有的甚至放在室內、過道或樓梯間等區域；消防通道、安全出口被占用或堵塞等等。電瓶車隨意停放隱患大，容易引起火災事故；消防控制室值班人員行為不規范，會導致火情處理不及時；消防通道、安全出口不順暢，一旦火情發生，阻礙生命通道，危及生命財產安全。

視頻智能分析消防隱患排查系統

視頻監控技術經過數字化、網絡化、高清化，已經到了智能化時代。隨著人工智能的快速發展，特別是深度學習技術的出現，視頻智能分析技術真正得到了廣泛認可和應用。視頻監控在現代社會中廣泛應用，而且在各行各業中越來越重要。對這些已有的海量視頻進行后端智能分析，提取關鍵事件信息，能大大提高檢索效率。

本文將消防隱患排查業務與視頻智能分析技術相結合，研發一套視頻智能分析消防隱患排查系統；系統可對監控視頻實時智能分析，一旦發生消防安全隱患事件，及時上報，并聯動視頻進行人工復核，可實現對消防安全隱患的有效管理，大大提升了安全隱患排查效率。該系統同時貼合消防業務場景，對算法進行優化，不斷迭代，提升算法的準確率。

系統組成

系統可接入主流監控廠家前端IPC設備，對接入的實時視頻流進行解碼處理，然后發送至帶有專業AI芯片的視頻智能分析儀進行數據分析，一旦滿足報警觸發條件，系統將報警事件上傳到中心，收到報警后，中心平臺實時視頻彈窗，便于人工復核，第一時間排除誤報，并了解現場實際情況。

技術路線

本系統采用基于深度學習的視頻智能分析技術，有效提升了算法準確率，場景適應性也提高了。傳統智能算法是人工來設計特征，不同角度、不同光照下的很多特征很難被發現，所以，雖然傳統智能算法有時能夠在特定環境和時間下表現出良好的性能，但只要畫質、環境等條件發生改變，準確率可能就會出現明顯的下降，而深度學習可以自主提煉出更豐富更適合的特征參數，具有更強的抗環境干擾能力。

深度學習讓智能識別種類更豐富，理論上只要有足夠多的樣本進行訓練，深度學習都能夠實現比較精準的目標分類識別，自主特征學習的特點又讓深度學習特別適合用于抽象、復雜的目標特征，以及行為分析領域。因此對于消防隱患的識別，例如電瓶車檢測、消控室人員行為規范等，采用深度學習效果更好。

實際應用中充分考慮利舊，保持原有系統網絡架構不變。以易出現消防安全隱患的點位為視頻源，接入到后臺進行處理分析。隱患事件信息及時上報，并聯動實時視頻進行復核，排除誤報。保存歷史事件，包括報警錄像，方便后續查詢和處理。通過統計分析，既可發現高頻隱患事件，也可發現易發生安全隱患的高頻點位信息。視頻智能分析系統主要實現以下功能：

碼流接入：支持主流編碼格式H.264和H.265的前端攝像機接入，支持標準RTSP和ONVIF協議接入，兼容市面上主流廠家攝像機品牌，對輸入碼流進行解碼處理。

視頻顯示：支持HDMI高清視頻輸出，多畫面顯示。

碼流存儲：支持對接入碼流進行全天存儲和報警錄像，存放報警前后10秒內的視頻

參數配置：包括算法配置、通道配置以及設備配置。算法配置除了設置算法類別外，還支持屏蔽區域，易誤報或不感興趣區域可設置成屏蔽區域，減少干擾；算法靈敏度和事件持續時間閾值也可以設置，這樣更加靈活，適應更多場景。

智能分析：基于深度學習算法，實時檢測當前接入視頻存在的消防安全隱患，事件持續時間超過設置的閾值時上傳報警，通過客戶端、Web以及手機APP等方式來推送。

消防安全隱患排查應用

消防控制室值班人員離崗檢測：系統對檢測區域進行智能分析，當檢測到值班人員少于指定人數，并且超過設定的時間，系統觸發離崗報警，并保存對應的報警圖片與報警前后一段時間的視頻。

消防控制室值班人員未持證上崗檢測：消防控制室值班人員未經過消防安全培訓上崗的，一旦發生火災事故，不能或者不會操作火災報警控制器，消防控制室也將形同虛設。系統檢測到持證值班人員少于規定人數時，并且超過設定的時間，系統觸發報警，并保存對應的報警圖片與報警前后一段時間的視頻。

消防通道被占用檢測：當檢測區域中消防通道被占用超過設定的時間，系統觸發報警并保存對應的報警圖片與報警前后一段時間的視頻。消防通道、消防登高車場地、疏散通道以及安全出口等區域都適用，檢測到被占用時及時報警。

電瓶車未按規定位置停放檢測：對檢測區域內的目標進行智能分析，檢測到電瓶車而且停放超過設定的時間，觸發報警并保存對應的報警圖片與報警前后一段時間的視頻。電瓶車上樓或未停放在規定區域，是比較大的安全隱患。

方案技術創新點

安消一體化應用創新。本系統在一套軟硬件基礎上融合了多種算法，涵蓋了消防隱患管理的許多痛點。例如消防控制室值班人員行為不規范（包括離崗、持證上崗人員不足），電瓶車不按規定位置集中放置，電瓶車進電梯，消防設施例如滅火器缺失，消防通道被占用等。采用深度學習，通過積累素材，可不斷優化算法或增加新算法。本系統將視頻、人工智能技術和消防業務相融合，實現消防場景的可視化管理，滿足安消一體的業務應用需求。

模塊化設計。本系統采用穩定易用的硬件和軟件，具備出色的模塊化設計，可靈活配置系統算力。集成的算法倉庫設計可靈活加載實際應用需要的算法，資源按需配置。本系統無需借助任何專用維護工具，既降低了管理人員專業知識的培訓費用，又節省了日常頻繁地維護費用。設備采用嵌入式設計，整體性能更穩定，總功耗更低，節能環保，在很大程度上節省用戶的運維成本。另外本系統充分考慮實用性和兼容性，兼容各主流視頻監控廠家的設備碼流。

結束語

當前具備感知能力的AI攝像頭越來越普遍。將算法前置到攝像頭，未來也會有很多的場景可以應用。同時基于視頻的智能分析有望進一步拓展，在消防場景中得到更廣泛的應用。一方面和實際場景貼合更緊密，解決碎片化的應用需求，例如加油站防火、森林防火等。另一方面應用領域更廣泛，解決管理痛點，例如消防隊員動作和姿態的自動考評。這些都是視頻智能分析技術在未來可能的拓展方向。

同時也能讓攝像頭自身集成算法，從而逐漸超越了視頻監控和錄像存儲本身，在越來越多的行業應用中擁有了感知能力。