基于智能視頻監(jiān)控的安防系統(tǒng)設(shè)計(jì)（二）

　　3 智能視頻分析的實(shí)現(xiàn)

　　對視頻圖像的采集、分析工作主要由前端攝像機(jī)內(nèi)置的嵌入式微處理器來完成。 這種數(shù)據(jù)處理方式可以使得系統(tǒng)對原始或最接近原始的圖象進(jìn)行分析，第一時(shí)間做出快速而準(zhǔn)確的判斷。

　　一個(gè)完整的視頻圖像分析處理過程需要融合圖像處理技術(shù)、模式識別技術(shù)等多種技術(shù)手段才能達(dá)到較好的實(shí)踐效果。 其工作過程包括圖像的預(yù)處理、圖像分割、特征提取和圖像分類，工作流程圖如圖3所示。

　　系統(tǒng)的圖像識別設(shè)計(jì)借鑒運(yùn)動檢測的思路來實(shí)現(xiàn)：首先根據(jù)各坐標(biāo)的像素值在整個(gè)序列中的統(tǒng)計(jì)信息對背景進(jìn)行恢復(fù)，如有異常情況，則提取出來;然后再利用統(tǒng)計(jì)方法識別該異常情況的所屬類別。

　　圖像的識別主要運(yùn)用幀間變化檢測方法來實(shí)現(xiàn)，其基本流程分為：

　　(1)圖像預(yù)處理，根據(jù)圖像的模糊情況采用各類特殊技術(shù)來突出圖像中的某些細(xì)節(jié)信息并削弱或消除無關(guān)信息，從而達(dá)到增強(qiáng)圖像的整體或局部特征的目的。

　　(2)圖像的背景恢復(fù)及異常提取，根據(jù)各坐標(biāo)處像素值在整個(gè)序列中的統(tǒng)計(jì)信息對圖像背景進(jìn)行恢復(fù)，然后利用當(dāng)前幀與恢復(fù)出來的背景相減，提取出發(fā)生了異常情況的區(qū)域;(3)圖像分類，利用當(dāng)前幀與恢復(fù)出來的靜態(tài)背景相減，提取出所有可能發(fā)生了異常情況的區(qū)域。

　　3.1 圖像預(yù)處理

　　常見的圖像增強(qiáng)從處理的作用域出發(fā)，可分為空間域和頻率域兩大類，其中空間域增強(qiáng)是直接在圖像所在空間中進(jìn)行處理，對圖像的像素灰度值直接進(jìn)行運(yùn)算處理。 空間域圖像增強(qiáng)技術(shù)可用公式1來描述：

　　式中：F(x,y)為處理前的圖像，G(x,y)為處理后的圖像，H(x,y)為空間運(yùn)算函數(shù)頻率域圖像增強(qiáng)是將原空間的圖像以某種形式轉(zhuǎn)換到其他空間，然后利用該轉(zhuǎn)換空間的特有性質(zhì)進(jìn)行處理，最后再轉(zhuǎn)換回原空間中。 其過程可用圖4來描述：

　　3.2 圖像背景恢復(fù)及異常提取

　　視頻序列的幀與幀之間有很強(qiáng)的相關(guān)性，如果只利用單幀信息來進(jìn)行分析處理，錯誤率很高，當(dāng)前分析效果較好的方法是聯(lián)合多幀進(jìn)行處理。 基于這一思想，可以根據(jù)各個(gè)坐標(biāo)處像素值在整個(gè)序列中的統(tǒng)計(jì)信息對背景進(jìn)行恢復(fù)。 文中設(shè)計(jì)的系統(tǒng)采用靜態(tài)背景恢復(fù)進(jìn)行處理：

　　首先，我們將圖像序列定義為B(x,y,i)，其中x,y代表空間坐標(biāo)，i代表幀數(shù)(i=1, …， N)，N為序列總幀數(shù)。 視頻幀差CDM反映了相鄰幀之間的灰度變化：

　　式中：閾值T用來去除噪聲。 對固定的坐標(biāo)位置(x,y)，CDM(x,y,i)可以表示為幀數(shù)i的函數(shù)，它記錄了像素點(diǎn)(x,y)沿時(shí)間軸的變化曲線。 可以根據(jù)CDM(x,y,i)是否大于零將這條曲線分段，并將其用集合

表示。

　　系統(tǒng)操作步驟具體為：

　　(1)讀出相鄰兩幀數(shù)據(jù)，進(jìn)行比較，并計(jì)算出它們的差值;(2)對得到的兩幀圖像差進(jìn)行二值化處理，將二值化后的圖像在特定的腐蝕窗口條件下進(jìn)行腐蝕處 理，隨后計(jì)算出經(jīng)腐蝕處理后的圖像的標(biāo)準(zhǔn)幀間偏移;(3)重復(fù)步驟(1)和步驟(2);(4)對每一個(gè)像素點(diǎn)跟蹤最大長度設(shè)定為0,并記錄其最大長度中的 中間幀標(biāo)號;(5)遍歷整個(gè)序列，跟蹤、記錄下單個(gè)點(diǎn)連續(xù)為0的最大長度;(6)遍歷整幀圖像，設(shè)置背景數(shù)據(jù)，恢復(fù)得到靜態(tài)背景。

　　3.3 圖像分類

　　從一個(gè)復(fù)雜的場景中提取出目標(biāo)物體后，為了便于識別，需要對目標(biāo)物體的尺寸特征、形狀特征等進(jìn)行測量計(jì)算。 這些特征必須相對于特定的物體具有一定的穩(wěn)定性，例如當(dāng)圖像發(fā)生旋轉(zhuǎn)、平移時(shí)，物體的面積、周長不會出現(xiàn)明顯變化;當(dāng)圖像由于目標(biāo)物體與攝像機(jī)距離的不同 而導(dǎo)致攝入的圖像大小不同時(shí)，比例特征不會發(fā)生改變。 系統(tǒng)可以借助這些較為穩(wěn)定的特征來區(qū)別不同的物體，從而準(zhǔn)確識別進(jìn)入場景的目標(biāo)。 在本系統(tǒng)中，主要采用面積和比例特征來區(qū)分運(yùn)動對象。

　　系統(tǒng)圖像分類采用統(tǒng)計(jì)模式識別方法，該方法事先定義了若干的類型或范疇，它認(rèn)為圖像可能包含一個(gè)或多個(gè)物體，并且每個(gè)物體都將屬于某一類事先定義的類型或范疇.　　其中完成“分類”工作的器件是“分類器”. 分類器的類型有許多，比如參數(shù)的和非參數(shù)的，線性的和非線性的。 本系統(tǒng)設(shè)計(jì)選擇了線性分類器，并利用最小距離分類法對物體進(jìn)行辨識分類。 該方法是用輸入模式和特征空間作為模板的點(diǎn)之間的距離作為分類的準(zhǔn)則。 設(shè)有m個(gè)類別的圖像，其類別分別為W1,W2,…，Wm. 現(xiàn)要判斷任一個(gè)給定的圖像是這m個(gè)類別中的哪一類，則可以通過提取圖像的特征來進(jìn)行判斷。

　　當(dāng)圖像類別很多時(shí)，特征一般也較多。 為了分析和分類的方便，可用圖像的d(假設(shè)圖像有d個(gè)特征)個(gè)特征組成d維空間中的特征向量X來表示，如果有m個(gè)類別，就有m個(gè)這樣的特征向量。

　　因此，從圖像中提取到全部特征后，組成d維向量，采用最小距離分類法與樣本庫中的圖像類的特征向量進(jìn)行匹配運(yùn)算，如果其與第i(0

　　4 小 結(jié)

　　針對視頻監(jiān)控領(lǐng)域的發(fā)展現(xiàn)狀和存在的問題，基于前人的研究結(jié)果和作者多年來的工作實(shí)踐，文中提出了一種基于智能視頻分析的監(jiān)控系統(tǒng)設(shè)計(jì)，從硬件架構(gòu)和軟件架構(gòu)上都做了分析說明，為監(jiān)控系統(tǒng)的設(shè)計(jì)提供了一種新的方法和思路。

　　智能視頻監(jiān)控技術(shù)的應(yīng)用前景非常廣大，停車場、高速路、工廠、軍事基地的安全管理都急需它的幫助，而且伴隨著硬件處理能力和軟件分析能力的不斷提高，智能 視頻監(jiān)控系統(tǒng)的工作效能還將繼續(xù)提升，新的功能也將不斷涌現(xiàn)，它必將取代現(xiàn)有的傳統(tǒng)監(jiān)控，開啟安防管理工作新的篇章。