IVS_原理

時間 2019-11-06

標籤 ivs 原理简体版

原文原文鏈接

智能視頻分析技術指計算機圖像視覺分析技術，是人工智能研究的一個分支，它在圖像及圖像描述之間創建映射關係，從而使計算機可以經過數字圖像處理和分析來理解視頻畫面中的內容。智能視頻分析技術涉及到模式識別、機器視覺、人工智能、網絡通訊以及海量數據管理等技術。視頻智能分析一般能夠分爲幾部分：運動目標的識別、目標跟蹤與行爲理解。html

IVS原理前端

視頻分析技術一般採用背景分離（背景減除）技術來進行圖像變化的檢測（全部的視頻分析模式，如入侵、丟包、逆行等都是一種模式的圖像變化）。其思路是對視頻幀與基準背景圖像進行比較，相同位置的像素（區域）變化則認爲是變化了的區域，對這些區域進一步處理、跟蹤、識別，獲得包括目標位置、尺寸、形狀、速度、停留時間等基本形態信息和動態信息，完成目標的跟蹤和行爲理解以後，也就完成了圖像與圖像描述之間的映射關係，從而使系統進一步進行規則斷定，直到觸發報警。算法

背景減除法是目前廣泛使用的運動目標檢測方法，其算法自己須要大量的運算處理資源，而且仍然會受到光線、天氣等天然條件及背景自身變化（海浪、雲影、樹葉搖動等狀況）的影響。可是，針對不一樣的天氣以及天然干擾，已經有多種附加算法（過濾器）應用來彌補這些缺陷，隨着芯片能力的提高及算法改進，相信視頻分析技術會進一步成熟。後端

視頻內容分析的關鍵技術服務器

前景目標的探測是視頻分析技術實施的前提條件。背景減除法是目前視頻分析技術中用於前景目標探測的最多見方法，其原理是利用當前圖象和背景圖象的差分（SAD）來檢測出運動目標（區域）的一種方法。此方法能夠提供比較完整的運動目標特徵數據，精確度和靈敏度比較高，具備良好的性能表現，但對動態場景的變化，如光線變化狀況也比較敏感。背景減除法的工做原理以下圖所示，當前圖像與背景圖像模型作差後造成運動目標區域，即圖中的小船。網絡

背景模型的創建是背景減除法的關鍵所在。一般，視頻分析算法須要必定的時間進行「背景學習」，所謂背景學習，實質上是利用時間平均圖像的方法，將背景在一個時間段（如 30 秒鐘）內的平均圖像計算出來，做爲該場景的背景模型。那麼，「背景學習」時間結束後，系統仍然須要具備「背景維護」的能力，以前建模的背景並非一成不變的，這樣能保證系統對場景內的圖像變化不那麼敏感，如光線變化、影子等等，所以，開發出實用、有效的背景模型以適應動態、複雜的場景是目標探測及視頻分析技術的關鍵。架構

視頻分析的工做流程性能

視頻分析實質是人工智能的一部分，是經過模仿人類的工做過程來實現的。人類經過眼睛這個「傳感器」實現視頻的採集、預處理、處理而後將真實圖像傳送給大腦，大腦並非對全部傳送過來的圖像進行總體的分析處理，而是採用多層分級，將背景、緩慢移動及遠處的目標分辨率最低化，忽略一些細節；並對前景感興趣區進行二次聚焦（咱們常說的眼前一亮就是這個意思），得到更多細節，而後對該區域進行斷定。學習

以下圖所展現的案例是平常生活中常見的狀況，圖像是一個地鐵站臺，畫面中出現一個穿紅色衣服的女子，手裏拿着一個黑色包放到站臺中的一個空地上，以後迅速離開。這是一個很普通的視頻場景，值班人員對這段場景很容易迅速地提取出特徵描述來，即「一個紅衣女子將一個黑色包放在站臺上後迅速離開」，而對這個簡單的信息，值班人員利用眼睛採集到信息，首先是場景（站臺），以後分離出感興趣的前景目標（紅衣女），以後對其跟蹤，最後造成結論（丟下一個包），以後將整個過程的完整信息傳給大腦去按規則斷定。優化

不管採用何種視頻分析架構，其視頻分析過程都是視頻內容分析的算法模塊「合力做業」的結果，視頻分析基本過程以下圖：

加載算法過程：加載用戶的預約義規則，如防區、分析模式等；
過濾器加載：對特殊場景進行預處理如防抖動、雨雪、燈光抑制等；
背景建模及更新：背景模型創建並自動學習更新背景狀況；
目標提取與跟蹤：提取跟蹤前景變化目標，檢測並分析目標的活動；
目標分類：對跟蹤的目標進行分類，如人或車輛等；
視頻分析判斷過程：根據規則判斷是否符合預約義規則；
觸發報警過程：肯定目標活動違反規則，根據預約義傳輸報警到指定的用戶。

視頻分析技術難點

視頻分析技術自己並非一項新技術，但其在視頻監控系統中的應用還僅僅處於起步階段，它給視頻監控系統帶來了顛覆性的革命，具備美好的發展遠景。目前，視頻分析系統自己有一些技術問題有待提高，下面是一些須要克服的技術難點。

光照適應性: 一般，視頻監控系統須要 24 小時晝夜工做，所處環境的光照狀況也是一直處於變化中，如晝夜的交替、陰晴雨雪霧等天氣條件，及外界光源干擾，如照明燈光、逆光、反光、車燈，還有室外雲彩、雲影的動態變化等，全部這些都對視頻分析核心算法的光照適應性提出了嚴格的要求，優異的視頻分析算法應該具備先進的背景學習、更新、維護功能。
天然天氣變化：雨、雪、霧、沙塵天氣、煙霧、氣流、雲影等，體現的不只僅是光照的變化，而是真正的圖像像素變化，這些「小假象」會致使系統視爲場景中有物體在移動，從而干擾了真正的目標探測，浪費系統資源，所以，須要採用「過濾」機制將這些干擾作過濾處理。
背景的高頻率變化：在視頻圖像背景中，可能出現搖動的樹葉、晃動的波浪、光線反射、物體的反光、草地的微動等等現象，這些現象均可能形成畫面像素出現變化，從而致使誤報。系統須要具備先進的過濾器，實現對規則往復性、細小運動進行過濾，使其集中精力在前景。
高速移動目標：視頻分析系統基於自身算法及目前處理器的運算處理能力，一般對非實時視頻圖像進行分析（如每秒採用 12 幀或 6 幀），這樣當像素的採用頻率比較低的時候，視頻分析算法須要連續分析必定數量的幀才能肯定是否報警，而這時若是須要的分析時間長於入侵者經過防範區域的時間，入侵者可能已經完成入侵動做而致使系統漏報。
視頻分析的架構：目前，在實際應用中，視頻分析產品主要有三種架構：一種是基於後端的服務器（軟件算法運行於 CPU）；第二種是基於前端的 IPC 或 DVS；第三種是利用前端嵌入式視頻分析設備（僅僅作視頻分析，不作編碼壓縮工做）。其中，第三種方式是在嵌入式設備中固化視頻分析模塊，利用網絡客戶端進行遠程配置與報警管理。三種架構也能夠按照目前主流說法分紅兩大類，即前端分析與後端分析。參見第上一章。須要注意的是，對於視頻分析功能，最根本的考覈是性能，即良好的探測率和較低的誤報率。其實視頻分析架構方式並非最重要的，其實質都是視頻分析算法來完成的，只不過是運行平臺不一樣，一個在 DSP上，一個在計算機的 CPU上，也不存在某種方式絕對好與壞，實際應用中應該根據項目的規模、前期設備的架構、用戶的需求、網路建設等具體狀況進行選擇部署。
視頻分析技術實施誤區：視頻分析的設置自己並不難，一般步驟是：選擇好視場、明確分析模式，而後進行防區、分辨率、靈敏度、各類過濾器的選擇和使用。設置視頻分析的過程很快，可是，對一個通道視頻分析進行參數微調、現場模擬、參數修正、再模擬、算法優化、效果觀察等工做倒是一個漫長而複雜的工做。在各環節中，要解決「提升探測率，下降誤報率」的問題，必須長期地嘗試和試驗，這也是視頻分析廠家實驗室產品和真正可投入應用的產品的最大區別。視頻分析產品的真正考量在室外環境，對於室內環境，廠商基本能夠進行模擬試驗，問題不大。可是對於大型戶外項目，環境複雜、遇到的問題比較多，系統調試階段工做量比較大，從調試到試運行，可能須要不止一次的現場模擬、參數微調、效果觀察、統計、再模擬過程。每一個項目有本身的特色、一個項目中各點位有本身的特色，各點位又有不一樣的應用需求，而且視頻分析產品並不是是「即插即用」的產品，所以必須針對不一樣的項目、不一樣的點位、不一樣的需求進行有針對地實施。視頻分析技術具備必定的複雜度，國際上真正掌握視頻分析算法的廠家並很少，從掌握算法、推出實驗室產品到產品真正可以投入項目運行，還有很長的路要走。對於一些很是廣泛的場景，在實驗室中進行模擬有必定困難，所以許多廠家利用工程項目實施過程，不斷修正參數以適應不一樣的環境，這並不表明廠家的產品不成熟，反而是廠家實力的體現。

參考資料

相關標籤/搜索

每日一句

每一个你不满意的现在，都有一个你没有努力的曾经。