智能視頻監(jiān)控攝像頭關鍵技術簡介

　　目前智能監(jiān)控攝像頭的構成以及硬件技術已經相對穩(wěn)定和成熟，要最終完成智能監(jiān)控攝像機的監(jiān)控任務和智能技術還需要軟件功能的密切配合，高效的視頻編解碼技術以及有效的計算機視覺算法是智能監(jiān)控攝像機的核心技術，為攝像機完成智能分析任務提供了重要的技術保障。從視頻采集到智能結果結構化輸出主要包括：運動目標提取、運動目標跟蹤、運動目標分類和運動目標行為分析以及結構化描述等步驟。
　　1. 運動目標提取
　　運動目標提取是智能分析的準備工作，基于此項工作攝像機可以從圖像序列中將變化區(qū)域從背景區(qū)域中提取出來，運動目標的有效提取將大大減少后續(xù)過程的運算量，對于后期的目標識別和行為分析具有重要意義，目前較為主流的方法有背景減除法、時間差分法和光流法，最經典的全局光流場計算方法是L-K (Lueas&Kanada)法和H-S(Hom&Schunck)法。
　　2. 運動目標跟蹤
　　運動目標的跟蹤，即通過目標的有效表達，在圖像序列中尋找與目標模板最相似候選目標區(qū)位置的過程。簡單說，就是在序列圖像中為目標定位。運動目標的有效表達除了對運動目標建模外，目標跟蹤中常用到的目標特性表達主要包括：視覺特征(圖像邊緣、輪廓、形狀、紋理、區(qū)域)、統(tǒng)計特征(直方圖、各種矩特征)、變換系數特征(傅里葉描繪子、自回歸模型)、代數特征(圖像矩陣的奇異值分解)等。除了使用單一特征外，也可通過融合多個特征來提高跟蹤的可靠性，目前主流的方法有：基于區(qū)域匹配跟蹤算法、基于輪廓匹配跟蹤算法、基于特征匹配跟蹤算法。
　　3. 運動目標分類
　　運動目標分類，顧名思義，從檢測到的運動區(qū)域中將特定類型的物體提取出來，例如分類場景中的人、機動車、人群等不同的目標。目前比較主流的方法有基于運動特性的分類和基于形狀信息的分類。
　　4. 運動目標行為分析
　　行為分析是智能監(jiān)控攝像頭的關鍵目標之一，也是視頻監(jiān)控在維護公共安全中的重點難點問題。行為分析涉及計算機視覺、模式識別、人工智能等多個領域。它是在對視頻圖像序列進行低級處理的基礎上，通過分析處理監(jiān)控場景的圖像、視頻，獲取監(jiān)控場景的信息或場景中運動目標的信息，進一步研究圖像中各目標的性質以及相互之間的關系，從而得出對客觀場景的解釋和高層次的語義描述，經常借助于神經網絡和決策樹來進行行為分析。