隨著近年來視頻監控的迅速發展,攝像頭數量的快速增多,大量的視頻數據給實時監視報警和視頻數據的有效使用帶來了挑戰。一個標準的視頻監控系統經常有幾十路甚至上千路視頻和相應的數字錄像數據。操作人員通過觀測每一路視頻從而發現報警事件變得非常困難。此外在事后分析報警事件時,需要操作人員及時找出相關錄像;而傳統視頻監控缺乏對視頻的智能分析,錄像數據無法被有效地檢索,只能根據大致的的時間段來人工查找,導致視頻數據分析工作消耗大量的工作時間。解決以上問題的一個有效方法是對視頻進行自動智能分析。對視頻中出現的用戶感興趣的事件進行實時提取和記錄,從而達到及時報警并利用存儲的事件信息來有效地檢索視頻數據。
事件檢測與行為分析系統是一種先進的智能視頻分析系統。能夠對視頻進行周界監測與異常行為分析,可應用于各種公共場所包括機場、車站、港口、建筑物周圍、街道、小區、及其他場所,用于檢測、分類、跟蹤和記錄過往行人、車輛及其它可疑物體,能夠判斷是否有行人及車輛在禁區內發生長時間徘徊、停留、逆行等行為,此外檢測人員奔跑、打斗等異常行為。
事件檢測與行為分析系統一般能同時監測同一場景里多個目標的不同行為,可以根據防范目標的特點進行靈活設置,包括運動物體的種類和大;系統能夠適應不同的環境變化,包括光照、四季、晝夜、晴雨等,并能夠很好地抗攝像頭抖動。
事件檢測與行為分析系統可實現以下主要功能:
非法闖入禁區: 能夠檢測是否有行人或車輛進入預定區域,用戶可靈活調節靈敏度。比較先進的系統可以有效地檢測到不少于 10 個像素的目標;(如圖 1 : 1、 2 )
非法逆行: 當行人和車輛在指定區域內逆向運動時,記錄并發出報警;(如圖 1 : 3 )
異常奔跑: 測試是否有可以人物在指定區域內快速運動;(如圖 1 :4 )
打架: 檢測是否有打假斗毆事件;(如圖 1 : 5 )
動態圖像放大: 能控制云臺攝像機對移動目標進行放大抓拍,并生成高清晰度圖片。(如圖 1 :6 )
識別與分類: 對視頻中的行人、車輛及其它目標物進行分類;(如圖 1 : 7 )
敏感區域滯留: 檢測是否有可疑人物或車輛在指定的區域內長時間徘徊或停留,當滯留時間超過預設值,系統將發出報警;(如圖 1 : 8)
門禁尾隨監測: 檢測是否有人尾隨通過門禁,發現即刻報警;(如圖 1 :9)
聚眾: 檢測群體聚集、滯留(如圖 1 :10 )
物品遺留: 當環境出現物品遺留現象,即刻報警(如圖 1 :11)
驟變: 當視頻圖像發生巨大變化 ( 如攝像頭被遮擋和大幅度移動 ) 時系統報警(如圖 1 : 12、13)
二. 事件檢測與行為分析系統產品形態與系統結構
事件檢測與行為分析系統融合視頻處理、圖像處理、模式識別以及人工智能等多個領域的先進技術。目前主要的產品形式為后端中心處理方式和前端處理方式。
后端中心處理方式使用高性能智能視頻服務器進行視頻分析。智能分析服務器一般通過軟解碼方式,解壓數字視頻流,然后進行事件檢測與行為分析運算。中心處理器可整合到第三方視頻監控平臺中,與主流視頻監控平臺無縫銜接。事件分析結果和相關參數設置同樣通過智能視頻傳輸協議與視頻監控平臺進行通訊。中心處理方式的系統每個服務器一般可以同時處理8路至16路視頻。整個系統的結構如圖2所示。
圖 2 事件檢測系統-后端中心系統拓撲圖
圖 3 事件檢測系統-前端處理系統拓撲圖
三. 事件檢測與行為分析系統技術原理與評測
3.1周界檢測
技術原理
前景物體檢測技術的主要應用。該技術以固定攝像頭監控用戶所關心的區域,建立背景模型,過濾出前景物體并確定物體的運動路線;谇熬拔矬w的運動路線實現對運動物體的行為判別。該技術的典型應用包括以下4類。
區域進出:用戶在監控場景內定義一個多邊形區域,當有物體進入、離開即觸發報警事件。
區域滯留:用戶在監控場景內定義一個多邊形區域,當有物體在區域內滯留時間超過規定閾值即觸發報警事件。
絆線:用戶在監控區域內定義一條線段。當物體運動路線跨越該線段,即觸發報警事件。
有向絆線:用戶在監控區域內定義一條線段。當物體沿指定方向跨越該線段,即觸發報警事件。
應用前提
攝像頭需要固定,只在改變監測場景時才移動攝像頭,否則無法建立穩定的背景模型;適用于空曠場景,如邊防線,廠區周邊等環境,一方面可獲得較大的視野,另一方面該技術不適用于前景物體擁擠的情況,這時場景下不同物體的前景由于相互粘連無法區分,基于前景而得到的運動路線也同時失效。
在常規測試識別率、誤警率和漏報率外,應考察以下針對性測試的結果。
參考測試環境:
抖動:戶外攝像頭可能由于各類原因發生偶然或周期性的抖動,由于該技術一般要求相機固定,因此需要測試在輕微抖動環境下的技術指標,考察系統性能指標的穩定性。
無關物體:測試環境中出現概率較高的如樹葉抖動,花草搖動,云影等干擾物體出現時的誤報情況。
天氣:該系統的一般定位是全天候工作的實時監控系統,在下雨、霧、雪天氣下測試上述技術指標。
光照:戶外環境或室內光照變化明顯的環境,應進行24小時測試,獲得上述三個技術指標判斷系統對光照變化的適應能力.
參考指標: 識別率>80%, 誤警率<20%
3.2 動態跟蹤
技術原理
該技術的目的是實現對于指定目標物體的近距離持續跟蹤。目標物體的指定在全景攝像頭的場景內完成,在非空曠場景一般由操作人員指定,對于邊防線等空曠場景可由計算機自行選擇。跟蹤過程可分為鎖定目標和持續跟蹤兩個階段,跟蹤攝像頭和全景攝像頭在物理上可以是同一個,主要取決于具體應用的需求和產品自身的水準。
在鎖定目標階段有兩種技術實現,一種是基于特征模式分析的跟蹤,例如以RGB圖像進行模版匹配,由于攝像頭逐漸拉近,物體的位置和大小同時發生變化,這時的鎖定速度越高,則物體從視野中丟失的風險也越大,對于目標的速度大小及方差沒有先驗的情況下,一旦目標丟失重新鎖定的代價很大,而相比之下鎖定速度慢的代價則要小的多,特別對于軍政機關方面的敏感應用,應首先確保不丟失目標,其次考慮鎖定耗時。另一種是通過標定場景三維信息實現,鎖定的速度可以有明顯的提高,但標定過程比較繁復,且全景攝像頭一旦改變角度,一般需用標定,維護的代價較大。
由于動態跟蹤的應用帶有較明顯的敵我對抗性,在持續跟蹤階段,技術上必須對于目標物體改變運動方向、運動速度、暫時被遮蔽甚至故意躲入障礙物有一定的適應能力。另一方面跟蹤攝像頭自身的動態性能也直接影響跟蹤的穩定性,這里的動態性能主要包括攝像頭機械運動控制部分的時間常數、信令傳輸的延遲以及控制協議解析機制的合理性。
應用前提
避免在擁擠場景下使用該技術,場景擁擠程度越高,該技術的實用性也隨之下降。特別是采用多個跟蹤攝像頭接力的系統,在國內的應用場景下,其系統整體的跟蹤穩定性尤其需要通過實際測試加以驗證。
攝像頭安裝盡量避免產生目標物體與周圍運動物體持續嚴重遮擋的情況。
評價方法
除常規測試外,應根據應用需求選擇以下針對性測試:
鎖定測試:單獨測試鎖定目標這個階段的成功率。
靜止測試:目標長時間靜止,考察系統自身穩定性。
變速測試:在持續跟蹤階段,目標突然停住、改變方向或改變速度。
遮蔽測試:目標周期性被行道樹或電線桿遮蔽,或目標蓄意躲入障礙物。
疑似目標測試:目標與其他運動物體相遇,或在目標被暫時遮蔽時,周圍出現其他運動物體。
3.3 逆行檢測
技術原理
該技術用于出入口檢測逆向進出的人或物體。主要的技術特點在于根據物體運動模式來探測物體的逆行,在擁擠場景下仍然適用。
應用前提
攝像頭安裝角度盡量減輕人或物體之間的遮擋。建議俯視角度在45度~90度之間,攝像頭視線應基本與人流方向一致,水平偏角在正負30%之內。
評價方法
除(基本部分)敘述的測試方式外,可附加下列針對性測試:
擁擠場景針對性測試: 以人行出入口為例,假設出入口水平方向可容納N個人,可令2N~4N的人以較自然的方式結隊通過,同時安排一人從相反方向進入,主要檢測系統的漏報率。
短暫/局部行為針對性測試: 安排一人在檢測區域內以身體的部分(如手臂、上身等)作相反方向的運動,或作短暫的后退動作(可根據應用需要),主要檢測系統的誤報率。
參考指標: 識別率>80%, 誤報率<20%
3.4 行人異常行為
技術原理
該技術用于檢測監控區域內疑似搶劫或犯罪后逃竄的高危行為。技術實現主要有兩種。一類實現仍然基于前景物體檢測,根據前景物體的運動路線來估計其速度,超過一定的數值就報警。這種速度估值的精度較低,而且無法克服攝像機近大遠小的問題;同時,無法區分行人和自行車上的人,實用性不高。第二類實現采用特征運動模式分析技術,用模式識別的方法對于場景各部分可能出現的運動模式和運動速度進行學習,不但可以偵測出異常加速,對于罪犯逃竄時翻越欄桿、矮墻等平時出現機率很低的行為,也能夠識別。
應用前提
場景中運動人員以步行為主,攝像機俯視角度不低于30度,俯視角度較小時,應提高架設高度避免人之間的嚴重遮擋。