计算机智能视频Word文件下载.docx

计算机智能视频Word文件下载.docx

《计算机智能视频Word文件下载.docx》由会员分享，可在线阅读，更多相关《计算机智能视频Word文件下载.docx（5页珍藏版）》请在冰豆网上搜索。

监控工作是一项枯燥的工作，监控人员的注意力集中度是有限的，不可能对每个屏幕都有100%的注意力。

据统计人的持续注意力时间通常低于每小时20分钟，如果再加上电话、聊天等其他事件的干扰，监控人员平均监看每个视频源的时间会低于每小时5分钟，因而无法保证7×

24小时稳定的监控要求

其三、由于硬盘数字录象机（DVR）得到应用，保留较长一段时间的视频记录。

当出现了异常情况时，可以使用DVR进行历史视频的回放检查，找出原因或过程。

一定程度上缓解了由于监控系统随机性所造成缺陷，但这种“事后查验”的方式是在安全受到威胁甚至于损失已造成的情况下来进行的，因而无法及时发现情况，从而进一步采取措施。

智能视频的定义:

智能视频分析技术能够通过数字图像处理和分析来理解视频画面中的内容。

智能的意义主要体现在“自动的分析和抽取视频源中的关键信息”。

如果把摄像机看作人的眼睛，而智能视频系统或设备则可以看作人的大脑。

智能视频监控的特点:

⏹实用性

⏹实时性

⏹有效性

⏹自动化，节省大量重复劳动的人力

智能视频监控的应用:

⏹在拥挤、复杂的场所自动识别爆炸物和武器等危险物品，

⏹检测各种诸如定向运动、越界、游荡、遗留和移去等

⏹对可疑目标进行持续监视和跟踪等

⏹其它

智能视频监控的一些成功案例:

⏹1997年美国国防高级研究项目署（DefenseAdvancedResearchProjectsAgency,DARPA）设立了以卡内基梅隆大学为首、麻省理工学院等高校参与的视觉监控重大项目VSAM（VisualSurveillanceAndMonitoring），主要研究用于战场及普通民用场景进行监控的自动视频理解技术

⏹实时的视觉监控系统W4不仅能够定位和分割出人的身体部分以及实现多人跟踪，而且能够检测出人是否携带物体等简单行为

⏹1999年欧盟Framework5程序委员会设立重大项目ADVISOR系统，旨在开发一个公共交通（如地铁，机场）的安全管理系统，它覆盖了人群和个人的行为模式分析、人机交互等研究；

⏹2000DARPD又资助了HID（HumanIdentificationataDistance）计划，其任务是开发多模式监控技术以实现远距离情况下人的检测、分类和识别、从而增强国防、民用等场所抵御恐怖袭击的能力；

*智能视频分析技术4个等级划分

智能视频监控的关键的技术:

目前，智能视频监控系统的关键技术主要涉及运动目标检测和提取、目标跟踪、目标分类和目标运动行为分析及理解4个方面。

各个部分的主要功能如下：

⏹1目标检测：

其任务为搜索图像中静止或运动的感兴趣区域。

⏹2目标跟踪：

该部分的任务对感兴趣的目标进行跟踪并获取其运动轨迹。

⏹3目标分类：

将被跟踪的目标分类为汽车、行人等不同类别的物体。

⏹4目标行为识别：

对单个目标或群体目标进行运动和行为分析。

目标的检测:

⏹在视频监控中目标检测的目的是从序列图像中将感兴趣的区域（一般为运动目标区域）从背景图像中抽取出来。

运动目标区域的有效分割对于目标检测、跟踪和行为理解等后期处理是非常重要的，因为以后的处理过程仅仅考虑图像种对应于运动区域的像素。

⏹目标检测的主要的算法有：

⏹背景减除法

⏹时间差分法

⏹光流法

⏹扩展的EM算法

⏹能量运动检测

⏹基于数学形态学的场景变化检测等

目标跟踪:

⏹目标跟踪是计算视觉领域中一个极具挑战性的课题，除视频监控外，其还被广泛的应用在人机交互、视频压缩、医学图像处理等领域中。

所谓目标跟踪是指在图像序列中识别出目标的同时对其进行精确定位，获取目标的运动的参数，如位置、速度、加速度以及运动轨迹等，从而进行进一步处理与分析，实现对运动目标的行为理解，以完成更高一级的视觉任务。

对于目标跟踪问题的处理，总体上讲有两种思路：

一种称之为自底向上（bottomup）的处理方法；

另一种称之为自顶向下（topdown）的处理方法。

⏹自底向上的处理方法又称为数据驱动（datadriven）的方法，这种方法不依赖于先验知识，直接从图像序列中获得目标的运动信息并进行跟踪。

该方法中，在对图像序列进行预处理后，直接从图像序列中检测运动目标，然后提取出运动目标进行识别，以判定是否跟踪，最后对该目标进行跟踪并获得运动目标的相关信息。

这种方法的优点在于能快速检测并跟踪运动目标，便于工程实现。

该方法在摄像机静止的情况下效果非常好，但如果摄像机是运动的，则实现运动目标检测与跟踪就比较困难，因此在很大程度上局限了该方法的适用范围。

⏹自顶向下的处理方法又称为模型驱动（modeldriven）的方法，这种方法一般依赖于所构建的模型或先验知识，在图像序列中进行匹配运算或求解后验概率，采用匹配运算时，如果相似距离最为接近则认为是跟踪的运动目标，求解后验概率时，选择最大后验概率所对应的状态向量作为运动目标的当前状态。

这种方法中目标跟踪可以表达为一个测量——状态分配——估值问题。

目标跟踪等价于在连续的图像帧间创建基于位置、速度、形状、纹理、色彩等有关特征的对应匹配问题，常用的数学手段有卡尔曼滤波、粒子滤波、动态贝叶斯网络等。

但是先验知识的描述制约了该思虑的实用性能

目标分类:

目标分类的目的是为了确定视频中感兴趣的目标所属的类别。

视频监控中不同的运动区域可能对应于不同的运动目标，比如交通道路上监控摄像机所捕捉的序列图像中可能包含行人、车辆及其他诸如飞鸟、流云、摇动的树枝等运动物体，为进一步对不同的目标进行跟踪和行为分析，运动目标的正确分类是必要的。

目前常用的目标分类方法有：

⏹基于形状信息的分类

⏹基于运动特性的分类

⏹在视频监控中，运动目标，特别是人体目标的不同行为动作，为采用视觉分析自动地对危险行为进行预警提供了可靠的判据，因此，对人体运动行为进行分析和理解是完全必需的。

人体行为识别与理解是指对人的行为模式进行分析和识别，并用自然语言等加以描述，这种技术包含从视频序列中抽取相关的视觉信息并用一种合适的方法进行表达，然后解释这些视觉信息以实现识别和学习人的行为。

运动目标行为理解:

总的来说，人体行为识别可以分为3类：

⏹三维模型重建法通过构建人体姿态的三维模型来对行为进行识别，然而该方法需要准确的获取人体的三维特征，这在一定程度上增加了识别的难度；

⏹基于人体外观模型的方法则通过从图像中抽取人体的二维形状模型来判断人体的行为，这可以通过与不同行为的训练样本特征进行匹配来完成；

⏹基于运动模型的方法与上述两种不同点在于其不依靠人体的静态模型，它通过分析人体的运动特征来对不同的行为进行识别。

本文的主要研究内容

⏹首先在以往算法综合评价的基础上，采用一种适应性好和准确性高的运动目标检测算法，它可以用于室内和室外的视频监控，对场景中各种变化具有较强的自适应性以及能够准确检测各种运动目标。

综合评价的因素包括对场景光线和天气等自然变化的适应性、对摄像机等随机噪声的抑制、目标检测速度的快慢、对内存需求的大小和目标检测的准确性。

⏹在完成运动检测之后，为了较好的将运动前景和背景分离开来，需要做一些预处理，主要包括去除图像的噪声，去除伴随运动目标的阴影，进一步提高运动目标检测的准确性。

，因此在现有阴影检测算法的基础上，提出一种定量和定性评估更高的阴影检测算法，消除阴影的影响更有利于后续目标跟踪、分类和识别。

⏹在完成图像的分割之后，需要对图像中的物体进行分类，然后进行一些简单的手势行为识别，主要研究和解决的是单手动态手势识别中的手部对象建立和手部对象跟踪的问题。

并在此基础上提出了一个简单的手部动作理解算法，最后在整合这些算法的基础上建立了一个基于动态手势理解的人机交互系统。

提出一种新的算法，以达到更好的实时性和更高的准确性

手势识别

⏹尽管目前已经有各种各样的基于视觉的手势识别方法。

并且有些方法在特有较大的距离。

识别的难点主要集中在手势图像的准确分割以及合适的特征的选取。

在手势图像的正确分割方面，因为受到背景的干扰，比如光照、相近的颜色、其它背景位置的人等，容易使得分割的结果偏大或者偏小，甚至根本无法分割出手势区域。

在基于单摄像机在复杂背景下实时识别多种手势是目前手势识别的发展方向。

如何提高手势分割的精度以及设计一个更好的手势模型，将是亟待解决的问题。

难点重点

1.运动分割

⏹快速准确的运动分割是个相当重要但又比较困难的问题。

这是由于动态环境中捕捉的图像受到多方面的影响，比如天气的变化、光照条件的变化、背景的混乱干扰、运动目标的影子、物体与环境之间或者物体与物体之间的遮挡、以及摄像机的运动等，这些都给准确有效的运动分割带来了困难。

2.遮挡处理

⏹目前．大部分运动分析系统都不能很好地解决目标之间互遮挡和人体自遮挡问题，尤其是在拥挤状态下，多目标检测和跟踪问题更是难于处理。

在发生遮挡时，目标只有部分是可见的，而且这个过程一般是不可训练的。

此时简单依赖于背景减除进行运动分割的技术将不再可靠。

为了减少遮挡或深度所带来的歧义性问题，必须开发更好的模型来处理遮挡时特征与目标部分的准确对应问题。

性能评估

⏹一般而言，鲁棒性、准确度和实时性是运动分析系统的三个基本要求。

例如，系统的鲁棒性对于监控应用特别重要，这是因为它们通常被要求是自动、连续地工作，因此这些系统对于如噪声、光照、天气等因素的影响不能太敏感；

系统的准确度对于控制应用特别重要，例如基于行为或姿势识别的接口的控制场合；

而系统的处理速度对于那些需要实时高速的监控系统而言更是非常关键。

因此，如何选择有效的工作方案来提高系统性能、降低计算代价是特别值得考虑的问题。

一个智能视频系统架构