智能視頻煙火監(jiān)控行業(yè)開發(fā)應(yīng)用

目前VFCS火災(zāi)偵測預(yù)警系統(tǒng)是智能視頻煙火監(jiān)控在林業(yè)方面的應(yīng)用系統(tǒng)，通過視頻圖像來檢測煙火，自動分析、識別視頻圖像內(nèi)的火焰、煙霧，產(chǎn)生告警信息，在數(shù)秒內(nèi)完成火災(zāi)探測及報警，大大縮短了火災(zāi)告警時間。能夠?qū)崿F(xiàn)無人值守的不間斷工作，自動發(fā)現(xiàn)監(jiān)控區(qū)域內(nèi)的異常煙霧和火災(zāi)苗頭，同時還可查看現(xiàn)場實時圖像，根據(jù)直觀的畫面直接指揮調(diào)度救火。

智能視頻煙火監(jiān)控系統(tǒng)能夠?qū)崿F(xiàn)無人值守不間斷工作，自動對視頻圖像信息進行分析判斷；及時發(fā)現(xiàn)監(jiān)控區(qū)域內(nèi)的異常煙霧和火災(zāi)苗頭，以最快、最佳的方式進行告警和提供有用信息；能有效的協(xié)助消防人員處理火災(zāi)危機，并最大限度的降低誤報和漏報現(xiàn)象；同時還可查看現(xiàn)場實時圖像，根據(jù)直觀的畫面直接指揮調(diào)度救火。 　智能視頻煙火監(jiān)控正是彌補傳統(tǒng)火災(zāi)報警設(shè)備的不足，不受空間高度、熱障、易爆、有毒等環(huán)境條件的限制，完全適應(yīng)于室外場合，而且可以遠程提供實時視頻，使得集中管理變?yōu)榭赡埽哂蟹浅V闊的市場空間。

根據(jù)煙火監(jiān)控內(nèi)容，分為火焰和煙霧檢測。

1、火焰檢測

火焰有著與眾不同的特征，智能視頻煙火監(jiān)控從火焰的靜態(tài)特征（顏色、形狀）和動態(tài)特征（頻率）兩方面入手進行火焰識別。

2、煙霧檢測

煙霧的特征和火焰有著明顯的不同，智能視頻煙火監(jiān)控從靜態(tài)（外形、對比度）以及動態(tài)（擴散）進行識別，將其與火焰識別分開處理。

智能視頻煙火監(jiān)控目前已被廣泛應(yīng)用于軍事、海關(guān)、公安、消防、林業(yè)、堤壩、機場、鐵路、港口、城市交通等眾多公眾場合。未來煙火監(jiān)控行業(yè)將繼續(xù)趨于數(shù)字化、智能化、自動化、網(wǎng)絡(luò)化。

1、森林、化工及電站

對森林、煤礦、化工、石油加工廠、水利及核電站的火災(zāi)，將智能視頻煙火監(jiān)控安裝于林火系統(tǒng)、渦輪機房、電池間、傾斜間、壓縮間等，做到早期的煙火檢測，可以有效減免財產(chǎn)損失。

2、大型客輪、輪渡

輪船內(nèi)的應(yīng)用包括發(fā)動機艙、推進艙、渦輪艙、泵房以及其他設(shè)備間等，智能視頻煙火監(jiān)控已被美國及英國海軍成功應(yīng)用到各種船只實現(xiàn)命令與控制同步。

3、倉庫、集散中心

這些場合的規(guī)模都很大，而且空曠，單位面積囤積貨物比例高，采用智能視頻煙火監(jiān)控可以在火災(zāi)發(fā)生的之初即可產(chǎn)生報警，避免重大損失。

4、商場

商場一旦發(fā)生火災(zāi)，其所存物品的易燃性會使火勢快速蔓延，造成更大損失。智能視頻煙火監(jiān)控安裝于空曠大廳上空就不會防火事業(yè)內(nèi)任何可疑現(xiàn)象。

5、飛機機庫

飛機機庫火災(zāi)不僅造成上千萬元的損失，而且還會進一步影響其關(guān)聯(lián)的服務(wù)。智能視頻煙火監(jiān)控能在昂貴的輕水泡沫被釋放前及時檢測到煙火的存在，做到及時撲滅。

6、體育場館

大型體育場館的空間都非常大，等到傳統(tǒng)煙火檢測裝置檢測到煙火的時候，情況已十分嚴(yán)重。智能視頻煙火監(jiān)控可以時刻監(jiān)視空曠空間煙火情況，及時反映給相關(guān)人員，在火災(zāi)前期有效地發(fā)出報警。

7、隧道、地鐵

隧道及地鐵都是半封閉環(huán)境，一旦火災(zāi)發(fā)生，人員疏散是與時間的較量。智能視頻煙火監(jiān)控能在空曠無人區(qū)域及時發(fā)現(xiàn)煙火情況，爭取到更多的寶貴救援時間。

上篇 智能視頻監(jiān)控中目標(biāo)檢測與識別概論

第1章 緒論

1.1 智能視頻監(jiān)控概述

1.1.1 智能視頻監(jiān)控的發(fā)展

1.1.2 智能視頻監(jiān)控中的關(guān)鍵問題

1.2 智能視頻監(jiān)控的研究內(nèi)容

1.2.1 智能視頻監(jiān)控的系統(tǒng)結(jié)構(gòu)

1.2.2 智能視頻監(jiān)控的難題

1.3 研究現(xiàn)狀與應(yīng)用前景

參考文獻

第2章 計算機運動視覺相關(guān)理論

2.1 攝像機的標(biāo)定

2.1.1 坐標(biāo)系的變換

2.1.2 攝像機的標(biāo)定

2.2 雙目立體視覺

2.2.1 特征匹配關(guān)鍵技術(shù)

2.2.2 特征匹配算法分類與立體成像

2.3 運動視覺

2.3.1 運動視覺的研究內(nèi)容

2.3.2 運動視覺處理框架

2.4 場景理解

2.4.1 場景理解認知框架

2.4.2 靜態(tài)場景理解

2.4.3 動態(tài)場景理解

參考文獻

第3章 運動目標(biāo)檢測技術(shù)

3.1 運動目標(biāo)檢測概述

3.1.1 光流法

3.1.2 相鄰幀差法

3.1.3 背景差法

3.1.4 邊緣檢測方法

3.1.5 其他重要的相關(guān)方法

3.2 視頻監(jiān)控中的背景建模

3.2.1 背景提取與更新算法概述

3.2.2 基于GMM的背景提取與更新算法

3.2.3 基于AKGMM的背景提取與更新算法

3.2.4 去除陰影

3.3 ROI面積縮減車輛檢測搜索算法

3.3.1 改進的幀差法

3.3.2 圖像的腐蝕與膨脹

3.3.3 車輛目標(biāo)分割識別

3.3.4 實驗結(jié)果與分析

參考文獻

第4章 運動目標(biāo)跟蹤技術(shù)

4.1 目標(biāo)跟蹤的分類

4.2 目標(biāo)跟蹤方法

4.2.1 基于特征的跟蹤方法

4.2.2 基于3D的跟蹤方法

4.2.3 基于主動輪廓的跟蹤方法

4.2.4 基于運動估計的跟蹤方法

4.3 粒子濾波器

4.3.1 離散貝葉斯濾波系統(tǒng)

4.3.2 蒙特卡洛采樣

4.3.3 貝葉斯重要性采樣

4.3.4 序列化重要性采樣

4.3.5 粒子濾波(Particle Filte)一般算法描述

4.3.6 粒子數(shù)目N的選取

4.4 多視角目標(biāo)跟蹤

4.4.1 目標(biāo)交接

4.4.2 多攝像機的協(xié)同

4.4.3 攝像機之間的數(shù)據(jù)通訊

4.4.4 多攝像機系統(tǒng)總體設(shè)計與集成

參考文獻

第5章 運動目標(biāo)分類技術(shù)

5.1 目標(biāo)分類方法

5.1.1 基于形狀信息的分類

5.1.2 基于運動特性的分類

5.1.3 混合方法

5.2 分類的特征提取

5.2.1 視頻圖像的兩種特征

5.2.2 分類特征選擇

5.3 分類器構(gòu)造

5.3.1 支持向量機理論

5.3.2 多類支持向量機

5.3.3 特征訓(xùn)練

5.4 訓(xùn)練和分類方案

5.4.1 靜態(tài)圖像訓(xùn)練分類模型

5.4.2 動態(tài)視頻中運動對象的分類

5.4.3 訓(xùn)練和分類的實驗結(jié)果

參考文獻

第6章 行為理解技術(shù)

6.1 行為理解的特征選擇與運動表征

6.1.1 特征選擇

6.1.2 運動表征

6.2 場景分析

6.2.1 場景結(jié)構(gòu)

6.2.2 場景知識庫的建立和更新

6.3 行為建模

6.3.1 目標(biāo)描述

6.3.2 約束表達

6.3.3 分層的行為模型結(jié)構(gòu)

6.4 行為識別

6.4.1 基于模板匹配方法

6.4.2 基于狀態(tài)轉(zhuǎn)移的圖模型方法

6.4.3 行為識別的實現(xiàn)

6.5 高層行為與場景理解

6.6 行為理解存在的問題與發(fā)展趨勢

參考文獻

下篇 智能視頻監(jiān)控應(yīng)用實例

第7章 白天車輛檢測實例

7.1 道路交通樣本庫的采集與組織

7.1.1 樣本的采集

7.1.2 樣本庫元信息和組織

7.2 車輛檢測系統(tǒng)結(jié)構(gòu)設(shè)計

7.2.1 基于視頻的車輛檢測方法概述

7.2.2 虛擬線圈車輛檢測法的算法流程

7.2.3 系統(tǒng)框圖

7.3 背景重構(gòu)

7.3.1 視頻背景重構(gòu)技術(shù)回顧

7.3.2 基于IMFKGMM的背景提取與更新算法

7.4 灰度空間陰影檢測算法研究

7.4.1 彩色圖像的灰度變換

7.4.2 算法原理

7.4.3 試驗結(jié)果

7.5 虛擬線圈車輛檢測法

7.5.1 數(shù)學(xué)形態(tài)學(xué)后處理與狀態(tài)機

7.5.2 交通參數(shù)的測量

第8章 夜間車輛檢測實例

第9章 晝夜亮度變化及切換方法

第10章 距離測量實例

第11章 客流檢測系列實例

……2100433B

《智能視頻監(jiān)控中目標(biāo)檢測與識別》系統(tǒng)介紹了智能視頻監(jiān)控中目標(biāo)檢測與識別的基本問題及其相關(guān)處理技術(shù)。主要內(nèi)容包括智能視頻監(jiān)控的理論、算法和典型應(yīng)用實例。包括計算機視覺基本理論、運動目標(biāo)檢測技術(shù)、運動目標(biāo)跟蹤和分類技術(shù)、運動的場景分析及行為理解技術(shù)。其中目標(biāo)的檢測與識別技術(shù)在資助的科研項目中有成熟可行的應(yīng)用實例。《智能視頻監(jiān)控中目標(biāo)檢測與識別》內(nèi)容由淺人深、循序漸進，著重于經(jīng)典內(nèi)容和最新進展的結(jié)合，并輔以較多的應(yīng)用范例?！吨悄芤曨l監(jiān)控中目標(biāo)檢測與識別》可作為高等院校有關(guān)專業(yè)的研究生和高年級本科生的教學(xué)參考書，也可供相關(guān)專業(yè)的科技人員學(xué)習(xí)參考。

智能視頻處理成為視頻監(jiān)控的“救命稻草”

智能視頻源自計算機視覺技術(shù)，計算機視覺技術(shù)是人工智能研究的分支之一，它能夠在圖像及圖像內(nèi)容描述之間建立映射關(guān)系，從而使計算機能夠通過數(shù)字圖像處理和分析來有限理解視頻畫面中的內(nèi)容。運用智能視頻分析技術(shù)，當(dāng)系統(tǒng)發(fā)現(xiàn)符合某種規(guī)則的行為（如定向運動、越界、游蕩、遺留等）發(fā)生時，自動向監(jiān)控系統(tǒng)發(fā)出報警信號（如聲光報警），提示相關(guān)工作人員及時處理可疑事件。

智能視頻算法的實現(xiàn)

智能視頻技術(shù)實現(xiàn)對移動目標(biāo)的實時檢測、識別、分類以及多目標(biāo)跟蹤等功能的主要算法分為以下五類：目標(biāo)檢測、目標(biāo)跟蹤、目標(biāo)識別、行為分析、基于內(nèi)容的視頻檢索和數(shù)據(jù)融合等。

視頻檢索目標(biāo)檢測

目標(biāo)檢測（Object Detection）是按一定時間間隔從視頻圖像中抽取像素，采用軟件技術(shù)來分析數(shù)字化的像素，將運動物體從視頻序列中分離出來。運動目標(biāo)檢測技術(shù)是智能化分析的基礎(chǔ)。常用的目標(biāo)檢測技術(shù)可以分為背景減除法（Background Subtraction）、時間差分法（Temporal Difference）和光流法（Optic Flow）三類。

背景減除法利用當(dāng)前圖像與背景圖像的差分檢測運動區(qū)域。背景減除法假設(shè)視頻場景中有一個背景，而背景和前景并未給出嚴(yán)格定義，背景在實際使用中是變化的，所以背景建模是背景減除法中非常關(guān)鍵的一步。常用的背景建模方法有時間平均法、自適應(yīng)更新法、高斯模型等。背景減除法能夠提供相對來說比較完全的運動目標(biāo)特征數(shù)據(jù)，但對于動態(tài)場景的變化，如光線照射情況、攝像機抖動和外來無關(guān)事件的干擾特別敏感。

時間差分法充分利用了視頻圖像的時域特征，利用相鄰幀圖像的相減來提取出前景移動目標(biāo)的信息。該方法對于動態(tài)環(huán)境具有較強的自適應(yīng)性，不對場景做任何假設(shè)，但一般不能完全提取出所有相關(guān)的特征像素點，在運動實體內(nèi)部容易產(chǎn)生空洞現(xiàn)象，只能夠檢測到目標(biāo)的邊緣。當(dāng)運動目標(biāo)停止時，一般時間差分法便失效。 光流法通過比較連續(xù)幀為每個圖像中的像素賦予一個運動矢量從而分割出運動物體。

光流法能夠在攝像機運動的情況下檢測出獨立的運動目標(biāo)，然而光流法運算復(fù)雜度高并且對噪聲很敏感，所以在沒有專門硬件支持下很難用于實時視頻流檢測中。

視頻檢索目標(biāo)跟蹤

目標(biāo)跟蹤（Object Tracking）算法根據(jù)不同的分類標(biāo)準(zhǔn)，有著以下兩種分類方法：根據(jù)目標(biāo)跟蹤與目標(biāo)檢測的時間關(guān)系分類和根據(jù)目標(biāo)跟蹤的策略分類。 根據(jù)目標(biāo)跟蹤與目標(biāo)檢測的時間關(guān)系的分類有三種：

一是先檢測后跟蹤(Detect before Track)，先檢測每幀圖像上的目標(biāo)，然后將前后兩幀圖像上目標(biāo)進行匹配，從而達到跟蹤的目的。這種方法可以借助很多圖像處理和數(shù)據(jù)處理的現(xiàn)有技術(shù)，但是檢測過程沒有充分利用跟蹤過程提供的信息。

二是先跟蹤后檢測(Track before Detect)，先對目標(biāo)下一幀所在的位置及其狀態(tài)進行預(yù)測或假設(shè)，然后根據(jù)檢測結(jié)果來矯正預(yù)測值。這一思路面臨的難點是事先要知道目標(biāo)的運動特性和規(guī)律。三是邊檢測邊跟蹤(Track while Detect)，圖像序列中目標(biāo)的檢測和跟蹤相結(jié)合，檢測要利用跟蹤來提供處理的對象區(qū)域，跟蹤要利用檢測來提供目標(biāo)狀態(tài)的觀察數(shù)據(jù)。

根據(jù)目標(biāo)跟蹤的策略來分類，通?？煞譃?D方法和2D方法。相對3D方法而言，2D方法速度較快，但對于遮擋問題難以處理。基于運動估計的跟蹤是最常用的方法之一。

視頻檢索目標(biāo)識別

目標(biāo)識別（Object Recognize）利用物體顏色、速度、形狀、尺寸等信息進行判別，區(qū)分人、交通工具和其他對象。目標(biāo)識別常用人臉識別和車輛識別。

視頻人臉識別的通常分為四個步驟：人臉檢測、人臉跟蹤、特征提取和比對。人臉檢測指在動態(tài)的場景與復(fù)雜的背景中判斷是否存在面像，并分離出這種面像。人臉跟蹤指對被檢測到的面貌進行動態(tài)目標(biāo)跟蹤。常用方法有基于模型的方法、基于運動與模型相結(jié)合的方法、膚色模型法等。

人臉特征提取方法歸納起來分為三類：第一類是基于邊緣、直線和曲線的基本方法；第二類是基于特征模板的方法；第三類是考慮各種特征之間幾何關(guān)系的結(jié)構(gòu)匹配法。單一基于局部特征的提取方法在處理閉眼、眼鏡和張嘴等情景時遇到困難，相對而言，基于整體特征統(tǒng)計的方法對于圖像亮度和特征形變的魯棒性更強。人臉比對是將抽取出的人臉特征與面像庫中的特征進行比對，并找出最佳的匹配對象。

車輛識別主要分為車牌照識別、車型識別和車輛顏色識別等，應(yīng)用最廣泛和技術(shù)較成熟的是車牌照識別。 車牌照識別的步驟分別為：車牌定位、車牌字符分割、車牌字符特征提取和車牌字符識別。

車牌定位是指從車牌圖像中找到車牌區(qū)域并把其分離出來。字符分割是將漢字、英文字母和數(shù)字字符從牌照中提取出來。車牌特征提取的基本任務(wù)是從眾多特征中找出最有效的特征，常用的方法有逐像素特征提取法、骨架特征提取法、垂直水平方向數(shù)據(jù)統(tǒng)計特征提取法、特征點提取法和基于統(tǒng)計特征的提取法。車牌字符識別可以使用貝葉斯分離器、支持向量機(SVM)和神經(jīng)網(wǎng)絡(luò)分類器(NNC)等算法。

視頻檢索行為分析

行為分析(Behavior Analysis)是指在目標(biāo)檢測、跟蹤和識別的基礎(chǔ)上，對其行為進行更高層次的語義分析?，F(xiàn)有的行為分析技術(shù)根據(jù)分析的細節(jié)程度和對分析結(jié)果的判別要求可以分為三類：第一類使用了大量的細節(jié)，并往往使用已經(jīng)建立好的數(shù)據(jù)進行分析而較少使用目標(biāo)的時域信息。基于人臉、手勢、步態(tài)的行為分析方法屬于這一類；第二類是將目標(biāo)作為一個整體，使用目標(biāo)跟蹤的算法來分析其運動軌跡以及該目標(biāo)與其它目標(biāo)的交互；第三類是在前兩類的基礎(chǔ)上做一個折中，它使用時域和空域的信息，分析目標(biāo)各部分的運動。

視頻檢索圖像檢索

基于內(nèi)容的圖像檢索技術(shù)是由用戶提交檢索樣本，系統(tǒng)根據(jù)樣本對象的底層物理特征生成特征集，然后在視頻庫中進行相似性匹配，得到檢索結(jié)果的過程。現(xiàn)有基于內(nèi)容的檢索方法主要分為：基于顏色的檢索方法、基于形狀的檢索方法和基于紋理的檢索方法等。數(shù)據(jù)融合是將來自不同視頻源的數(shù)據(jù)進行整合，以獲得更豐富的數(shù)據(jù)分析結(jié)果。