视频监控专利技术综述
来源:用户上传
作者:
【摘 要】本文首先介绍了视频监控的技术背景以及视频监控技术存在的问题;并在专利检索系统平台S系统中检索了与视频监控技术相关的中国专利文献;随后，对视频监控技术的中国专利申请进行了申请状况分析;最后对视频监控技术发展过程中的若干重要专利进行技术分析。
【关键词】视频;监控;图像;检测;追踪
中图分类号：TP391.4 文献标识码： A 文章编号： 2095-2457（2019）18-0031-002
DOI：10.19694/j.cnki.issn2095-2457.2019.18.015
0 概述
由于现代社会人口密集程度高，社会关系复杂，日常人们面对越来越多的突发和异常事件，几乎所有公共场合都有部署监控的需求，但是因为人工监控固有的缺陷，人力越来越不足以分析和处理海量的视频数据[1]。因此，视频监控必须实现智能化，代替人工监控，用于解决实际问题。智能监控系统一般是先利用摄像机拍摄，获取视频图像数据信息，接着将数据信息传送到监控系统处理模块，此时处理模块会自动对目标进行检测、识别和目标跟踪，并通过对目标行为的实时分析，寻找出视频中存在的异常情况，如目标运动混乱代表着打架斗殴等行为，发生这种情况就可以进行记录并报警处理[2]。
在视频监控中，运动目标的检测和跟踪是重要的部分。运动目标检测也是计算机视觉领域中的一个研究热点，其目的是从待检测的视频序列中把运动目标有效地从背景中提取出来，可理解为运动目标与背景的分类问题。而运动目标的有效分割对后期的目标分类、目标跟踪和行为分析等处理都具有重要意义。现有的运动目标检测和跟踪算法并没有适用于多种检测前景和检测目标的，导致算法通用性不强，误检率较高，还需要人工进行进一步确认[3]。
本文 主要基于专利检索系统平台S系统，分析视频监控技术的发展现状，检索数据库为CNABS数据库，采用视频、监控、检测、追踪等关键词和G06K+、G06T+、H04N+等分类号进行限定，得到相关中文专利文献2038篇，检索日期为2019年4月29日。
1 专利申请总体情况
1.1 中国专利申请态势分析
在2006年以前，智能监控技术处于萌芽时期，2007-2010年处于缓慢增长时期，2011-2015年智能监控技术处于稳步增长阶段，近5年申请量飞速增长，连续三年申请量在300篇每年以上，智能监控技术目前在中国处于快速发展的时期。
1.2 中国重要申请人分析
在中国，国家电网公司、北京中星微电子有限公司、西安电子科技大学、杭州海康威视数字技术股份有限公司的视频监控技术的专利申请量居前4位，其次是中国科学院自动化研究所、南京邮电大学和浙江大学三所高校。国家电网公司的申请量主要集中于2012-2018年，其中，2017年高达17件;北京中星微电子有限公司的申请量主要集中在2006年-2011年，并于2008年到达申请高峰期;西安电子科技大学的申请量主要集中在2011年以后;而杭州海康威视数字技术股份有限公司和中国科学院自动化研究所的申请量年份跨度较大，他们对视频监控的研究具有连续性。
1.3 中国各省市专利申请量分析
在中国，北京、江苏和广东三个省市的申请量排名前三，浙江、上海和安徽紧随其后，而北京市和江苏省近几年申请量处于平稳的状态，广东省在近两年申请量明显超过北京市，浙江省近两年申请量逐年递减，安徽省近两年的申请量也有大幅度上涨，这与各个省市支持发展的企业和高校的分布有较大关系。
2 专利技术分析
在我国视频监控的发展过程中，视频监控的发展方向主要包括了运动目标检测、目标追踪、视频分析等多个方向。运动目标检测的方法主要包括：光流法、背景差分法、帧差分法。
为了对视频中的运动目标检测和追踪，需要对视频图像进行分析来获得运动目标的区域以进行后续的追踪。在对运动目标检测时，视频拍摄到的目标可能会存在遮挡，影响运动目标的检测效率，很多申请人采用对前景目标区域进行检测和模型匹配的方法判断是否存在运动目标。例如，申请人为北京中星微电子有限公司的申请号为CN200810118996的专利申请（申请日期20080827，公开号为CN 101339664 A）通过方法包括：采集跟踪目标的视频图像;在未建立跟踪目标的目标模型时，对所述视频图像进行分析，获取所述视频图像中跟踪目标的完整目标对应的区域，根据所获取的完整目标对应的区域，建立跟踪目标的目标模型;在已建立跟踪目标的目标模型后，对所述视频图像进行分析，获取当前图像中跟踪目标的目标区域可能存在的位置，将所述目标区域可能存在的位置作为候选目标区域;基于兴趣点检测和局部图像特征提取技术按照金字塔匹配算法，分别将每个候选目标区域的特征与所述目标模型进行匹配，将匹配结果最大的候选目标区域作为跟踪目标的当前目标区域。众所周知，在存在遮挡的情况下，候选目标区域中的兴趣点通常小于或等于完整目标对应的区域中的兴趣点，但本发明中基于兴趣点检测和金字塔匹配算法的跟踪匹配，不会因为匹配对象间的兴趣点不同而匹配失败，因此解决了存在遮挡情况的人脸跟踪问题，提高了目标跟踪的成功率。
在进行运动目标检测时，由于视频拍摄时候的光照和背景会产生变化，因此在此种情况下运动目标检测会存在一定困难，背景差分法是本领域常见的运动目标检测的方法。例如，申请人为中南大学的申请号为CN 201110052980的专利申请（申请日期20110304，公开号为CN 102096931A）请求保护一种基于分层背景建模的运动目标实时检测方法，为每一个像素点创建一个背景字典，所有像素点的背景字典构成一个完整的背景模型，当前输入像素点在背景字典中找到匹配即为背景点，否则为前景点，最后并采用候选背景模型来更新主背景模型。具体实现步骤为：首先利用前若干帧初始图像，建立背景模型，其次利用当前输入图像与背景模型做差，检测运动目标区域，然后对运动目标区域进行形态学滤波后，输出运动目标，最后再对背景模型进行实时更新，以供下一帧目标检测用。本发明方法为每一个像素点创建一个背景字典，所有像素点的背景字典构成一个完整的背景模型，有效地解决了背景差法中背景构造更新的困难。根据当前输入像素点在背景字典中找到匹配即为背景点，否则为前景点，并采用候选背景模型来更新主背景模型，有效克服帧间差分法提取目标不精细和混合高斯背景建模方法对场景中光照变化敏感的缺点。在不同复杂环境下的实验结果表明本发明方法能够快速、精确地对监控场景中运动目标进行检测，对光照變化、背景扰动不敏感，对运动目标转化为背景的情况可以很好地处理，具有很好的鲁棒性和实时性。 隨着监控在实际生活中应用越来越广泛，基于视频的多目标检测和跟踪技术成为了研究的重点，很多公司和高校针对多目标检测和跟踪进行了深度的研究。例如，申请人为上海交通大学的申请号为CN 201410016404的专利申请（申请日期20140114，公开号为CN 103699908A）请求保护基于联合推理的视频多目标跟踪方法，首先读入视频文件的一帧图像并对其进行图像栅格化处理，然后采用在线检测器以及作为跟踪器的KLT跟踪算法标定目标的候选位置，分别筛选后综合结果，其次将得出的候选位置结果进行量化评分，最后利用联合函数来描述目标跟踪情况并将基于联合函数的最优解作为目标在这一帧的位置，即实现目标跟踪。上述技术方案能够解决多目标跟踪下跟踪技术中对于检测跟踪算法结合的处理方法以及多目标相互关系的处理，利用联合函数来描述多目标之间关系，不仅解决了检测与跟踪的结果融合问题，同时也从全局考虑，综合了每个目标之间的关系，得出了全局最优解。
而随着信息融合的不断发展，特别是视频摘要和视频检索的发展，异常状态检测成为了视频检测的重要部分，比如，摔倒、入侵、异常行为等异常状态都成为了安防的重要组成，为此，申请人为北京正安维视科技股份有限公司的申请号为CN 2016101166696的专利申请（申请日期20160301，公开号为CN 105608479A）请求保护一种结合深度数据的异常行为检测方法及系统，首先，采集目标区域的监控视频图像，建立基于监控视频图像的场景背景模型，提取二维图像的运动目标前景，进行连通域分析和目标分割;根据监控视频图像获取原始视角的深度背景图，从深度背景图中提取三维图像的运动目标前景，分别在原始视角及投影变换后俯视视角进行目标前景的两次分割;提取有效的人员目标信息;根据提取得到的人员目标信息，实现对人员目标的跟踪和行为分析，并根据预设的异常行为规则判断人员目标的行为是否异常，如果是则启动报警。本发明对异常事件和异常行为进行自动识别，提高了异常事件检测的精确度，可以在无人值守的情况下做出及时的反应。
3 结论与建议
视频分析是应用较为广泛的技术，其步骤比较简单，就是目标检测、目标追踪以及异常检测，其中异常检测是以目标检测和目标追踪为前提的，目标检测和目标追踪算法层出不穷，要通过更为精准和更具有鲁棒性的检测算法才能够为后续的追踪或判断提供更好的基础，因此视频分析的发展主要包括视频应用场景的变换和对应的检测算法的不断更新，在不同的应用场景下，视频检测算法越发的准确，也能够满足更多的应用场景的需要。
【参考文献】
[1]吴晶.面向运动目标检测的背景差分算法改进与实现[D].北京邮电大学，2012.
[2]姜丹.基于视频监控的目标检测与跟踪算法研究[D].西安理工大学，2018.
[3]陈媛.基于视频监控的运动目标检测算法研究[J].图形图像，2018，03（上）：24-27.
转载注明来源:https://www.xzbu.com/8/view-14950193.htm
