近年來，隨著信號處理技術(shù)的進步，視頻和圖像處理技術(shù)得到迅速發(fā)展，并逐步滲透到我們的社會生活中。大量的視頻監(jiān)控應(yīng)用已經(jīng)出現(xiàn)，我們可能都已經(jīng)看到，視頻監(jiān)控幾乎無所不在：銀行柜臺和ATM機，小區(qū)、酒店、寫字樓、機場等公共場所的安全管理，高速公路和停車場的車輛收費管理，以及道路交通的流量管理等等。

    與此同時，大規(guī)模視頻監(jiān)控帶來的海量視頻信息成為了系統(tǒng)安裝后的處理難題。系統(tǒng)利用率低、有效信息提取困難，而視頻圖像識別分析技術(shù)則可以解決這個問題，智能視頻分析軟件就是基于此點迅速發(fā)展起來。

技術(shù)發(fā)展狀況
    視頻圖像識別分析技術(shù)源自計算機視覺（CV，Computer Vision）技術(shù)。計算機視覺技術(shù)是人工智能（AI，Artificial Intelligent）研究的分支之一，它能夠在圖像及圖像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理解視頻畫面中的內(nèi)容。而視頻監(jiān)控中所提到的智能視頻技術(shù)主要指的是：“自動分析和抽取視頻源中的關(guān)鍵信息?！比绻褦z像機看作人的眼睛，而智能視頻系統(tǒng)或設(shè)備則可以看作人的大腦。人臉辨識、車牌識別以及行為分析三項技術(shù)則是智能視頻軟件的核心技術(shù)。

人臉辨識技術(shù)
    人臉辨識是一個相當古老的題目，早在1981年便有人發(fā)明模擬人臉，做人臉辨識的計算機視覺系統(tǒng)，在1991年以及1997年分別有兩個重要的人臉辨識方法發(fā)表，其分別是Eigenface以及Fisherface。

    Eigenface法是假設(shè)所有人臉可以用一組基底人臉的線性組合所表示，作者以PCA組成分析原理（Principle Components Analysis)找出這組基底。

    Fisherface法則是進一步利用LDA線性判別式分析法（Linear Discriminant Analysis )，強制將不同的人臉在投射空間中盡量分開，因而提高了辨識率。

    基本上人臉辨識可以分為兩種主要方法，一是整體特征方法，一是局部特征方法。

    整體特征方法：直接將整張人臉當作單一特征來做辨識；局部特征方法：先找出臉上的局部特征，通常是眼睛、鼻子和嘴巴，然后分別根據(jù)這些局部特征做辨識，最后將個別局部特征的結(jié)果統(tǒng)合而得到最后結(jié)果。近來的研究發(fā)現(xiàn)局部特征方法要比整體特征方法有更高的準確率，但局部特征方法存在局部特征的對位問題，在實際應(yīng)用上有較高的困難度。

    大部分的人臉辨識方法會先將原始影像數(shù)據(jù)經(jīng)過降維的程序，在投射的子空間進行辨識，如此一來降低了運算量，例如前述的利用PCA或LDA方法。

    近來也有方法是利用不連續(xù)余弦轉(zhuǎn)換法DCT（Discrete Cosine Transform)來做降維，其與PCA 和LDA不同處在于DCT法抽取的是影像的低頻部分作為特征，并且不用象PCA或LDA需要很多樣本(sample)來計算轉(zhuǎn)置矩陣，而是利用單一公式直接對每個樣本降維。

    在抽取出特征后（不管是原始影像或是降維空間），做辨識通常是利用最近鄰居法( Nearest-Neighbor)，Eigenface以及Fisherface皆屬于這種方式。比較快速的方式是利用中樞網(wǎng)絡(luò)法（Neural Network），再配合DCT的處理結(jié)果作為特征后，在Yale以及ORL人臉數(shù)據(jù)庫有不錯的辨識率。[nextpage]

    近來非常熱門的Support Vector Machine(SVM)方法也被應(yīng)用到人臉辨識的題目上，其直接取原始影像作為特征，或是經(jīng)過PCA降維后當作特征，再訓練出SVM來做辨識。

    一個很有創(chuàng)意的人臉辨識方法是利用DCT加上Hidden Markov Model(HMM)來做人臉辨識，其是利用了人臉由上而下，眼睛、鼻子和嘴巴這些特征是有一定順序的性質(zhì)。

    人臉辨識目前公認存在的難題有兩個，一是不同光源的問題，一是不同角度的問題。由于同一張人臉在不同光線以及角度下常常會有很大的差別，所以傳統(tǒng)的方法通常會失敗。

    近來有不少方法致力于處理上述兩問題，在處理光線問題方面有Illumination Cone、 Quotient Image以及Self Quotient Image和Intrinsic Illumination Subspace四種方法。

    Illumination Cone提出建立3D臉部模型，理論上可以重建固定視角下所有光源的臉2D樣貌，因而處理了光線變化的問題。

    Quotient Image、Self Quotient Image和Intrinsic Illumination Subspace概念上都是一種前處理的手段，三者皆先將欲辨識的人臉轉(zhuǎn)成刪除光源信息的格式，再做人臉辨識。

    在處理不同角度方面有Morphable model、View-Base Eigenspaces、Elastic Bunch Graph Matching和Active appearance model四種方法。

    Morphable model 與Active appearance model提供將視角為非正面輸入影像轉(zhuǎn)換成正面影像，因而去除了不同視角的因素，在此條件下做人臉辨識自然有較高的精確度。

    View-Base Eigenspaces是基于Eigenface的方法，但根據(jù)不同的視角都個別去做，因而數(shù)據(jù)庫中儲存了同一人在不同視角下的數(shù)據(jù)。

    Elastic Bunch Graph Matching方法則是根據(jù)人臉上的特征點建立一個圖(graph)，藉由允許此圖變形而使得不同視角下臉部的特征點仍位于臉上相同位置，因此藉由這些特征點來做人臉辨識便排除了不同視角的因素。

    上述的這些方法皆是利用2D的模型來進行人臉辨識。另外一類的方法使用3D模型來進行人臉辨識，如在FRVT 2002中三維Morphable模型的測試被證明可以有效地改善不同視角的辨識率。

    傳統(tǒng)的人臉辨識使用單張影像，相對于此種靜態(tài)影像辨識方法外，利用影片中連續(xù)的多張影像來做辨識的方法則稱為動態(tài)影像辨識。動態(tài)影像相對于靜態(tài)影像有許多優(yōu)勢，一是多張影像提供的信息比單張影像豐富，其中包括了不同的視角，相鄰影像的信息等，這些信息都能夠增加人臉辨識的準確度。

    總結(jié)來說，光線和視角仍是目前人臉辨識的難題，雖然有相當多的研究是針對這兩點的，但并沒有完全解決。近來的研究趨向利用動態(tài)影像來得到更高的精確度，而利用3D的人臉模型來進行辨識也因為在視角改變的狀況下有不錯的表現(xiàn)，在近幾年也受到重視。[nextpage]

車牌識別技術(shù)
    車牌識別是基于光學字符識別(簡稱OCR，即Optical Character Recognition)技術(shù)對車輛牌照進行識別，從而辨識車輛身份的一種技術(shù)。近幾年該技術(shù)發(fā)展迅速，國內(nèi)有許多研究機構(gòu)和廠家掌握了漢字和基本字符的關(guān)鍵識別技術(shù)，并已廣泛應(yīng)用于智能交通領(lǐng)域。

    車輛圖像采集是從實際環(huán)境中或者交通視頻中獲取，即可通過照相設(shè)備直接獲取，也可以使用圖像采集卡采集。車牌識別技術(shù)均基于對圖像進行分析識別，這一步驟提供了識別對象的原始信息。

    車牌定位是在車輛的整幅圖像中，正確找到車牌所在的位置，提取車牌部分的圖像，并判別出車牌的顏色。

    字符分割是按規(guī)定的車牌格式，正確分割車牌的每一個字符，為字符的識別做準備。

    字符識別是OCR的核心技術(shù)，經(jīng)過字符識別最終獲得車牌號碼(有時還包括如車牌顏色，牌照位置等其他重要信息)。

    經(jīng)過多年的發(fā)展，車牌識別技術(shù)已經(jīng)相對成熟，已有較多的廠商的整牌識別率都可以達到95%以上，基本滿足了實際應(yīng)用需要。在最新的車牌識別系統(tǒng)中，已有廠家推出了車型識別功能，可以定位到是何種品牌的汽車，如奔馳、寶馬、本田、豐田、夏利等。

    困擾車牌識別技術(shù)多年的光線問題，也隨著光源補償技術(shù)的發(fā)展得到了極大改善?？梢灶A(yù)計車牌識別技術(shù)已經(jīng)具備廣泛推廣的基礎(chǔ)。

行為識別分析技術(shù)
    行為識別分析技術(shù)是近幾年發(fā)展比較迅速的智能識別技術(shù)，并迅速進入產(chǎn)品化，其中以美國Object Video公司為代表。

    目前，針對生活中的各類安全預(yù)警事件的最新行為檢測功能紛紛推出，如煙火探測、異常行為探測、動物探測等等。這些功能的實現(xiàn)，加速了圖像識別分析軟件的大規(guī)模使用。

    困擾行為識別分析技術(shù)的環(huán)境變化因素由于“自學習”技術(shù)的發(fā)展，也得到了很大改善。

應(yīng)用類型
    在應(yīng)用方面，主要分為與安全相關(guān)類應(yīng)用與非安全相關(guān)類應(yīng)用兩類。

與安全相關(guān)類應(yīng)用
    安全相關(guān)類的應(yīng)用是目前市場上存在的主要智能視頻應(yīng)用，特別是在“911”恐怖襲擊、馬德里爆炸案以及倫敦爆炸案發(fā)生之后，市場上對于此類應(yīng)用的需求不斷增長。這些應(yīng)用主要作用是協(xié)助政府或其他機構(gòu)的安全部門提高室外大地域公共環(huán)境的安全防護。此類應(yīng)用主要包括：

    1、高級視頻移動偵測（Advanced VMD）：在復雜的天氣環(huán)境中（例如雨雪、大霧、大風等）精確地偵測和識別單個物體或多個物體的運動情況，包括運動方向、運動特征等。[nextpage]

    2、物體追蹤（Motion Tracking）：偵測到移動物體之后，根據(jù)物體的運動情況，自動發(fā)送PTZ控制指令，使攝像機能夠自動跟蹤物體，在物體超出該攝像機監(jiān)控范圍之后，自動通知物體所在區(qū)域的攝像機繼續(xù)進行追蹤。

    3、人面部識別（Facial Detection）：自動識別人的臉部特征，并通過與數(shù)據(jù)庫檔案進行比較來識別或驗證人物的身份。此類應(yīng)用又可以細分為“合作型”和“非合作型”兩大類。

    4、車輛識別（Vehicle Identification）：識別車輛的形狀、顏色、車牌號碼等特征，并反饋給監(jiān)控者。此類應(yīng)用可以用在被盜車輛追蹤等場景中。

    5、非法滯留（Object Persistence）：當一個物體（如箱子、包裹、車輛、人物等）在敏感區(qū)域停留的時間過長，或超過了預(yù)定義的時間長度就產(chǎn)生報警。典型應(yīng)用場景包括機場、火車站、地鐵站等。

與安全非相關(guān)類應(yīng)用
    除了安全相關(guān)類應(yīng)用之外，智能視頻還可以應(yīng)用到一些非安全相關(guān)類的應(yīng)用當中。這些應(yīng)用主要面向零售、服務(wù)等行業(yè)，可以被看作管理和服務(wù)的輔助工具，用以提高服務(wù)水平和營業(yè)額。此類應(yīng)用主要包括：

    1、人數(shù)統(tǒng)計（People Counting）：統(tǒng)計穿越入口或指定區(qū)域的人或物體的數(shù)量。例如為業(yè)主計算某天光顧其店鋪的顧客數(shù)量。

    2、人群控制（Flow Control）：識別人群的整體運動特征，包括速度、方向等等，用以避免形成擁塞，或者及時發(fā)現(xiàn)異常情況。典型的應(yīng)用場景包括超級市場、火車站等人員聚集的地方。

    3、注意力控制（Attention Control）：統(tǒng)計人們在某物體前面停留的時間?？梢杂脕碓u估新產(chǎn)品或新促銷策略的吸引力，也可以用來計算為顧客提供服務(wù)所用的時間。

    4、交通流量控制（Traffic Flow）：用于在高速公路或環(huán)線公路上監(jiān)視交通情況，例如統(tǒng)計通過的車輛數(shù)、平均車速、是否有非法?？?、是否有故障車輛等等。

結(jié)語
    目前，視頻監(jiān)控技術(shù)正在向著數(shù)字化、網(wǎng)絡(luò)化、智能化的方向發(fā)展。網(wǎng)絡(luò)化、智能化的基礎(chǔ)是數(shù)字化，而智能化則是“三化”的最高境界。系統(tǒng)由目視解釋轉(zhuǎn)變?yōu)樽詣咏忉屖且曨l監(jiān)控技術(shù)的飛躍，是安防技術(shù)發(fā)展的必然。