隨著監控系統的普及化及龐大化，傳統人為監控的侷限性越來越突出。現在的智慧型影像監控技術（以下簡稱IVS），已從前幾年的演示階段逐漸進入規模化使用階段。在這個階段，如何應用現有的IVS確實地解決客戶的問題，並為客戶創造價值，是IVS供應商所需要考慮並解決的重要課題。
隨著監控系統的普及化及龐大化，傳統人為監控的侷限性越來越明顯。由於人為監控有其先天不足，因為人腦只能關注一件事物，所謂一心不能二用，當監控者同時觀測多個監視器時，注意力會隨著監控數量的上升而下降；再者，人對於單調的事物無法長時間的集中注意力。根據研究，人在監看監控影像20分鐘後，其注意力會下降到無法接受的程度。加上人們有飲食休息等生理活動需求，也會間接地影響監控系統的可靠性。這就是為什麼傳統人為監控系統往往存在漏報率高、回應速度慢及可靠性差等問題。同時，由於監控系統越來越龐大，如果全部採用人為監控，其人力成本也會非常高昂。
IVS起源於電腦視覺技術（computer vision），它對影像進行分析，從影像中提取資訊，發現感興趣事件，從而可以在某些場合替代人為監控或者協助人為監控。在911事件以後，國際上基於反恐的形勢，對於IVS的需求越來越迫切，CPU處理能力的快速提升，也實現許多複雜影像的演算法，這些因素不斷地推動著IVS及其市場的發展。
IVS的優勢在於它可以一天24小時不間斷地對影像進行監控，一旦有事件發生時，可以及時報警﹔相對於人為監控來說，IVS的可靠性更高，成本更加低廉。
目前市場上出現了許多IVS的相關產品，這些產品成功地協助許多的應用案例，但是也有一些客戶表示市面上的IVS產品沒有確實地滿足他們的需要，如存在誤報率或漏報率過高的問題。
因此要解決這一問題，就必須對IVS的核心技術有著深入的理解。只有具備了這樣的基礎，才能了解現階段的IVS能夠做什麼，不能夠做什麼，影響其性能的因素有哪些。
IVS分析技術的比較
IVS技術主要是指對攝影機所拍攝的影像進行分析，獲得影像中的運動目標資訊，提取語意級別的事件資訊，從而做出反應的一種技術（也有針對移動攝影機影像進行分析的技術，但不是IVS產品的主流）。
IVS的主要框架分為前景檢測、目標檢測、目標跟蹤、目標分類、軌跡分析、事件檢測等幾個部分。下列分別簡單介紹這六種分析技術的差異。
一、前景檢測技術：是將「圖像中變化劇烈的圖像區域」（blob）從圖像背景中分離出來。前景檢測技術的實現方法包括幀差法、多高斯背景建模及非參數背景建模等方法，各種方法的複雜程度不同，對於各種場景的適應能力也有很大差異。
二、目標檢測技術：是指分析「圖像中變化劇烈的圖像區域」在影像序列中的狀態，將具有穩定存在狀態及運動規律的區域作為運動目標再提取出來。
三、目標跟蹤技術：是指利用運動目標的歷史資訊，預測運動目標在本幀可能出現的位置，並在預測位置附近搜索該運動目標。目標跟蹤技術也有多種實現方法，包括連接區域跟蹤、範本匹配、粒子濾波等等，這些方法在不同場景下的表現也有較大的差異性。
四、目標分類技術：是指對跟蹤成功的目標進行分類，一般將目標分為人和車輛兩類，也有一些特殊應用會對目標進行其他類型的分辨。目標分類技術會利用一些圖像特徵（包括目標輪廓、目標尺寸、目標紋理等）實現目標類型的判別。
五、軌跡分析技術：是指對跟蹤成功的目標運動軌跡進行分析，對運動軌跡進行平滑及誤差修正，使目標運動軌跡更加接近於真實狀態。
六、事件檢測技術：是指將目標資訊與用戶設定的報警規則進行邏輯判斷，判斷是否有目標觸發了報警規則，並做出報警回應。
有時為了提高IVS在某些場景下的性能，一些附加模組也會被加入演算法框架。例如「抗震動模組」可以提升該技術在攝影機震動情況下的處理效果；「陰影抑制模組」可以提升該技術在陰影嚴重的室外場景下的處理效果；「車燈抑制模組」可以提升該技術在光照劇烈變化場景下的處理效果；「碰撞處理模組」可以提升該技術在目標圖像頻繁及互相遮擋場景下的跟蹤準確度。
在IVS技術的常用框架下，大多數模組都有多種實現方案，僅前景檢測一項就有多達7～8種選擇（或者更多），這些實現方案之間的複雜度差異很大，它們的穩定性及性能差異也非常明顯。如果在上述框架下採用簡單易用的方案來實現各個模組，要建置一套IVS技術並不是非常困難，但是其性能及其對各種場景的適應能力就很難得到保證。這就是為什麼各種IVS產品提供的功能大同小異，卻存在很大性能差異的原因。
舉例來說，簡單的幀差法就可以實現前景檢測，在穩定簡單的場景下該方法也可以得到較好的前景檢測結果，但是在影像發生變動或者光照變化時，大量的靜態圖像區域就會被當作前景誤檢出來。
一套性能優越的IVS技術在演算法設計過程就需要考慮監控場景中可能出現的各種複雜情況，內部的各個演算法模組必須要具有對複雜場景的適應性，並且加入各種附加模組以提升IVS技術對特殊場景的處理效果。
一般IVS的分析規則
主要有以下幾類：
一、絆線規則：可分析運動物體在場景中的運動方向和軌跡，滿足特定場所逆行報警的需求。絆線規則又可分為單絆線和多絆線規則，應用多絆線規則更可滿足客戶複雜的報警需求。
二、區域規則：可分析運動物體在特點區域內的進、出，或突然出現在場景中以及消失在場景中等。
三、遺留或消失規則：可分析特定場景中突然出現的遺留物體，或原場景中物體的突然消失。這種規則目前會特別針對反恐需求所提出的爆炸物檢測提供了很好地解決方案，同時針對公共場所的防盜也有明顯的優勢。
四、徘徊規則：可分析特定場景中運動物體的徘徊、逗留，保障安全通道的暢通或特定場所的可疑人員。
五、人流量計數或統計規則：可對特定場景裡的人流量密度進行分析統計，防止擁堵、推擠等安全事故，並可應用於特定商業場所其他需求的分析統計。
如何提高IVS的性能？
一套性能優越的IVS技術是否可以不受場景的影響，在各種場景下都達到最佳處理效果呢？答案是「否定的」。
首先，IVS技術是由電腦視覺技術的發展水準而決定，因為電腦視覺技術還處於發展階段，與人腦相比，電腦的智慧程度還遜色很多。它用一些數學模型來描述真實世界，並試圖用這些數學模型來分析影像資料，並從中獲取影像資訊內容，但是最複雜的數學模型在現階段也無法囊括真實世界中的所有特性（就算有這樣的模型，普通CPU也支撐不了這樣龐大的計算）。由於不同的監控場景與IVS技術的內部數學模型之間的吻合程度會有所不同，因此其精準度或多或少都會受到環境的影響。
其次，環境的複雜程度也會對處理結果產生重要影響，因為複雜的場景往往意味著有效資訊提取的困難。在傳統人為的監控系統中，監控者對於低照度、高度干擾、高擁擠程度影像的監測精準度一般會較低。
至於怎樣才能使IVS技術獲得令人滿意的監控效果呢？首先要基於對IVS技術內部演算法的理解，調整監控環境或者調試演算法，使監控環境與其內部的演算法模型達到最大的一致性。舉例來說，如果IVS的目標分類模組將目標尺寸作為重要的分類特徵，在大景深的場景中，目標尺寸變化幅度很大，該目標分類模組的精準度就會大大降低。有多種方法可以解決這一問題，降低場景的景深，或是加入場景標定演算法等。
同時，要在條件允許的情況下儘量降低監控場景的複雜度，突出有效資訊。例如，攝影機的選用及安裝就非常重要，要選用性能較好的攝影機，提升圖像的信噪比，如果對夜晚場景進行監控，則最好選用紅外攝影機。安裝攝影機時，要合理選擇安裝位置及攝影機的角度，儘量使影像圖像干擾較少且目標重疊較少。
舉例來說，要在較擁擠的場景中統計人流量，俯視角度就是一個比較理想的攝影機安裝角度，因為在該角度下，目標的重疊程度較小（如果IVS使用了人臉檢測演算法來進行人流量統計，情況會有所不同）。除了攝影機的選用及安裝外，合理設置警戒規則也會提升IVS的處理效果。舉例來說，在統計車流量的分析中，若警戒的設置區域中有樹木等物體遮擋目標，IVS在該區域就容易產生目標的誤檢及誤跟蹤。
IVS 的優勢
傳統的類比影像監控方案，最大優勢是在於圖像清晰度相對較高，沒有延時的特點，但這樣的系統也有眾多缺陷：
一、由於類比監控系統後台監視器數量比前端影像源要少，造成大量的場景無法即時顯示，使許多的影像無法做到即時監看和分析，特別是在大型的監控系統中，即使增加足夠的後台監視器，工作人員往往因為面對眾多監視器而產生資訊氾濫，因而更難從監控場景中發現異常事件的問題。
二、監控系統往往需要多層管理，類比監控系統要實現這一功能存在許多技術上的問題。
三、類比監控系統在設計和施工的時候只能依據當前需求做出矩陣、管線預留等配置，後期如果涉及到系統變更、擴充等問題時，將是極大的困難。
四、類比監控系統只能是一個獨立的影像系統，當要考慮到影像資料與其他系統的整合與二次開發利用時，是不可能做到的。
五、類比監控系統中的硬碟錄影機系統對許可權管理也存在很大的安全漏洞和技術障礙。比如有多個硬碟錄影機，如要查看歷史圖像需要逐一登錄時，由於每個硬碟錄影機都保存多路影像，一旦出現設備故障時，或缺乏有效的備份機制等的問題，都將產生極大的危害。
六、對於整個安防系統來說，監控所占的投資份額是最大的，但大量的影像資料都是無效的保存在影像存儲系統中，一旦真正有需要做歷史檢索時，其大量的人工及時間查找，這是一種極大的浪費。
由於數位化、網路化之後，影像監控系統除了可以包含傳統的聲音及影像等的資料，並整合如考勤、門禁、報警之外，增加IVS 後，更可以大大提升監控系統存儲資料的利用價值。數位化、網路化、智慧化的監控系統具有配置靈活、傳輸多樣、管理簡便、功能強大等優點，是下一代監控系統的發展趨勢。
至於智慧型的影像監控產品能否有效地工作並滿足客戶的需要，主要取決於兩個方面：首先該產品所使用的智慧影像分析核心技術要足夠精確與穩定，並能夠適應監控現場的複雜情況；其次，用戶需要對核心技術有一定的理解，針對場景做應用級別的調試及開發，合理架設系統並設置警戒規則，才能發揮IVS的最佳性能。
[ 本帖最後由 0935097120 於 2008-9-22 10:43 編輯 ] |
|
