基于智能视频监控的安防系统设计（二） 基于智能视频监控的安防系统设计（二） 针对当前流行的视频监控系统不能智能识别监视目标、不能智能处理突发状况等问题，提出了一种基于智能视 频监控的安防系统设计方案。 该系统主要由监控端、管理端和服务端三部分组成，利用网络摄像机、红外探 测、电子围栏等设备对安防区域实施联合监控；借助数字图像分析技术，实时检测监控场景下的运动目标，并 对其定位、识别、行为理解，智能地管控安防区域。 文中重点阐述了智能视频监控系统的架构设计及视频智能 分析的实现。 3 智能视频分析的实现 对视频图像的采集、分析工作主要由前端摄像机内置的嵌入式微处理器来完成。 这种数据处理方式可以使得系统对原始或最 接近原始的图象进行分析，第一时间做出快速而准确的判断。 一个完整的视频图像分析处理过程需要融合图像处理技术、模式识别技术等多种技术手段才能达到较好的实践效果。 其工作 过程包括图像的预处理、图像分割、特征提取和图像分类，工作流程图如图3所示。 系统的图像识别设计借鉴运动检测的思路来实现：首先根据各坐标的像素值在整个序列中的统计信息对背景进行恢复，如有异 常情况，则提取出来；然后再利用统计方法识别该异常情况的所属类别。 图像的识别主要运用帧间变化检测方法来实现，其基本流程分为： （1）图像预处理，根据图像的模糊情况采用各类特殊技术来突出图像中的某些细节信息并削弱或消除无关信息，从而达到增 强图像的整体或局部特征的目的。 （2）图像的背景恢复及异常提取，根据各坐标处像素值在整个序列中的统计信息对图像背景进行恢复，然后利用当前帧与恢 复出来的背景相减，提取出发生了异常情况的区域；（3）图像分类，利用当前帧与恢复出来的静态背景相减，提取出所有可 能发生了异常情况的区域。 3.1 图像预处理 常见的图像增强从处理的作用域出发，可分为空间域和频率域两大类，其中空间域增强是直接在图像所在空间中进行处理，对 图像的像素灰度值直接进行运算处理。 空间域图像增强技术可用公式1来描述： 式中：F（x,y）为处理前的图像，G（x,y）为处理后的图像，H（x,y）为空间运算函数频率域图像增强是将原空间的图像以某 种形式转换到其他空间，然后利用该转换空间的特有性质进行处理，最后再转换回原空间中。 其过程可用图4来描述： 3.2 图像背景恢复及异常提取 视频序列的帧与帧之间有很强的相关性，如果只利用单帧信息来进行分析处理，错误率很高，当前分析效果较好的方法是联合 多帧进行处理。 基于这一思想，可以根据各个坐标处像素值在整个序列中的统计信息对背景进行恢复。 文中设计的系统采用 静态背景恢复进行处理： 首先，我们将图像序列定义为B（x,y,i），其中x,y代表空间坐标，i代表帧数（i=1, …， N），N为序列总帧数。 视频帧差 CDM反映了相邻帧之间的灰度变化： 

式中：阈值T用来去除噪声。 对固定的坐标位置（x,y），CDM（x,y,i）可以表示为帧数i的函数，它记录了像素点（x,y）沿时 间轴的变化曲线。 可以根据CDM（x,y,i）是否大于零将这条曲线分段，并将其用集合 表示。 系统操作步骤具体为： （1）读出相邻两帧数据，进行比较，并计算出它们的差值；（2）对得到的两帧图像差进行二值化处理，将二值化后的图像 在特定的腐蚀窗口条件下进行腐蚀处 理，随后计算出经腐蚀处理后的图像的标准帧间偏移；（3）重复步骤（1）和步骤 （2）；（4）对每一个像素点跟踪最大长度设定为0,并记录其最大长度中的 中间帧标号；（5）遍历整个序列，跟踪、记录下 单个点连续为0的最大长度；（6）遍历整帧图像，设置背景数据，恢复得到静态背景。 3.3 图像分类 从一个复杂的场景中提取出目标物体后，为了便于识别，需要对目标物体的尺寸特征、形状特征等进行测量计算。 这些特征 必须相对于特定的物体具有一定的稳定性，例如当图像发生旋转、平移时，物体的面积、周长不会出现明显变化；当图像由于 目标物体与摄像机距离的不同 而导致摄入的图像大小不同时，比例特征不会发生改变。 系统可以借助这些较为稳定的特征来 区别不同的物体，从而准确识别进入场景的目标。 在本系统中，主要采用面积和比例特征来区分运动对象。 系统图像分类采用统计模式识别方法，该方法事先定义了若干的类型或范畴，它认为图像可能包含一个或多个物体，并且每个 物体都将属于某一类事先定义的类型或范畴.其中完成“分类”工作的器件是“分类器”. 分类器的类型有许多，比如参数的和非参 数的，线性的和非线性的。 本系统设计选择了线性分类器，并利用最小距离分类法对物体进行辨识分类。 该方法是用输入模 式和特征空间作为模板的点之间的距离作为分类的准则。 设有m个类别的图像，其类别分别为W1,W2,…，Wm. 现要判断任一 个给定的图像是这m个类别中的哪一类，则可以通过提取图像的特征来进行判断。 当图像类别很多时，特征一般也较多。 为了分析和分类的方便，可用图像的d（假设图像有d个特征）个特征组成d维空间中的 特征向量X来表示，如果有m个类别，就有m个这样的特征向量。 因此，从图像中提取到全部特征后，组成d维向量，采用最小距离分类法与样本库中的图像类的特征向量进行匹配运算，如果 其与第i（0