基于监控视频的计算机视觉技术研究

吴思坤 山东省广饶第一中学59级6班

近年来，大规模分布式摄像头数量的迅速增长，摄像头网络的监控范围迅速增大。摄像头网络每天都产生规模庞大的视觉数据。这些数据无疑是一笔巨大的宝藏，如果能够对其中的信息加以加工、利用，挖掘其价值，能够极大地方便人类的生产生活。然而，由于数据规模庞大，依靠人力进行手动处理数据，不但人力成本昂贵，而且不够精确。具体来讲，在监控任务中，如果给工作人员分配多个摄像头，很难保证同时进行高质量监视。即便每人只负责单个摄像头，也很难从始至终保持精力集中。此外，相比于其他因素，人工识别的基准性能主要取决于操作人员的经验和能力。这种专业技能很难快速交接给其他的操作人员，且由于人与人之间的差异，很难获得稳定的性能。随着摄像头网络覆盖面越来越广，人工识别的可行性问题越来越明显。因此在计算机视觉领域，学者对摄像头网络数据处理的兴趣越来越浓厚。本文将针对近年来计算机视觉技术在摄像头网络中的应用展开分析。

1 字符识别

随着私家车数量与日俱增，车主驾驶水平参差不齐，超速行驶、闯红灯等违章行为时有发生，交通监管的压力也越来越大。依靠人工识别违章车辆，其性能和效率都无法得到保障，需要依靠计算机视觉技术实现自动化。现有的车牌检测系统已拥有较为成熟的技术，识别准确率已经接近甚至超过人眼。光学字符识别技术是车牌检测系统的核心技术，该技术的实现过程分为以下步骤:首先，从拍摄的车辆图片中识别并分割出车牌；然后，查找车牌中的字符轮廓，根据轮廓逐一分割字符，生成若干包含字符的矩形图像；接下来利用分类器逐一识别每个矩形图像中所包含的字符；最后将所有字符的识别结果组合在一起得到车牌号。车牌检测系统提高了交通法规的执行效率和执行力度，对公共交通安全提供了有力保障。

2 人群计数

2014年12月31日晚，在上海外滩跨年活动上发生的严重踩踏事故，导致36人死亡49人受伤。事件发生的直接原因是人群密度过大。活动期间大量游客涌入观景台，增大了事故发生的隐患及事故发生时游客疏散的难度。这一事件发生后，相关部门加强了对人流密度的监控，某些热点景区已投入使用基于视频监控的人群计数技术。人群计数技术大致分为三类:基于行人检测的模型、基于轨迹聚类的模型、基于特征的回归模型。其中，基于行人检测的模型通过识别视野中所有的行人个体，统计后得到人数。基于轨迹聚类的模型针对视频序列，首先识别行人轨迹，再通过聚类估计人数。基于特征的回归模型针对行人密集、难以识别行人个体的场景，通过提取整体图像的特征直接估计得到人数。人群计数在拥堵预警、公共交通优化方面具有重要价值。

3 行人再识别

在机场、商场此类大型分布式空间，一旦发生盗窃、抢劫等事件，肇事者在多个摄像头视野中交叉出现，给目标跟踪任务带来巨大挑战。在这一背景下，行人再识别技术应运而生。行人再识别的主要任务是分布式多摄像头网络中的“目标关联”，其主要目的是跟踪在不重叠的监控视野下的行人。行人再识别要解决的是在一个人在不同时间和物理位置出现时，对其进行识别和关联的问题，具有重要的研究价值。近年来，行人再识别问题在学术研究和工业实验中越来越受关注。目前的行人再识别技术主要分为以下步骤:首先，对摄像头视野中的行人进行检测和分割；然后，对分割出来的行人图像提取特征；接下来，利用度量学习方法，计算不同摄像头视野下行人之间在高维空间的距离；最后，按照距离从近到远对候选目标进行排序，得到最相似的若干目标。由于根据行人的视觉外貌计算的视觉特征不够有判别力，特别是在图像像素低、视野条件不稳定、衣着变化甚至更加极端的条件下有着固有的局限性，要实现自动化行人再识别仍然面临巨大挑战。

4 异常行为检测

在候车厅、营业厅等人流量大、人员复杂的场所，或夜间的ATM机附近较容易发生犯罪行为的场景，发生斗殴、扒窃、抢劫等扰乱公共秩序行为的频率较高。为保障公共安全，可以利用监控视频数据对人体行为进行智能分析，一旦发现异常及时发出报警信号。异常行为检测方法可分为两类:一类是基于运动轨迹，跟踪和分析人体行为，判断其是否为异常行为；另一类是基于人体特征，分析人体各部位的形态和运动趋势，从而进行判断。目前，异常行为检测技术尚不成熟，存在一定的虚警、漏警现象，准确率有待提高。尽管如此，这一技术的应用可以大大减少人工翻看监控视频的工作量，提高数据分析效率。

基于监控视频的计算机视觉技术在交通优化、智能安防、刑侦追踪等领域具有重要的研究价值。近年来，随着深度学习、人工智能等研究领域的兴起，计算机视觉技术的发展突飞猛进，一部分学术成果已经转化为成熟的技术，应用在人们生活的方方面面，为人们提供着更加便捷、舒适、安全的环境。展望未来，在数据飞速增长的时代，挑战与机遇并存，相信计算机视觉技术会给我们带来更多的惊喜。