五问视频分析相关问题 未来趋势预测
- 来源：中国安防展览网整理 作者：编辑部
- 2014/8/20 10:31:386452
视频智能分析技术，通过将摄像机场景中背景和目标分离，进而分析并判断场景的各种状况。用户可以根据现实的实际场景，建立相应不同场景模型，生成在场景中出现不同状况后联动相应报警事件的规则，通过这种规则来判断和分析视频，自动发出报警，输出联动信号，提示用户进行相应的操作或根据报警的场景来采取相关的措施。
五问视频分析
1.视频分析在监控智能化中的地位
视频分析是监控智能化的发展趋势，是未来监控智能化中不可缺少的一部分。视频分析的重要影响我认为在两个方面，是将安防监控人员从繁杂枯燥的监控任务中解放，让机器完成这部分工作；第二是在海量的视频数据中快速检索出想要的信息”。马磊在采访提到的两点可以看出智能监控在来安防行业中的重要作用。
2.在当前的视频分析中，哪个方面是具发展价值的？
在当前的诊断类、识别类、行为类视频分析中都具体有发展价值。它们都是智能视频分析中不可或缺的部分。面部识别技术，特别是在身份识别应用方面，面临的一个重大挑战是待识别的目标面部和用来对比的样板面部之间的差异。
以有效期长达10年之久的护照为例。随着时间的推移会发生当事人改变发型、不再配戴眼镜等各种各样的变化。当面部识别技术部署在身份识别管理应用时，面部识别系统必须能够处理由于对象的老化所产生的变化。
监控系统中的目标图像往往还存在其他形式的问题：分辨率低；与原始图像的角度和光照条件的差异；以及面部表情等。NeoFace技术必须能够处理这些问题。
NeoFace系统使用多种技术来实现其高匹配度。通过参考收集到的从儿童到老年人的大量匿名图像，利用特殊的匹配技术来实现在软件中的老化过程的建模。Imaoka博士还解释到，利用大头照制作一个虚拟3D模型，借助不同的角度、光照等因素生成不同的图像。这些图像都被存储在数据库中，当目标图像出现在NeoFace系统中时，便要求数据库搜寻一个图像加以匹配。“NeoFace甚至能识别出我30岁时的照片，”Imaoka开玩笑说道。
NEC的超分辨率图像增强技术甚至能识别出低分辨率传感器捕捉到的模糊的面部图像。该系统能够使目标图像与退化的模板匹配，产生能够容易被人识别的面部图像，甚至在双眼之间的图像分辨率低至24像素的情况下也可以实现。
3.图像处理成果
波士顿马拉松案提高了人们对人脸识别技术的认识。根据众多报道，尽管摄像头中捕捉到了**的影像，但这些系统却无法确认**。然而在密歇根州立大学进行的一项人脸识别系统试验中，先进的NeoFace人脸识别技术使用与警方同样的事件现场照片，几乎瞬间完成了**的“同一性”匹配比对。
智能分析要想得到普及就要做到“快”和“准”，“快”就是要在时间识别出异常情况，并对此做出反应。而“准”就是要在识别中减少误判，不然不仅不会为工作人员减负，反而会增加负担，也会扰乱公共秩序。
4.视频分析技术对安防行业的影响
在视频分析技术的应用中，不止停留在原来能“看”监控的程度；还能“懂”监控场景中目标物体的行为；能够“想”目标物体是什么，行为意味着什么；更可以把想的结果“说”出来。具变革意义在于从以前的“被动监控”向“事前控制、主动预警、事中追踪、事后分析”转变.。
阻碍该技术发展的关键问题还是辨别率和识别速度之间的矛盾，因为在目前芯片处理能力的前提下，为尽快得出结果对图像处理分析过程就会简化，准确率就会受到影响；反之，识别速度就会受到影响。而且在不同的应用场景中，对两者的要求也不一样，所以对视频分析软件提出了很大的挑战。
5.智能分析技术应用中的实际问题
目前智能分析技术在实际应用中还存在以下问题：
1、分析准确率受环境影响大
系统针对复杂异常行为建模困难，目标与背景接近会导致目标特征信息提取困难;运动目标被遮挡会造成目标信息缺失;目标移动速度过快或算法过于复杂导致跟踪的有效性较低，上述因素易造成误报、漏报、跟踪困难等结果。
2、海量数据分析速度较慢
针对后端平台的智能分析而言，前端采集设备回传大量的视频、图片等信息，都需要在平台服务器上叠加算法进行分析，由于服务器本身处理性能的限制，无法并行处理大量数据，因此，虽然智能分析服务器的应用为公安、交警等需要大量检索视频的情况节省了人力与时间，但整体的效率仍有提高的空间。
未来视频分析技术的发展趋势如何？
运动目标检测及跟踪处於智能视频监控系统的底层，為后续的目标行為分析与理解提供可靠的数据来源。目前的目标检测及跟踪技术对光照变化较大、目标遮挡、动态背景干扰等场景进行处理时效果并不理想。因此需对目标检测及跟踪技术继续深入研究，提高算法的准确性，使之能够适应更為復杂和多变的现场环境。
此外，目前市面上已有的智能视频分析功能大多集中在对单路摄像头採集的单源视频进行独立分析，缺乏多路多源监控视频的协同分析，因此应对跨摄像机目标跟踪技术进行研究，从而获取目标在大场景内的行踪轨跡，以进行更准确的行為分析。
遮挡是目标跟踪中必须解决的难点问题，运动目标被部分或完全遮挡，又或是多个目标相互遮挡时，目标部分不可见会造成目标信息缺失，影响跟踪的稳定性。为了减少遮挡带来的歧义性问题，必须正确处理遮挡时特征与目标间的对应关系。大多数系统一般是通过统计方法预测目标的位置、尺度等，都不能狠好地处理较严重的遮挡问题。