引言：近些年，随着政府和公众在公共安全领域安全防范意识的提高，智能视频分析技术得到了快速发展。智能视频分析技术的多种用途使其应用范围非常广泛，本文重点介绍其中几种应用途径，并对未来的发展前景做简单分析。
一、智能视频分析技术产生的背景
由于越来越注意人身安全和公共领域安全，许多公共领域均采取一定的安保措施，但是对于人流量或者车流量非常密集的区域，采用人力管理是非常不明智的，会过多的消耗人力物力财力，基于此，国家大力投入资源和经费，新技术由此诞生，即智能视频分析技术，它自诞生以来，被越来越多的应用在许许多多公共领域甚至一些私人的区域，这大大减轻了了传统的人力安保工作，并且也拓展了发生事故后的侦查信息的途径，能更清楚准确的为事故提供证据，也起到一个监控和督促的作用，减少安全事故的发生。
二、智能视频分析技术应用的现状
1、目标跟踪。即通过智能视频分析中的坐标定位功能可以进行移动检测目标的跟踪监测，弥补固定摄像机监控范围狭窄，视野不可移动变化等缺点，使跟踪监测的目标能始终处于监控画面的中央，方便观测人员的检查，这项技术是智能分析技术的基础。在交通系统中的应用非常广泛。
2、范围内目标移动检测。在目标跟踪的基础上，智能视频分析技术可以根据目标的运行方向和轨迹判断其移动范围是否处于合理范围之中，这项应用中主要运用入侵检测和绊线监测。入侵检测即是在监控场景中设置特定的检测区域，对于目标的进入或者离开进行监控并及时发出信号。绊线监测是在监控范围内，设定检测线，当有目标以非合理方向或者强制穿越检测线时，发出信号通知。这项技术多用于监狱，军区，重要物资存储仓库和私人住宅中，目前技术发展态势良好，取得一定效果。
3、目标逆行检测。在监控区域内划定物体运动方向，如果范围内有目标没有按照正常运动方向运动，则标记该目标，这项技术主要应用在交通逆行违章中来检测是否有车辆逆行，通过与其他技术的联合应用，抓拍违章车辆车牌号，来为交警人员的后续处理提供依据，该项技术目前已经很成熟，广泛应用于交通道路监控。
4、遗留物体检测。这是指在视频中划定固定的监测范围，进入该检测范围内并静止停留一段时间的物体内进行监测监控，这项技术目前主要应用于交通领域中的违章停车，也可以用于ATM机异物留存检测，还可以用于机场，码头，车站等公共领域危险品遗留的监测，不过目前广泛应用在前两种情况，对于进行公共领域危险品的监测还有一段距离。
5、流量统计。指在视频中设立一个或者几个需要检测的范围，统计单位内进入或者离开该范围的目标数量，这项技术可以应用在著名景区、博物馆、美术馆等进行游客数量统计，也可以应用在监狱进行检查，还可以应用在交通领域中的单位时间内车流量统计，该项统计对区域范围和车流密集程度有一定要求。
三、智能视频分析技术的发展前景
3.1技术发展前景
像素更高。过去，很难实现高清视频分析，但是最近一段时间技术提升，目前已有200万像素、500万像素的高清视频分析，在之后的技术发展中，像素会随之越来越高。
应用范围更广泛。目前，智能视频分析技术主要应用于电子警察系统，交通卡口等领域，随着技术的进步和政策的支持，日后，会应用于更广泛的领域，比如人脸识别等。
技术更智能。当前的技术已由配备工控机到直接将算法写入摄像机，不但让视频分析技术前端配备设备更少，更加实现智能化，也让内部处理器性能有所提高，今后的产品研发中，这项技术会越来越智能。
运行稳定性更高。当前虽然智能视频分析技术有一定范围和程度的应用，但是在稳定性方面存在一定缺陷，有些领域的应用还处于试用阶段，将来，在技术提升以后，监测准确度和稳定性都会提高。
3.2市场发展前景
由于目前人口多，家庭拥有车辆增多，交通拥挤是现代城市中一个较为严重的问题，因此，这也是政府所关注和投资的重点，智能视频分析技术作为交通领域发展进步所依赖的核心技术，将会在政策资源技术等方面获取一定优势，前景不言自明。
结论：通过对智能视频分析技术应用范围以及前景的分析，了解到智能视频技术在现代社会发展中所起到的作用，日后在政策的支持下，该项技术一定会有更大的发展空间。
中图分类号：TP 文献标识码：A
原标题：基于视频内容场景分析的变电站视频监控系统研究
收录日期：2012年11月18日
随着科学技术的发展和电网调度自动化水平的提高，变电站无人值守成为必然的发展趋势，为了保证变电站的安全运行和对设备的监控，这就要求增加变电站设备的图像监控和图像传输功能。传统的视频监控在事前预警、事中处理、事后取证、降低人工劳动强度、24小时无人值守监控等方面存在不足，基于智能视频分析技术的变电站视频监控系统的需求也随之增加和越发急切。为保证变电站安全，智能视频分析通过嵌入在视频服务器前端设备中的智能视频模块，对所监控的画面进行不间断分析，并采用智能算法与用户定义的安全模型进行对比，一旦发现有安全威胁，立刻预警或报警。有效地提高报警精确度，大大降低误报和漏报现象的发生。减轻基层人员的设备维护保养工作负荷，提高整个监控管理的效率和效果。使视频监控在变电站日常生产安全方面将发挥巨大的作用，提升电力公司在智能电网应用的水平。
一、智能视频分析技术概述
（一）智能视频分析技术定义。智能视频分析源自计算机视觉技术，是人工智能研究的分支之一。AI主要用于建立图像及图像描述之间的映射关系，使计算能够通过数字图像处理和分析来理解视频画面中的内容。智能视频分析是指计算机图像视觉分析技术，通过将场景中背景和目标分离进而分析并追踪在摄像机场景内出现的目标。用户可以根据视频的内容分析功能，通过在不同摄像机的场景中预设不同的报警规则，一旦目标在场景中出现了违反预定义规则的行为，系统会自动发出报警，监控工作站自动弹出报警信息并发出警示音，用户可以通过点击报警信息，实现报警的场景重组并采取相关措施。
视频监控中所提到的智能视频内容分析主要指的是自动的分析和抽取视频源中的关键信息。如果把摄像机看作人的眼睛，而智能视频系统或设备则可以看作人的大脑。智能视频技术借助计算机强大的数据处理功能，对视频画面中的海量数据进行高速分析，过滤掉用户不关心的信息，仅仅为监控者提供有用的关键信息。智能视频分析主要目的是化被动监控为主动监控——事前预警；计算机代替人工完成实时监视任务——事中处理；在海量视频数据中快速搜索目标/事件——事后取证。
（二）视频分析方法主要有两类。一类是背景减除方法，是利用当前图像和背景图像的差分（SAD）来检测出运动区域的一种方法。可以提供比较完整的运动目标特征数据。精确度和灵敏度比较高，具有良好的性能表现。背景的建模是背景减除法的技术关键。一般采用在系统设置时期设置系统自适应学习时间来建模，根据背景实际“热闹程度”选取3～5分钟的学习时间。一般系统建模完成后，随着时间的变化，背景会有一些改变，系统具有“背景维护”能力，即可以将一些后来融入背景的图像，如云等自动加为背景。
另一类是时间差分方法，是高级的VMD，又称相邻贞差法，就是利用视频图像特征，从连续得到的视频流中提取所需要的动态目标信息。实质就是利用相邻帧图像相减来提取前景目标移动的信息。此方法不能完全提取所有相关特征像素点，在运动实体内部可能产生空洞，智能检测出目标的边缘。
（三）智能视频分析技术原理。智能视频分析技术，是通过对视频信号进行处理、分析及内容理解，提取视野范围内运动个体的运动特征，通过将运动特征与一定预设规则的比较，让计算机自动“理解”视频内容，当发现满足一定规则条件的“行为”时实现智能化自动报警。
（四）智能视频分析过程。智能视频分析是利用计算机视觉技术，对画面进行分析、处理、应用的过程、包含如下过程：
1、背景学习过程：自动学习监视场景的背景情况；
2、目标提取跟踪过程：提取跟踪前景变化目标，检测并分析目标的活动；
3、视频分析判断过程：根据规则追踪目标的活动，判断是否违反预定义规则；
4、加载预处理过程：加载用户的预定义规则；
5、触发报警过程：确定目标活动违反规则，根据预定义传输报警的指定的用户。
二、智能视频内容分析的优势与技术难点
（一）智能视频分析的优势。在智能视频分析检测技术中，需要分析的目标区域只要在视野范围之内，在视频中能够看到即可，没有其他什么要求，无需增加任何成本。智能视频分析可以极大地提高视频监控系统的使用效能，其主要优势体现在以下几个方面：
1、全天候可靠监控。彻底改变以往完全由工作人员对监控画面进行监视和分析的模式，通过嵌入或布防在前端系统的智能视频分析部件实现对所监控的画面进行实时不间断的分析。
2、更高的报警精确度。前端系统集成强大的图像处理能力，并运行高级智能算法，使用户可以更加精确的定义安全威胁的特征，有效降低误报和漏报现象，减少无用数据量，同时将工作人员从观看视频画面中解放出来，而只需要他们及时响应监控系统给出的信息。
3、更快的系统响应速度。可以更准确地识别可疑活动，在安全威胁发生之前就能够提示安全人员关注相关监控画面，提前做好准备。还可以使用户更加确切的定义在特定的安全威胁出现时应当采取的动作，并由监控系统本身来确保危机处理步骤能够按照预定的计划精确执行，有效防止在混乱中由于人为因素而造成的延误。
4、更有效的资源节约。因为异常行为报警视频只占总量的极少部分，这样只传送报警画面可以大大地减缓各级主站系统的传输带宽和存储压力，而这两者恰好又是当今电力视频监控系统的瓶颈所在。
（二）智能视频分析需要攻克的技术难题。视频内容分析涉及的技术问题很多，主要的技术难点是：
1、光照的变化对画面的影响。视频监控系统是昼夜工作，相应地，光照也处于不断地变化之中，如照明灯光、逆光、反光、车灯、室外云彩等都会导致画面的明暗变化，这就要求视频处理算法能够适应这种客观情况，通过背景模型的自学习和更新维护达到减低或消除这种现场光线变化可能带来的误报和漏报。
2、自然天气变化。雨、霜、雪、雾、尘、烟雾、云影等不仅使得光照发生变化，而且改变了像素的内容，从而干扰了视频画面中的目标探测准确度，并浪费了系统的计算资源。需要采取技术措施过滤这些干扰成分，以适应各种自然天气和自然条件的变化。
3、背景画面提取。运动目标检测的一个必要步骤是进行画面的前景和背景分离，正常的视频图像中可能出现摇动的树叶、晃动的波浪、光线反射、物体反光、风吹草动等现象，所有这些现象都会造成画面像素的变化，进而造成误报。需要设计时适当的处理算法，实现对局部画面规则往复性、细小运动部分的过滤，达到背景和前景的分离。如此之后，将目标探测、特征提取等工作集中在前景画面上。
4、阴影区域与高亮区域。视频内容分析主要是基于YUV色彩空间的Y信号，即亮度信号进行探测与跟踪分析，故对视频场景中的背景和前景的对比度有一定的要求，由于高亮度区域颜色接近白色，而阴影区灰度范围过窄，对比度太低，这些因素都会导致分析算法的探测跟踪能力的降低，需要设计相应的技术处理措施，抑制或减轻这些因素对分析质量的影响。
5、画面目标清晰程度。目标与摄像机距离的远近构成画面上所占区域面积的差异，某些分析对象可能因为像素太少或信息量不充分而不能做出准确的判断。对于人的判断，正面脸部特征是主要的判决依据，过于侧向时会导致信息量过少。从技术角度上讲，需要尽量地将可分辨的门限向下端靠近，这样系统的适用范围将更广。
6、在数据存储方面。以往的基于DVR的完全集成的存储模式由于缺乏灵活性和存储容量偏小而影响系统的使用，举个例子，DVR设备的任何故障都将导致主站系统无法获取历史图像。基于DVR存储的另一个缺点是远端调用任何历史图像都要占用CPU时间，这将影响DVR的性能。早期系统的另外一个问题是图像的分辨率低，主要是CIF格式，最高的是4CIF，系统不支持高清视频接入。而今，随着传输带宽的不断改善，实际应用中越来越多地使用高清摄像机，1280、720p已经十分常见，且高分辨率图像更有助于智能视频内容分析。
其他的因素还包括摄像机角度、摄像机高度、摄像机距离等，各种因素最终都会反映到构成画面的像素上来，也就是说，研究视频内容分析算法就是研究如何通过技术手段，克服或减弱这些因素的影响。当然，不同的分析模式对像素数目的需要是不一样的，智能视频监控系统需要的是通用的视频内容分析算法。
三、基于视频内容分析监控体系的算法及结构
智能视频监控系统的体系结构包括软件和硬件两个部分，软件部分承担具体的分析算法，硬件提供算法支撑和动作响应环境，可以根据应用需要布置在相应的位置上。
（一）智能视频监控系统的体系软件结构及算法。软件部分的工作重点在于设计既先进又切实可行的视频分析算法（VCA），软件分析流程如图1所示。（图1）图1说明，用户可以在视频监控系统工作站配置视频分析模块和方式，如入侵检测、丢包、停车管理、目标跟踪等，然后在该模式下进行相应的规则下的参数配置，如设置防区、目标速度过滤、人脸识别、设备状态监测，等等。这样，符合规则的场景画面将会触发报警事件，记录场景发生的情况，同时将事件通知相关人员。具体的模块和规则可以因各个行业的不同而有所区别，但是软件系统基本遵循统一的框架结构。
（二）视频分析算法模块构成。视频分析的硬件系统架构有四种类型，分别是：（1）前端独立单元；（2）嵌入IPC和RPU；（3）后端网络视频分析服务器；（4）前后端混合架构。（图2）
前端独立单元是将摄像机输出的模拟信号同时输送给DVR和独立的视频分析设备，由该设备完成视频分析，将分析结果可以同时送到DVR和后端的平台系统管理服务器。（图3）
IPC和RPU内部也可以植入视频分析硬件和软件，在进行视频压缩与存储的同时进行视频分析。
后端网络视频分析服务器是配置在监控中心的专门承担视频分析任务的设备，这种方式要求前端系统实时上传视频信号，由该设备进行多路视频分析，给出分析结果，并根据结果与预设规则的匹配程度做出响应。（图4）
前后端混合式架构是将前端独立分析设备或RPU与后端网络监控中心的独立视频分析设备相结合，各自在功能上进行分配，有所侧重。前端设备承担算法复杂度低、计算量少的视频内容分析功能，后端设备负责复杂度高或者需要进行连续跟踪分析的功能。两者的结合可实现更加丰富和完整的视频内容分析。
四、智能视频分析在变电站的应用
（一）入侵检测与跟踪。当前，视频监控在电力系统中已经得到了广泛的应用，但现在布防的摄像机基本上是“单兵”作战模式，通过云台的旋转对局部区域进行监视，这样很难对入侵对象实施连续多角度的监视。而基于视频内容分析的多摄像机智能控制方法能够对每个摄像机覆盖的监控区域内的入侵对象进行检测，并全程协调相关摄像机自动接续跟踪，实现整个系统多摄像机的联动控制。通过转动摄像机云台和控制镜头焦距，使目标以适当的大小和位置处于摄像机摄取的画面中，这样可以提高监视画面和记录图像信息的有效性，减少监控盲区，提高系统对运动目标辨识的有效性。
（二）异常行为分析。视频内容分析及处理主要包括穿越检测、弃置物体检测、重要区域逗留监测、火警、烟雾检测等应用。
1、穿越检测。在监控画面中规定一条虚拟的警戒线，一旦监控画面中有人、车辆等各种物体按照预定的方向穿越这条警戒线，即刻触发穿越警戒线报警。跨越警戒线又分为单向跨越和双向跨越：单向跨越规定从预定的方向跨越警戒线才触发报警，双向跨越指的是从任何方向跨越警戒线都将触发报警。穿越检测适用于对重要物体的预防性保护，以避免事故和意外事件发生。比如：在监控画面中的输电线路走廊、变电站围栏附近设定几条警戒线，当有人和物体穿越警戒线时，则自动触发报警。
2、异常物体检测。在监控画面中设定监控的预定区域，一旦有物体遗弃于预定区域内，同时该物体在预定的时间内未被取走，即触发物体异常报警。
3、目标区域逗留检测。在监控画面中设定监控的预定区域，一旦有人或物体在设定区域逗留超过设定的时间，则触发报警。如，在变电站的主变、电容器、开关场等重要区域设置逗留时间，超过则触发相关报警。
4、火警、烟雾检测。现在的视频分析技术已经可以对满足一定条件的静止视场内的目标进行可靠的检测：火焰稳定成像面积CIF图像下不小于6×6像素，持续时间不小于6秒；升腾或扩散中的烟雾检测，烟雾面积不小于12×12像素，扩散速度不小于3像素每秒，持续时间不小于8秒；室内大空间烟雾检测可以实现全天候24小时运行；而且，检测技术可以过滤各种光源的干扰，如高亮背景和光线变化引起的干扰。
五、结束语
电站系统应用复杂，监控点数量较多，位置比较分散，而又要实现统一的管理，智能视频分析系统成功解决了分散监控、集中管理的难题。通过网络将所有的监控点连成一个系统，在监控中心通过监控主机、大屏、手机等终端实现统一控制和管理。本文分析研究了基于视频内容的变电站智能视频监控系统的需求，针对这种需求，介绍了变电站智能视频监控解决方案。并介绍了智能视频监控平台的技术优势与电力行业特殊需求很好地结合，对相关行业的应用具有一定的借鉴价值。虽然智能视频分析在变电站中应用有许多突出的优点，但由于传统的视频监控系统已经广泛应用，传统的视频监控系统的有效性主要取决于探测器材，如视频遮挡、电子围栏、双鉴探测、烟雾、温度、湿度等，采取的是基于预设值的硬判决法则，这种方式有一定的虚警和漏警概率，这其中也包括季节气候因素对告警信息准确度的影响，这些因素是系统本身不能克服的。还有很多制约因素，比如承载网络问题、设备可靠性保障、视频的质量、视频监控系统标准还在不断地完善和发展，产品和业务互通的问题等一系列因素都制约智能视频分析发展。因此，在接下来的一段时间内，将是传统视频监控技术与智能视频分析技术互补的并存状态，也是逐渐替代的一个过程。基于视频内容智能分析技术必将是变电站智能视频监控系统的发展方向和主流趋势，它的出现，在电力通信系统中应用必将是一个全新的技术革命，相信在不久的将来，智能视频分析技术会凭借对比传统视频技术的巨大优势，在电力系统智能电网建设中得到长足的发展。
主要参考文献：
[1]梁笃国等.网络视频监控技术及应用[M].北京：人民邮电出版社，2009.9.
[2]朱松林.变电站计算机监控系统及其应用[M].中国电力出版社，2008.6.
AR技术是通过计算机系统提供的信息叠加用户对现实世界感知的技术，将虚拟的信息应用到真实世界，并将计算机生成的虚拟物体、场景或系统提示信息叠加到真实场景中，从而实现对现实的增强。更通俗一点的说法是，它是一种全新的人机交互技术，利用摄像头、传感器、实时计算和匹配技术，将真实的环境和虚拟的物体实时地叠加到同一个画面或空间。用户可以通过虚拟现实系统感受到在客观物理世界中所经历的“身临其境”的逼真性，还能突破空间、时间，以及其他客观限制，感受到在真实世界中无法亲身经历的体验。
“衣+”是世界领先的人工智能计算机视觉引擎，致力于让计算机看懂世界，属于人工智能中的感知和认知智能，在图像视频中对场景、通用物体、商品、人脸的检测、识别、理解、搜索及推荐均达到领先水平。陌上花自主研发的深层次多属性深度学习网络，是人工智能在云和端上计算的核心基础。在国际顶级计算机视觉竞赛ImageNet2015和ImageNet2016中，先后获得五项和三项世界第一。
“衣+”技术团队正在做这样一个尝试，利用AR技术结合人工智能大数据技术感知认知世界，并增强了交互方式，这将大大改变人们的生活，将深度学习的人工智能科技和AR技术相结合应用到视频、直播、时尚、购物、美食、出行、运动、旅行等生活体验的各个方面，提供全生活场景智能服务，打造前所未有的智能视觉体验。
增强现实技术，不仅展现了真实世界的信息，而且将虚拟的信息同时显示出来，两种信息相互补充、叠加。在视觉化的增强现实中，用户利用AR设备，把真实世界与电脑图形合成在一起。“衣+”AR技术结合人工智能，以计算机视觉技术为基础实现感知认知，能将人眼看到的所有信息，包括商品、物体、食物、服饰、汽车、建筑等，都精准匹配出同款及相关商品。它的展现方式更加生动、立体、多样化，能够带给用户高品质、高时效、一站式的服务体验。
“衣+”AR技术和人工智能的结合实现了对现实世界的感知和认知的能力，可以在图像视频中完成对场景、通用物体、商品、人脸的检测、识别、理解、搜索等。如今，每个月有上亿次的商品推荐通过“衣+”边看边买引擎来完成，帮助用户搜索、识别他们所看到的物品。目前“衣+”支持服饰、3C数码、商超、家居、日用品、交通工具等超过几百类商品的检测和识别。
通过对海量数据进行深度学习，“衣+”视觉引擎能够检测识别视频或图像中的商品，并通过分析商品特征，准确判断商品类目等商品信息。在餐饮方面，当用户用不同的手持终端对餐厅的食品进行拍摄后，餐厅的位置以及菜品的食材等将即刻呈现在手持终端上，使就餐体验的科技含量越来越高。
Abstract: intelligent video analysis system from appear to have now widely used in video monitoring system, video monitoring system for the development to have the indispensable role in the future it will be video monitoring system with standard.
Key word: intelligent video analysis; Pattern recognition; Artificial intelligence; Probability theory; Computer graphics
中图分类号：U672.7+4 文献标识码：A 文章编号：
前言
什么是智能视频分析系统，它是指计算机图像视觉分析技术，通过将场景中背景和目标分离进而分析并追踪在摄像机场景内出现的目标。用户可以根据的视频内容分析功能，通过摄像机在场景中预设不同的报警规则，一旦目标在场景中出现了违反预定义规则的行为，系统会自动发出报警，并发出警示音，通过点击报警信息，实现报警的场景重组并采取相关措施。
智能视频分析系统发展趋势
智能视频分析技术是基于图像处理、模式识别的新型视频监控技术。简而言之，就是发现图像中运动的物体，并对其进行跟踪、分析，及时发现“异常”行为，触发报警并采取其他措施进行干预。智能视频分析技术（Video Analytics）综合了多学科的研究成果。主要包括图像处理，跟踪技术，模式识别，软件工程，数字信号处理（DSP）等领域。随着计算机处理能力的提高，在上世纪90年代，对图像的处理逐渐变成研究热点。其中卡内基－梅隆（CMU）大学在1999年完成的在校园内的智能图像监控系统是比较有代表性的研究项目。当时该技术仍处在实验室研究为主阶段。
智能视频分析系统要解决的问题有两个：一个是将安防操作人员从繁杂而枯燥的“盯屏幕”任务解脱出来，由机器来完成这部分工作；另外一个是为在海量的视频数据中快速搜索到想要找的的图像。操作人员盯着屏幕电视墙超过10分钟后将漏掉90%的视频信息而使这项工作失去意义；伦敦地铁案中，安保人员花了70个工时才在大量磁带中找到需要的信息。基于上述两点，你必须选择视频分析系统。
智能视频分析系统的优势
目前监控系统中，存储和传输问题是首要面临的难关，大量无用视频信息被存储、传输，既浪费了存储空间又增加了带宽，智能分析的目的是为了视频存储所需要的空间减少从而缓解带宽压力，或者对于一些无用视频则采用低码流方式进行压缩或传输，更方便整套系统调查或查询使用，提升监控系统的应用价值。
目前智能分析技术主要包括：身份识别、轨迹识别、环境判断补偿识别。身份识别包括人脸识别、车牌号识别、车辆类型识别、船只识别、红绿灯识别等等。识别类的智能分析技术，最关键的要求就是识别的准确率，最好保证在98%以上，这样就能够较好地满足绝大多数监控类客户的需求，这是目前比较常见的智能分析目的；轨迹识别主要包括虚拟警戒线、虚拟警戒区域、智能跟踪、人数统计、车流统计、物体出现和消失、人员突然奔跑、人员突然聚集等等；环境判断补偿识主要包括雨、雪、大雾等恶劣天气、夜间低照度情况、摄像头遮挡或偏移、摄像头抖动等等。
智能分析技术能够实现在恶劣视频环境情况下实现较正常的监控功能。受环境影响视频不清楚的时候，尽早发现画面中的人，或者判断摄像头偏移的情况后发出报警，此类功能具备普遍的适应性，大部分监控点都有潜在需求。
智能视频分析系统的存在的难点
实际环境中光照变化、目标运动复杂性、遮挡、目标与背景颜色相似、杂乱背景等都会增加目标检测与跟踪算法设计的难度。
背景的复杂性：光照变化引起目标颜色与背景颜色的变化，可能造成虚假检测与错误跟踪。
目标特征的取舍：序列图像中包含大量可用于目标跟踪的特征信息，但目标的特征信息一般是时变的，选取合适的特征信息保证跟踪的有效性比较困难。
遮挡问题：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。
兼顾实时性与鲁棒性：序列图像包含大量信息，要保证目标跟踪的实时性要求，必须选择计算量小的算法。鲁棒性是目标跟踪的另一个重要性能，提高算法的鲁棒性就是要使算法对复杂背景、光照变化和遮挡等情况有较强的适应性，而这又要以复杂的运算为代价。
智能视频分析系统应用方式
随着视频处理器的计算能力及多核计算的兴起，智能分析技术逐渐走向成熟，在智能视频分析系统中有两种运用方式：
第一种是基于智能视频处理器解决方案的嵌入式系统（DSP）。
在DSP中，视频分析设备被放置在IP摄像机之后；基于DSP的模块化产品通常适合布置在监控系统的前端。它安装实施起来比较方便。对于知识产权的保护也容易做到位。
第二种是基于工业计算机的解决方案。
基于工业计算机（服务器）的系统通常适合布置在监控系统的后台。由于其架构相对开放，可以方便地和现有监控系统融合。另外服务器的CPU处理能力和DSP相比要高，可以使用较为复杂的算法。多核CPU非常适合多路图像处理的需要。
智能视频分析系统分类
基于内容：目标检测、识别、分类、统计、行为分析等。
非基于内容：视频质量分析、全景场景拼接、3D重构等。
⒈越界分析
功能：通过设置虚拟围篱，对周界进行侦测。当发现可疑人员或者物体穿越围篱，即触发报警，并将报警信号上传至监控管理中心。同时可将报警画面通过网络上传至远程监看用户。
应用：交通马路人行横道或斑马线；厂区重点区域围墙；学校；看守所围墙等。
⒉入侵分析
功能：通过在监看画面上设置对某一区域（可设置任意形状）为警戒状态，当有物体非法闯入警戒区后，即触发报警，并同时对闯入物体进行分析。比如当有人或车辆进入警戒区时即报警非法闯入。
应用：某些重点保护区域例如银行金库、景点区域；易发生危险地带；军事；博物馆；码头；医院等。
⒊丢失分析
功能：通过在监控画面上画出一块寸有重要物品的区域作为警戒区域，只要此物品离开了警戒区域，将立即触发报警，并同时将报警上传至远程客户端。
应用：重点保护区域如博物馆，展览厅，拍卖会，金银店等。
⒋方向分析
功能：在实际监控中，人们可能关心只是人流的方向和车流的运动方向，通过方向的识别可以判断目标是否为不合法走动或行驶，如出现逆向行为，目标将会被自动锁定，并同时报警。
应用：单向行驶的道路；重要出入口等。
⒌滞留分析
功能：对于特定区域内的逗留人或物体进行分析，当目标超过设定的时间，系统会认为为可疑物体，并同时报警，也可以将报警上传至远程客户端。
应用：所有重要的监控区域，非有关人员禁入区域。
⒎智能跟踪
功能：对可疑人或物体进行目标锁定，同时摄像机将跟随目标转动并报警，也可以将报警信号上传至远程客户端。
应用：小区；非有关人员禁入区域；机密区域；重要保护区域等
智能视频分析系统的实例运用
下面以监狱为例来具体说明智能视频分析系统运用。监狱是关押和改造犯罪人员的重要场所，因此安全是首先要保障的因素。安全保障既要保障社会的安全，也要保障狱警人员和在押人员的安全。
监狱的安全性要求与一般监控有着较大不同。由于场所的特殊性，监狱对地理区域有着明确而清晰的界定，对不同区域内人员的身份和行为也有明确界定和限制。方案的分析对象和分析内容包括：
智能视频监控系统总体结构由以下两个部分组成：
⒈智能视频分析器：前端视频分析设备，负责实现对视频信号的智能分析，并将相关结果送到管理平台，也可以直接输出报警信号。
⒉智能报警管理平台：中心管理系统，负责完成报警规则设置、用户、设备管理、告警信息处理、日志管理等工作。
根据监狱的实际需求，智能视频监控应用功能如下表所示。
中图分类号： TN948.64 文献标识码： A 文章编号：
前言随着宽带有线和无线网络基础设施的完善以及全球安防市场需求的增长，视频监控的应用正呈爆发性的增长态势。视频监控系统的发展趋势非常明显，在经历了数字化和网络化之后，下一个重要的趋势就是智能化，即智能监控和视频分析技术的应用。
1、智能视频定义
传统的视频监控由人工进行视频监测发现安全隐患或异常状态，或者用于事后分析，这种应用具有其固有的缺点，难以实现实时的安全监控和检测管理。带有智能分析功能的监控系统可以通过区分监控对象的外形、动作等特征，做到主动收集、分析数据，并根据预设条件执行报警、记录、分析等动作。智能监控系统可以运行于服务器，也可以运行在基于DSP的嵌入式系统上，而后者已逐渐成为主流
2、视频分析产生的背景
视频分析产生的背景很简单，其一为安防应用，就是当安保人员面对十、百、千的摄像机，无法真正的在风险或报警产生时预防或干预，多数靠事后回放相关的录象；其二为非安防应用，如商业上人流统计、防止扒窃等等。其理念是将风险的分析和行为识别转交给计算机或者芯片，使安保人员从“死盯”监视器的工作中解脱出来，当计算机发现问题时候，产生报警，此时安保人员进行响应。
作为传统闭路电视监控系统的下一波浪潮，数字录像系统的到来无疑标志着24*7全天候监控系统进入了更加高效的新纪元。然而当前仍然存在着一些严重的问题。接连数小时盯着通常显示着静止墙壁和护栏的多个监视器，即使是最为训练有素的安保人员也会为此而面临注意力极限的挑战。再加上黑暗或恶劣的天气情况等客观条件，这一问题变得更加复杂。随着数字监控网络中部署的摄像机和闭路电视监视器不断增多，安保人员有效审视网络上所有各点图像的能力实际上却由于信息过载而有所下降。显而易见，保安人员迫切需要一款更加智能化的系统来发挥自动“电子眼”的作用，以便对潜在入侵者、可疑目标和其它安全侵犯活动进行至关重要的瞬间刺激型准确检测，由此安保人员将可以对事件做出迅速而明智的决定和实时响应。
视频分析技术就是使用计算机图像视觉分析技术，通过将场景中背景和目标分离进而分析并追踪在摄像机场景内出现的目标。用户可以根据视频内容分析的功能，通过在不同摄像机的场景中预设不同的报警规则，一旦目标在场景中出现了违反预定义规则的行为，系统会自动发出报警，监控工作站自动弹出报警信息并发出警示音,用户可以通过点击报警信息，实现报警的场景重组并采取相关措施。
3.智能分析的局限性
IVS是一个真正基于开放式的平台，它支持S.100和TAPI标准。在极度繁忙或摄取距离过远的情况下，诸如人数统计、面部识别、扒手或偷窃监测、物体跟踪是难以完成的。人数统计的最佳时机为当人进入或离开某区域、路过走廊和通道、肩并肩行走之时。而当人群拥挤交错时，软件无法精确识别并分析，因为摄取的图像模糊不清，导致了非常高的误报率。
另一个局限性是其面部识别功能。众所周知，伪装可能导致这项功能无法可靠进行。目前，不单是自动威胁监测，IVS监测扒手或偷窃的功能也不容人过于乐观。同样，在十分繁忙的环境中跟踪目标也相当困难。比如，在有成千上万的人进出、逗留、拿起或放下行李的大型地下车站，假警报异常多且毫无用处。
4、传统、智能混合使用
由于传统的视频监控发展遇到了瓶颈，而新兴的智能监控亦有局限性，那么，我们该如何选择呢？由于应用的千差万别，智能视频监控将表现出多种产品形态，但总体可以分为以下三类：
（1）智能处理算法加载在网络视频服务器（NVS/DVS）上，形成智能视频服务器；
（2）智能处理算法加载在硬盘录像机内，形成智能分析硬盘录像机；
（3）智能处理算法还将以纯软件的方式和视频监控管理软件一起实现集中式分析和处理的能力。
对于传统模拟监控（已建或新建），选择重点、高危监控目标和场所，针对此部分图像进行分析功能，主动监控，将预警、警情实时发给模拟矩阵和DVR，完成快速切换和录像，选择智能视频服务器（IVS BOX），解决方案如图所示
当然，也可以选择智能分析硬盘录像机，方案就不再一一列举。
5、期待明天更美好
智能化、数字化、网络化是视频监控发展的必然趋势，智能视频监控的出现正是这一趋势的直接体现。智能视频监控将一改传统监控的被动监视、事后查录像的尴尬境地，可以为用户提供更多高级的视频分析功能，可以极大的提高视频监控系统的能力，并使视频资源能够发挥更大的作用。
自我国步入改革开放以后，经济水平得到不断的提高，大大改善了人们的生活水平。我国在21世纪的发展目标就是实现“和谐社会”，为了保障人们的生活财产安全，智能分析技术不断融入到视频监控系统中，提高安全防范的手段，实现社会的和谐与稳定。
1 智能分析技术在视频监控系统中应用的优势
在我国的传统视频监控中，监控录像都是由工作人员进行查看与分析，进而起到安全防护的作用，但是这种传统视频监控系统也有很多不足，由于是通过人员进行监控，对监控的场景并不能进行及时的控制，如果监控点过多，就不能对每一个都进行及时的监控。除此以外，工作人员不可能保证每天24小时都盯着监控器。除了这些弊端以外，传统的视频监控系统也是有好的一面，录像可以用做证据，但是除了保存的时间有限，查看监控录像的效率也是非常低的。如果在视频监控系统中加入智能分析技术，这些问题就会轻松的解决了。[1]智能分析技术的工作原理是计算机的视觉分析方式，没有人员对其操作的时候也是可以自行工作的，把摄像头拍摄到的画面进行定位、识别以及跟踪，然后对当前场景做出分析，如果是异常的情况就会立刻做出反应。由此可以看出，智能分析技术在视频监控系统中发挥的作用越来越大。
2 智能分析技术在视频监控系统中的发展现状
2.1 技术角度
智能分析技术把视频画面进行分割等来判断视频画面中的目标，然后再通过各种各样的规则把事件进行划分。如此才可以做到根据判断出来的情况选择是否报警等。还有一种技术就是模式识别技术，这种技术是通过建模对视频里的物体进行分析，这种方法通常都会采用大量的样本对其训练，提高对视频中的目标更准确的分析与判断，这种技术应用在车辆检测、人脸检测等方面。
2.2 应用角度
我国近几年来，智能分析技术的主要应用可以分为以下四类：
（1）实时报警类
实时报警类是通过对技术对监控的画面做出分析与判断，如果分析的情况满足报警要求的时候，视频监控系统就会触发报警系统。而触发的报警系统也分为跨线报警、入侵报警以及聚众打架报警等。伴随着智能分析技术在视频监控系统中的深入，还会出现行人上高速报警、司法行业的攀高报警等等。
（2）数据统计类
数据统计类在视频监控系统中主要应用是进行监控画面的目标统计，然后运用数据做成报表，提高了工作的效率。这种类别的技术主要应用在路口、商场等视频监控系统中，统计车流量、人流量等。
（3）属性识别类
属性识别类的智能分析技术是对监控画面中的目标根据不同的属性自动识别，进而可以快速识别画面中的事物，在实际应用中，如人脸识别、车牌、车标、颜色等进行识别，加强安全防卫与调查统计。
（4）图像处理类
图像处理类智能分析技术是把监控画面通过技术处理以后，把不清楚模糊的画面运用科学的计算方法来对其进行处理，实现清晰化的监控视频画面。在银行、医院等方面运用比较广泛，通过把画面清晰度调高，对监控场景进行更好的分析与判断。
3 智能分析技术在视频监控系统中的发展趋势
由于发展技术有限，智能分析技术在视频监控系统中的应用中存在的最大问题就是准确率，由此，为了提高智能分析技术在视频监控系统中的发展，首先就要提高准确率。
3.1 从源头增加可判断信息
伴随着双目摄像头的发明与推广，智能分析技术可以帮助这种双目摄像头记录的大量信息进行分析与处理，从而获取监控画面中的重要信息，提高准确率，从源头增加信息的可靠性。
3.2 自学习和自适应算法的研究和应用
在智能分析系统中，要通过不断的学习与进步提高技术水平，把复杂的环境通过自学习进行分析与判断，忽视干扰因素，对目标进行精准的查找。[2]进而实现视频监控系统的准确率。
3.3 视频数据深入挖掘应用迅速发展
伴随着视频监控系统的广泛应用，记录的信息量也变大非常大，那么，怎样才能在视频监控系统中发挥智能分析技术，是目前监控行业发展的难题。通过多种多样的计算方式，把视频数据进行分析、标识以及检索等，实现在大量的信息数据中简单快捷的找到目标信息，减轻工作人员的压力，提高工作效率。还可以帮助工作人员解决一些人力无法完成的问题等。[3]例如，在视频监控录像中查找出一个穿什么颜色衣服、什么发型、以及开的车的车牌号等，方便快捷，还有实现根据一张图片搜索相关的图片信息。
4 智能分析技术在视频监控系统中的实际案例
某高速交警违章智能取证系统：近几年来，视频监控系统在交通中也得到了广泛的运用，而进行检测的时候只能进行全景检测，如果在高速公路上出现违章事件的时候，对违章车辆不能实施抓拍惩罚，进而导致在高速公路上的发生的违章现象一直存在，为车辆在高速公路上行驶带来了严重的威胁。为了解决这一现象不再发生，某高速交警支队在所管辖的高速路段安装了智能分析技术的视频监控系统，对违规车辆进行智能跟踪取证。这个系统是由事件检测服务器和智能跟踪技术构成，通过对视频进行分析与判断，一旦出现停车违章，逆行等现象，就会把数据上传至跟踪系统，一直到可以看清车牌并记录下来，这种系统的使用，大大减少了高速上的违章现象发生。
5 结束语
综上所述，通过对智能分析技术在视频监控系统中的应用，找出其在监控领域的优势与发展前景，既可以做到最基本的对监控的场景进行分析与判断，还可以实现日常的复杂工作的解决，通过提高智能分析技术在视频监控系统应用，让视频监控系统得到更广泛的运通，对维护社会的和谐也起到一定的作用。
参考文献
[1]张勤锋.论智能分析技术在视频监控系统中的集成应用[J].中国安防，2014，No.9416：110-112.
中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2016）29-0267-03
1概述
如今，旅游已经成为人类社会的主要生活方式和社会经济活动。旅游的发展对经济的增长起着巨大的作用。由于现代信息技术的高速发展，我们从以前的传统旅游时代已经进入到一个新的智慧旅游时代。虽然旅游业取得了很好的成绩，但同时也出现了很多的不足。一些宰客、欺客的现象经常发生，主要原因表现为买方和卖方的信息不对称。在此背景下，急切需要一个平台将游客和商家紧密联系起来，为游客提供最新、最全面的旅游信息，实现旅游信息资源的高效整合、利用、共享。达到旅游管理的全智能化。因此，智慧旅游平台的建设非常重要。
2智慧旅游相关概念
2.1旅游信息化
旅游信息化，就是以现代通信技术、计算机技术和其它有关信息技术为技术基础，利用IT技术对旅游各类资源要素等进行深层开发、加工、组织与利用的过程，以达到增进旅游产值、提高产业效率、加快产业提质升级的目的。旅游信息化的实质就是通过对现代信息技术的运用，来改变传统旅游业的发展方式，通过对旅游信息资源的高度整合，推动旅游经济的快速发展。
2.2智慧旅游
智慧旅游是以云计算、物联网、移动通信技术以及人工智能技术为技术基础，以终端上网设备为硬件基础，通过对旅游相关信息的主动感知和利用，及时对旅游计划进行安排和调整，进而将旅行社、景区、游客、酒店、旅游管理部门以及其他旅游参与方涵盖在内创造更大价值为根本任务的一种旅游运行新模式。智慧旅游注重信息技术的应用，以游客为中心，以人为本，整合旅游信息资源，达到旅游管理的智能化，实现旅游参与方的价值最大化。
2.3智慧旅游平台
智慧旅游平台基于物联网系统结构，利用云计算、物联网等技术，最大程度的满足旅游行业的整体需求，以应用解决方案为核心，以感、传、智、用为关键环节进行整体架构的一种全新服务体系。
3智慧旅游平台的主要功能
3.1智慧服务
智慧服务主要包括：1）智慧导航：利用LBS技术确定游客所在的地理位置，游客在地图上选择目的地，系统界面会及时显示目的地最新的信息，例如：交通拥堵状况、交通事故、车况等。人工智能导航会进行语音提示，根据所在的位置随时更新导航信息。2）智慧导游：可以在线或通过离线地图查看拟去的景点，主要景点通过3D成像技术放入后台数据库中，当手指点击地图上的某一个景c时，会自动弹出景点的介绍文本，并通过flash进入景点实景图。用户可以在当前的实景图中选择智能导游服务，智能导游以语音的方式为用户进行景点的相关介绍。3）智慧导览：围绕核心景区和旅游分类（如人文类、景观类等）帮助游客导览，如查看旅游景点的分布、规划旅游路线等。智慧导览具备游客定位功能，借助GPS卫星帮助游客在地图上进行定位，实时显示3D地图中的游客位置。4）智慧导购：为用户提供完备的一站式服务。主要包括：①智能预订系统。为用户提供在线或线下订票、订房服务。②智能导购系统。为用户推荐旅游景区的商品，从吃、穿、住、行等方面提供相应的子系统服务。③智能在线互动系统。以实现用户之间的互动体验为目的，主要包括用户体验之后的评论和分享等子系统。
3.2智慧营销
智慧营销就是运用信息技术进行旅游舆情监控和数据分析，挖掘游客兴趣点和旅游热点，制定合理的营销策略，从而为游客提供智能的旅游服务。主要包括：1）个性化路线生成。游客输入旅游起点和终点、旅游偏好（景区类别、交通工具等）等数据，通过计算机运算和规则推理生成满足客户要求的个性化路线，并在地图上进行实时标注。2）路线规划。对已经在旅游景点或行程中的游客进行路线规划，分析各种路线方案并提供游客参考。3）最佳路线推荐。基于路线规划（如交通拥堵状况，交通管制，交通事故，现行停车场及车位等状况进行分析），再结合游客自身的旅游偏好通过智能分析推荐出一条适合的游客的最佳路线。4）最佳景区推荐。通过视频监控人流技术系统来统计景区旅游的人口密度，人较少时，则可通过一个一个人数点来计算密度，人较多时，则可通过地下空余面积计算密度，人特别多时，通过人的运动轨迹来计算密度，来判断当天某景点是否处于舒适的游览环境，结合天气和当地节日、文化习俗，为游客推荐最佳的旅游路线。
3.3智慧管理
通过对平台运行的数据进行统计分析，实现科学决策，从而实现对游客、景点、旅游企业的智慧化管理。一般来说，智慧管理对象主要包括：1）智慧景区管理，如景区的售票和检票流程管理、景区的安全管理、景区的环境监测系统管理、景区的信息系统管理等。2）智慧旅游行业管理，如旅游企业的服务质量评价、游客信用评价、旅游交易信息有效性评价、旅游行业发展趋势评价等。
3.4智慧政务
政府、旅游管理部门作为智慧旅游的重要组成部分，通过建设智能化的公共服务平台，可以为用户提供更加智慧化的服务，提高政府的办公水平和效率，推动政府管理模式和服务模式的变革，同时为游客和旅游企业提供高效智能的公共服务。图1为智慧旅游平台的主要功能结构图。
4智慧旅游平台的技术体系
4.1物联网系统结构
智慧旅游平台与传统平台最大的区别在于应用了现代物联网技术，物联网技术可以应用于任何物品和物品之间，主要进行信息的交换和通讯。物联网系统结构分为四层：1）感知层。借助传感器、RFID等采集物体的动态信息，实现全面感知。2）传输层。将感知层感知到的信息进行接收和传送。3）支撑层。利用智能计算技术，对海量数据进行智能处理和分析。4）应用层。接收支撑层的数据，为用户提供相应的服务。如图2所示：
4.2智慧旅游平台整体技术结构
基于物流网系统结构，智慧旅游平台整体技术结构分为感知层、传输层、支撑层、应用层、用户层。感知层主要实现信息的收集，分为智能终端（如手机、电脑、PAD等）和采集终端（如传感器、摄像头、RFID等）；传输层负责传输信息，包括移动通信网、物联网、卫星通信、无线网络等网络设施；支撑层负责处理信息，分为数据处理中心和逻辑处理。数据中心主要对旅游数据进行管理，逻辑处理主要进行各N业务分析，比如景点客流分析、用户偏好分析等；应用层包括运行平台和管理平台；用户层为游客、主管部门以及商家提供各种功能服务。
5智慧旅游平台应用分析一呼伦贝尔智慧旅游综合服务平台
在国家对智慧旅游建设的倡导和鼓励下，呼伦贝尔建立了智慧旅游综合服务平台，成为了内蒙古首个上线的智慧旅游服务平台。
该平台主要包括三个部分：呼旅政务网、呼旅网、呼旅通。呼伦贝尔智慧旅游综合服务平台主要功能结构图如图3所示：
智慧旅游管理和智慧政务通过呼旅政务网实现，主要包括政务信息报送系统、旅行社管理系统、旅游行业监管调度系统等；智慧服务通过呼旅网的相关业务实现，其中包括全民营销平台、旅游攻略分享平台、在线旅游营销平台、第三方平台应用等；呼旅通则负责旅游商品的集中采购。智慧景区建设通过电子门票智能管理系统、智能wifi、自助导览系统等建设，实现与线上全渠道销售的电子票务一码管理、扫码入园，实现与呼伦贝尔智慧旅游综合服务平台的无缝对接。
5.1呼旅政务网
呼旅政务网主要由政务信息报送系统、行政审批系统、旅游行业监管调度系统、旅行社管理系统、旅行社诚信管理系统、网络培训系统和旅游资源管理体系构成。在智慧政务方面，通过政务信息报送系统，可以及时获取最新的政务信息；利用旅游行业监管调度系统，可以实时地对旅游行业进行监管，为旅游行业的建设提供安全保障；通过旅行社诚信管理系统，对旅游企业进行信用评级，加大对旅行社的监管力度，提高旅行社的服务质量；通过旅游资源管理体系，实现对旅游资源的高度整合利用，实现资源的利用价值最大化。
5.2呼旅网
呼旅网相当于一个旅游产品的分销平台，平台向用户提供所有与旅游相关的产品，同时具有旅游攻略介绍、产品预订、平台营销、在线销售、自助导览等功能。任何旅游产品都可以免费入驻，产品售卖成功后，平台收取少量的佣金作为平台运营管理费用。呼旅网向用户提供了游前、游中、游后全方位的服务。在旅游前用户可以登录呼旅网查看旅游行程信息、旅游住宿信息等，也可以咨询客服，了解更具体的信息。用户找到满意的产品或者服务可以进行快速预订；在旅游过程中为用户提供了全面的导航、导览、导游、导购服务；旅游结束后，通过游客对旅游攻略、游记等的分享，将景区资源、酒店资源分销到呼旅网，就可以实现多屏互动、多屏访问，实现二次营销。
呼旅网将产品分销在在线旅游营销平台上，每个营销平台都有自己独特的验票码，景区通过智能闸机识别各个OTA上的验票码，可以收集大量的旅游数据，为平台的运营决策提供数据支撑。呼旅网还推出了一个全民营销平台，任何用户可以在上面选择产品，然后可以获得该产品对应的二维码，如果用户将二维码分享到自己的微博、微信朋友圈等社交媒体上，并且该用户的朋友通过二维码产生了购买行为，该用户就能获得产品对应的佣金。用户在景区游玩之后，在旅游攻略网站上分享游记并且附上二维码，也可以获得相应的佣金。简单来说，游客一旦成为全面营销平台的用户就可以分享产品、获取佣金。因此，全民营销平台起到了强大的推广作用。
5.3呼旅通
呼旅通平台主要负责旅游产品的集中采购。平台集合本地的旅行社，形成一个旅游俱乐部，旅游俱乐部成员同时也是平台的会员。呼旅通平台集合旅游俱乐部成员的需求，通过统一采购的方式采购旅游产品，可以大幅度降低采购成本，使双方共同受益。
5.4结论
目前，随着信息技术的发展及其在各行各业的应用，以信息技术为代表的科技革命不断取得突破，利用现代信息技术与旅游业景区管理工作有机地结合对景区资源环境保护是一种有效的技术手段，是景区信息化与数字化建设中的重要组成部分，是提升旅游服务质量的有效途径，是建设"数字景区"及"智慧景区"发展的必然趋势，.旅游强省是贵州省在"十二五"期间的一个重要发展目标，旅游业也将被培育成国民经济的战略性支柱产业和人民群众更加满意的现代服务业( 贵州省发改委，2013) .
如何利用信息技术实现"旅游强省"重要发展目标的同时解决环境和资源日益突出的问题、确保贵州旅游资源的可持续利用与旅游业的可持续发展，抓好资源环境保护尤为关键。针对上述问题，本文提出智慧贵州景区资源保护决策支持系统的研究。
决策支持系统是具有一定智能作用的人机交互的计算机应用系统 .DSS 是在管理科学、运筹学、控制学和行为科学等基础上发展起来的，以计算机技术、仿真技术和信息技术为手段，辅助决策者以人机交互方式进行半结构化或非结构化决策的人机系统。如今，随着各种决策分析方法的研究以及人工智能技术、信息处理技术、网络技术等与 DSS的结合，DSS 已在资源管理、灾害预测、重大决策评价、政策决策和各种分析等方面得到广泛应用( 王家辉等，2003; 黄解军等，2009; 杭艳秀等，2010; 刘博元等，2011; 蒋栋等，2011) .决策支持系统是智慧景区的核心组成部分，与一般的景区业务系统相比，能实现更高效的管理与服务，为景区资源保护、提升旅游服务总体目标提供信息技术保障。景区资源保护问题涉及信息量大，主要涉及地图数据、普查数据、遥感数据、调查数据和其他数据，采用决策支持系统对景区资源保护是一种有效的技术手段，能有效解决目前发展旅游业的同时保护资源环境的问题。对于景区资源保护，决策支持系统可以提供以下 4 个方面的决策参考：1) 景区特征的可视化，包括信息获取及存储，使之转化为数字化的信息;2) 景区特征数据分析，包括景区生态环境承载力分析、景区石漠化、水土流失概况分析等等;3) 景区资源环境保护方案分析，包括景区资源环境保护决策方案生成、分析、选择与优化;4) 经济成本与效益分析。
1 决策支持系统的结构与特点
1. 1 决策支持系统的结构
目前，被当前大多数 DSS 所采用结构是 5 个部件四库结构的交互式计算机软件系统，其由 Sprague提出的由两库结构逐渐发展而来 .5 个部件分别为： 人机接口、数据库、知识库、模型库和方法库。其基本结构如图 1 所示。
2. 1 决策支持系统的特点
DSS 作为一门交叉学科，有着完整的理论框架。
近年来随着 DSS 在发展过程中不断的与新技术融合，促成了其在具有人机交互性、技术集成性、决策有效性和系统开放性 4 个方面的特点。
1) 人机交互性
DSS 是辅助决策者以人机交互方式进行半结构化或非结构化决策的辅助决策工具。DSS 具有一定的智能行为，但系统本身并不是自己做出决策，而必须结合决策者的知识和经验同决策者一起做出决策。此外，由于解决半结构化或者非结构化决策问题，存在许多不确定因素，需要对决策过程进行反复研究，这就要求系统必须提供用户界面友好、人机交互性强的用户界面，便于对决策结果不满意的用户，提供界面接口修改相关的模型和参数，重新设计方法和决策方案。
2) 技术集成性
决策是根据客观的可能性，在占有一定信息和经验的基础上，借助一定的工具、技术和方法，对影响目标实现的诸因素进行分析、计算和判断选优后，对未来行动做出决定。决策是一个复杂的问题，涉及的学科众多。
3) 决策有效性
决策的有效性主要体现在决策支持系统能够综合相关领域数据和模型等知识解决实际问题，为政府、企业、科研机构或个人提供相关的数据图表、报告等辅助参考信息，帮助决策者进行某些综合性、战略性的辅助决策。概而言之，DSS 的目标是提供合理性、可行性、适用性三者兼具的措施或解决方案，并产生一定的社会效益和经济效益。
4) 系统开放性
DSS 是一个开放的系统，其强调决策者能够针对不断变化的标准、条件和环境，增加、修改或删除系统模型库中的模型或数据库中的数据，以确保系统结构的灵活，便于针对新的标准规范或需求进行扩展。此外，DSS 的开放性很大程度上减少了因标准变化或需求更改带来的系统重复开发的成本。
2 总体框架与技术路线
集成 GIS、数据仓库、仿真等技术能够为景区资源保护决策支持系统提供有效的技术途径。GIS 具有空间数据管理、空间分析和三维可视化表达等功能。数据仓库技术与决策支持系统的集成，能够对海量数据合理规范的存储组织，抽取或整合需要的数据分析达到决策支持的目的。仿真技术与 DSS集成则是指通过建立模型并利用其来模拟系统的运行，得到被仿真系统的基本特性，最终对用户的决策提供支持。通过集成以上技术，系统可以提供给用户可以空间分析、数据存储、数据精确分析、可视化表达等功能，使景区管理者或决策者及时、准确的掌握景区资源概况等信息，进而为景区资源保护提供辅助决策。
2. 1 总体框架
根据智慧贵州景区资源环境保护和旅游业发展的需求，构建如图 2 所示的"智慧贵州景区资源环境保护决策支持系统框架".如图 2 所示，纵向上看，决策支持系统 5 个部件的四库结构能够直观、具体、鲜明的体现。横向上看，智慧贵州景区资源保护决策支持系统的构建主要包括以下几个功能模块：1) 数据库管理模块;2) 地理信息空间分析模块;3) 环境承载力评价模块;4) 资源保护模块等。
首先，系统根据资源环境保护决策需求，利用数据仓库技术对景区空间基础数据、多专题数据和其他数据进行规范化存储，通过对所需数据进行抽取，加强资源与环境信息的集成与整合。其次，在模型库、知识库的支持下，运用数据挖掘( Data Min-ing,简称 DM) 技术，对各种信息进行复合叠加等处理，进而对景区环境承载力、生态环境脆弱性、敏感性等进行评估。最后，基于景区多源数据，结合环境承载力评价模型和资源保护模型等对景区资源环境进行监测，当监测景区的生态环境有退化的趋势，就启动方法库中的环境保护方案，科学有效的地控制景区游客容量与资源利用，实现贵州旅游资源的可持续利用和旅游业的可持续发展，使景区发展达到保护与利益最大化。
2. 3 技术路线
本文采用综合决策支持系统 对智慧贵州景区资源环境保护决策支持系统进行构建( 彭霞等，2011) .综合决策支持系统是由 20 世纪 80 年代中期发展的智能决策支 持 系 统 与 20 世纪 90 年代出现的数据仓库 、联机分析处理和数据挖掘等新系列技术相融合的技术路线组成( 如图 2) .
智能决策支持系统是传统决策支持系统与人工智能结合组成。
数据仓库是指面向主题的、时变的、集成的永久性数据集合 .数据仓库最初的提出是为了支持经营、管理中的决策，而将多个数据库中的数据加以融合、提取、整理的解决方案。
目前，数据仓库主要用于按决策者需求对传统数据库数据进行抽取、转换和重新组织。OLAP 是基于数据仓库环境的信息分析处理过程，是数据仓库最典型的应用。数据仓库侧重于对多维数据的存储和管理，而 OLAP 侧重于多维数据的分析.典型的 OLAP 操作包括上卷、下钻、切块和切片、旋转等操作，上卷和下钻就如同二叉树中的父子节点关系一样，即上卷是通过子节点获得父节点信息，下钻是通过父节点获得所有的子节点信息。切块是通过对有关维设置一个查询条件，获取其部分属性值，得到具有 2 个以上属性的立方维结果。切片则指仅包含具体的某一条属性，是切块的组成单元。旋转则是指将某个在列上显示的维属性换到行上，成为行属性，或者相反。总之，OLAP这一系列的操作目的是将数据转换成辅助决策信息。数据挖掘又称为知识发现,是指通过一系列的人工智能和统计方法，从数据仓库中提取隐含的、有潜在应用价值的信息进行更精确的分析。该技术解决了决策支持系统中知识库知识贫乏的问题。
智慧贵州景区资源环境保护决策支持系统通过综合决策支持系统的技术路线，使系统具备以下3 个主要特性： 一、具备传统决策支持系统以模型计算为核心的解决定量分析问题的能力; 二、传统决策支持系统与人工智能的结合，形成以规则式、数据集、决策树等类型的知识库，使系统具备了以知识推理形式解决定性分析问题的能力，三、系统不仅能利用模型和知识辅助决策，而且能够通过数据挖掘( DM) 和联机分析处理( OLAP) 从数据中获取辅助决策信息和知识。因此，智慧贵州景区资源环境保护决策支持系统能够分别发挥传统决策支持系统、智能决策支持系统及数据仓库等新技术的辅助决策优势，实现更有效的综合辅助决策。
在上世纪九十年代初以前，以模拟设备为主体的闭路电视监控系统是最早的第一代监控系统，该技术成熟，稳定，在许多实际工程中都得到了广泛的应用，在某些场合这项技术至今还在人们关注的视野当中。真正的智能监控是随着计算机的发展以及网络的革新才出现的。九十年代中期，计算机处理能力的提高和视频技术的发展使得人们开始利用计算机的高速数据处理能力来进行视频的采集和处理，由此而生的数字化监控系统称之为第二代视频监控系统。从九十年代末开始，随着网络带宽，计算机处理能力和存储容量的进一步提高，以及各种视频处理技术的出现，视频监控进入了全新的数字化时代。智能在安防中的应用越来越重要。因此，第三代监控系统就是以网络为依托，以数字视频的压缩、传输、存储和播放为核心，以智能图像分析为特色的技术革命。闯入报警，非法停留，物品遗留，运动目标跟踪等等，这些高级智能分析功能已成为现代安防监控产品中―大特点。
相关智能算法研究
提到安防不能不提智能，提到智能不得不提算法。算法，作为行为分析和图像处理的灵魂，在今后的产品研发和方案实施中起着引导性的作用。监控的领域不断的扩大，市场不断的发展，使得巨大的视频信息需要分析处理，对于智能视频监控系统来说，面对如此大的信息量，好的技术和结构是问题的关键所在。在远程监控过程中，为了减少网络传输的压力，在设备前端将一些智能分析的模块嵌入到产品的编码模块当中去，通过前面的智能分析只提取有用的视频信息，并对其进行编码压缩传输，大大的减小了传输的数据量，而图像分析部分则在解码后由后端的软件部分处理。这种分工式思想比单纯的靠集中式软件或硬件处理的效果都要好的多。
同H.264等编解码算法相比，视频智能算法之所以没有一个统一的标准，没有ASIC化，就是因为其复杂度以及目标行为的多样性，导致其很难制定出一套标准的规则来应用于各个行业和领域。智能算法属于新兴的综合类科学技术，许多有效的智能分析算法都是先从国外发展起来的，而且还有相当一部分的算法要么复杂度太高，不适合实时性的要求；要么自适应能力较差，对场景的依赖性太大；要么就是停留在理论研究的阶段，离产品还比较远。国内完全真正具有自主知识产权的智能监控产品很少，绝大多数产品的技术都是源于美国、欧洲、和以色列等发达国家。国内大多数生产和安装的视频监控系统仍停留在非智能的领域，在监控系统中提到的“智能视频监控”，实际上还停留在普通的网络视频监控的概念上，大都还是IP监控和数字化监控等，不具备所说的高级智能分析的内容。为此国内有很多公司在智能方面也投入了大量的人力物力开发研究，并在传统的运动目标检测等方面做了大量的改进，取得了突破性的效果。拥有自主知识产品的智能化的安防产品，对提高国内的整体智能化监控水平，提高国内产品在国际竞争中的地位有着非常重要的作用。
从算法的角度来说，监控产品的智能化在技术方面还有很多的研究要做，但这也给了大家一个机遇，谁在今后的发展中掌握了核心的技术，谁就能够挖到第一桶金，占据相关领域的市场。在智能图像分析中，运动目标的检测和跟踪应该是高级智能分析里面最基本的功能。是入侵报警，非法停留，丢包遗物等行为分析的基础。下面就具体应用简单分析―下物体识别跟踪的过程。
具体应用举例
算法的实现可以看作一个建模的过程，也可以理解成一种应用数学工程。运动目标的检测识别是指从序列图像中将变化的前景从背景中分离出来，是数字图像处理的一个主要部分。天气和光照的变化，复杂背景中其他物体的干扰，运动的影子以及摄像机的运动、抖动等都会对目标的提取过程带来困难。因此运动目标的正确检测和准确跟踪成为视频监控系统中一项重要的技术点。整个过程可以简单分为几个步骤：即视频预处理，目标检测与识别，目标分类，目标跟踪，行为分析和规则创建等。
视频预处理
视频预处理过程其实就是降低噪声，突出跟踪目标的过程。图像噪声有两类，一类是源噪声，一类属于观察噪声。环境光线变化、背景的树叶、雨雪等都属于源噪声；而观察噪声主要指得是摄像头抖动、传输线路干扰等影响。这些噪声都会对跟踪目标提取过程造成麻烦。在消除噪声方面一般采用的方法为数字稳像，背景自适应学习，阈值分割，形态学滤波，二值化等。这些处理可以消除图像中大部分噪声，减少其对目标检测的干扰。
目标检测与识别
利用运动目标提取过程得到前景运动的物体后，就需要对目标有一个识别的过程。这种识别分为单目标人工识别和多目标区域识别。对于单个物体的跟踪来说，可以从视频中人为的选取出感兴趣的物体，并对其进行跟踪；对于区域多物体来说，可以划分出一个区域，只对进入区域的物体进行识别和跟踪。
目标分类
对于监控区域内的单个物体跟踪来说是不需要分类的。即使物体在运动过程中发生了遮挡，当物体满足线性运动，背景变化比较平缓时，该算法仍然可以对物体进行准确的跟踪。对于复杂环境下的非线性运动的物体，我们可以在单目标跟踪的基础上加入一些目标特征信息来帮助识别跟踪。目标分类一般应用于多目标情况下跟踪单目标，或者多目标跟踪多目标的环境。当环境中有多个运动目标的时候我们可以把每个运动的目标都提取出来，按照位置、速度、形状、纹理以及色彩等有关特征对它们进行分类。首先将感兴趣目标的特征信息保存下来，然后对其进行跟踪。当视频中跟踪的物体消失后又出现时，我们就重新用以前保存的特征信息和当前画面中出现的所有运动目标进行匹配。通过比较的结果，就可以判定出现的物体中哪一个是刚才跟踪的目标。
行为分析和规则创建
中图分类号：TP393文献标识码：A文章编号：16727800（2013）004015003
基金项目：贵州省教育厅自然科学基金项目（2011）；毕节学院科学研究基金项目（20072005）
作者简介：左建军（1976-），男，贵州民族大学硕士研究生，毕节学院数学与计算机科学学院讲师，研究方向为计算机视觉、模式识别技术；吴有富（1966-），男，博士，贵州民族大学教授，研究方向为计算机视觉、模式识别技术。
0引言
目前，随着工业化、农业化及城镇化建设步伐加速，人为因素对环境造成严重污染，在湖泊、河流、水库及水厂等水面上出现大量漂浮物，这些漂浮物含有大量对人体有害的物质。水污染已经严重破换生态环境，直接威胁人类生存和发展，因此，为了人类的可持续发展，必须解决水污染问题，必须从污染物的排放进行控制。于是，对水面漂浮物的视觉监控成为了一个迫切需要解决的课题。对水面（特别是饮用水源、水库、河流等）的监控主要是通过安排专人监看来实现的。这需要投入大量的人力物力资源。为了解决这些问题，有一些场景中也使用了摄像机进行实时监控，但是依然需要人坚守在终端设备旁，这种做法还是需要大量的人工辅助工作，而且无法实时、准确地对监控情况做出反应。
为满足实际应用的需要，针对人工监控出现的各种弊端，需要研究对水面的智能化监控，即在不需要人为干预的情况下对监控场景进行自动分析，及时做出反应。水面漂浮物的智能监控技术是智能视觉监控中的重要内容之一，涉及图像处理、图像分析、机器视觉、模式识别、人工智能等众多研究领域，是一个跨学科的综合问题。首先要对监控画面进行技术处理，提高图像质量，然后检测场景中出现的目标，并进行识别和分类，进而采取措施对其进行自动清理。
1国内外研究概况
智能监控是对场景进行实时监测，对场景进行自动分析和处理的技术。智能视觉监控越来越受到国内外很多学者和生产商的密切关注。国际权威期刊“International Journal of Computer Vision”、国际著名期刊“IEEE Trans. on Pattern Analysis and Machine Intelligence”、国际核心期刊“Computer Vision and Image Understanding”、IEEE最高级别的综合期刊“Proceedings of the IEEE”分别出版视觉监控的专辑。世界各国的大学、科研院所都纷纷进行了大量的研究，如美国Berkeley大学（Beymer et al，1997）、Minnesota大学（Christopher et al，1994a，b），英国oxford大学 （Michael et al，1999）、Reading大学（Tanetal，2000），德国Karsruhe大学（Kolleretal，1994，1993，1991），日本东京大学（Shunsuke，2005，2001）等，学者们提出了多种解决方案。这些研究成果大多转化成了产品，比如有Minnesota大学的Autoscpoe系统、法国国家运输与安全研究院的研究成果转化的Citilog系统等。
在国内，中科院自动化所（楼建光等，2003，2002；Tan，2000，1998）、香港大学（Yung，1998）、浙江大学（刘光耀，2005）、上海交通大学（毛燕芬，2005）等单位也陆续开展了这方面的研究工作，中国科学技术大学也在这方面进行了研究（刘勃等，2005a，b，2004，2003）。相比国外而言，国内这方面的研究虽然起步较晚，但发展迅速。
水面漂浮物的智能监控是智能视觉监控中的重要内容之一。国际上近20年在视觉监控及相关领域内做出了比较突出的贡献。基于漂浮物的图像分割算法大致可分为：
（1）背景减除。背景减除法首先是建立背景图像，即建立不含目标（漂浮物）时的图像，然后将监控场景中的当前图像与之差，对差图像进行阈值化，分割出只含有目标区域的图像，但对于监控场景的变化非常敏感，比如晴天和阴天的变化；暴雨过后山洪爆发，水面颜色骤变为黄色，因此，建立好的背景模型的研究，减少动态场景变化对准确分割的影响是目前研究的一大难点。Haritaoglu等利用最小、最大强度值和最大时间差分值来为场景中每个像素进行统计建模，并且进行周期性的背景更新。McKenna等利用像素色彩和梯度信息相结合的自适应背景模型来解决影子和不可靠色彩线索对于分割的影响。Stauffer和 Grimson利用自适应的背景混合高斯模型（即对每个像素利用混合高斯分布建模），并且利用在线估计来更新模型，从而可靠地处理了光照变化、背景混乱运动的干扰等影响。
（2）图像分割。图像分割是将图像中互不相交的不同区域划分开来，这些区域满足灰度、纹理、彩色等特征的相似性准则。它是数字图像处理中的一项关键技术，它通常是为了进一步对图像进行分析、识别等处理的图像预处理环节，其分割的准确性直接影响后续任务的有效性。自20世纪70年代起一直受到人们的高度重视，目前提出的分割算法大都是针对具体问题的，并没有一种适合所有图像的通用分割算法。最近几年又出现了许多新思路、新方法和改进算法。主要是：第一、颜色聚类。颜色聚类就是对颜色空间中的各个颜色归类，将颜色非常接近的几种颜色归为一类色，用两个颜色之间的距离表示色差。为简单起见，一般采用RGB色空间中的距离来表示；第二、纹理特征的提取与选择。由于目前对纹理图像还没有一个明确的定义和描述模型，而且各个区域的纹理一致性是相对而言，即不同纹理区域具有一定的相似性，相同的纹理区域内具有一定的纹理不一致性，所以基于纹理特征的目标可区分度较小。在灰度不一致的情况下分割出目标完全依靠与理想的纹理特征描述。
2水面漂浮物智能监控技术研究内容
2.1漂浮物检测
漂浮物的实时检测处于视觉监控技术的最底层，是各种后续处理如漂浮物识别的基础。漂浮物的检测主要是从监控摄像机所捕捉的序列图像中检测是否有漂浮物的存在，其过程为：首先采用自适应背景模型创建背景图像，然后利用当前图像帧与背景图像相差分的技术检测出图像中的变化区域，再从所有变化区域中将对应于漂浮物的区域单独提取出来。实时准确的漂浮物检测是漂浮物污染的视觉分析基础，由于复杂动态环境中捕捉的背景图像受到天气、光照场景（如晴天、阴天、雨天等）、影子、摇动的树枝、摄像机自身运动等多方面的影响，给漂浮物的检测带来了困难，目前已经有一些比较好的检测方法。
背景差法基本思想是将当前帧图像与事先存储的背景图像相减，将差图像中大于预先设定的阈值T的区域分割出来，该算法能直接得到目标的位置、大小、形状等信息。背景差法实现的关键是背景模型的获取和更新。典型的背景建模方法是用混合高斯模型描述背景图像像素值的分布， 该方法是背景的多模型问题，也是参数化的，背景模型可用循环的方式获得。在漂浮物检测的时候，当前像素值如果符合该分布，则为前景点，否则为背景点，同时用新获取的图像对背景模型参数进行更新。文献提出一种改进的自适应混合高斯模型来更新背景，用连通区检测算法分割出前景目标，以Kalman滤波为运动模型实现对运动目标的连续跟踪。
2.2漂浮物特征提取
目标特征化是实现实时、准确识别目标的关键。作为关键步骤，特征提取的目的是获取一组分类特征，即获取特征数目少且分类错误概率小的特征向量。特征的提取可分以下几步进行：
（1）特征形成。根据被识别的对象产生一组特征，可以是图像当前帧的直接测量值，也可以是将当前帧作某些变换后得到的值。
（2）特征选择。由特征形成过程得到的特征可能很多，为了减少分类计算判别，降低分类错误概率，因此需要减少特征位数。特征的选择就是从L个度量值集合（x＼-1，x＼-2，…，x＼-L）中，按某一准则（挑出一些最有效的特征）选出目标对象的一个子集，降维（m维，m
（3）特征提取。特征提取是另一种减少特征位数的方法，它是使（x＼-1，x＼-2，…，x＼-i，…，x＼-L）通过某种数学变换产生m个特征（y＼-1，y＼-2，…，y＼-i，…，y＼-m），即通过映射的方法把维数较高的特征向量变换为维数较低的特征向量，其目的是为了在保留识别信息的前提下，降低特征空间的维数，达到对当前帧中目标对象的实时分类。
由于采用上述方法得到的特征维数还是比较高，所以采用主成分分析对图像特征降维，可以减少特征数据库的大小。
2.3漂浮物识别和分类
目标的识别是一种标记过程。识别算法主要用于识别监测场景中已分割出来的区域。识别方法有两类：决策理论方法和结构方法。决策理论方法以定量描述为基础，即统计模式识别方法；而结构方法依赖于符号描述及它们的关系，即句法模式识别方法。
分类的关键问题是目标对象特征量的提取和分类器的构造。用于目标分类的特征主要采用空间特征，如目标的形状、大小、位置等空间特征。在此，主要研究高效、快速算法。分类器的建立，主要根据人脑对目标物体的分类过程，采用能够模拟人脑功能的人工神经网络来实现，人工神经网络和生物神经系统之间有着某些内在的相似之处，能够模拟人脑加工、存储与搜索信息机制来解决某些特定的问题。具有自适应、自组织自学习能力，可以解决一些环境信息复杂、背景不清楚的问题。通过对样本的学习建立其记忆。人工神经网络可以通过学习获得目标特征信号在模式空间中的分布。用BP算法对水面漂浮物样本特征进行训练，建立漂浮物分类器；然后对检测出来的漂浮物进行特征化，将特征化后的数据输入分类器中，根据输出数据决定其属类。
2.4视频内容分析
这主要是对以上识别出的目标进行分析，如识别出漂浮物面积大于预先设定的一阈值，则该系统实现如下功能：①报警，根据固定场景中分割、识别出的漂浮物的量的判断，当超过设定的限量时，就启动报警器，提醒工作人员清理漂浮物；②启动自动清淤器，当识别出漂浮物较多时，就对自动清淤器发出信号，启动该设备对漂浮物进行自动清理。
3水面漂浮物智能监控存在的问题
智能视觉监控技术目前还存在以下新的研究问题：①分布式视觉监控。采用多个摄像机从不同角度对同一场景进行监控，被认为是提高系统性能，特别是解决目标遮挡问题的有效方法。这将涉及到多源视频序列的融合问题。分布式监控系统需要解决的一个重要问题是如何实现多角度信息的合理互补，有效提高监控系统的性能；②多波段成像监控。受多光谱摇撼的启发，对监控内容在可见光、红外等多个波段同时成像，不仅可以使监控设备少受外界条件的影响，而且有利于各成像波段间信息的互补，实现对场景内容更为全面的分析。
4结语
数字化、网络化、智能化是视频监控领域的发展趋势。智能视频监控技术是对现有数字视频监控系统的一个弥补，将人工监控变为计算机自动监控，自动识别漂浮物污染威胁，减少人为因素造成的误报、漏报，将操作人员从繁重的监控工作中解放出来。智能视频监控除了用于环保外，还可以用于军事、安保、交通管理、客户分析等领域，为人们生活带来方便，实现安全、高效、智能化的生活。
参考文献：
＼[1＼]S J MAYBANK，T N TAN.Special section on visual surveillanceintroduction[J]. International Journal of Computer Vision， 2000（6）.
＼[2＼]C REGAZZONI， V RAMESH.Special issue on video communnications，processing，and understanding for third generation surveillance systems[C]. Proceedings of the IEEE，2001（10）.
＼[3＼]C STAUFFER， W GRIMSON.Adaptive background mixture models for realtime tracking[C]. Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition，1999（6）.
＼[4＼]HARITAOGLU I，HARWOOD DAVID，DAVIS L S.Realtime surveillance of people and their acticities＼[J＼]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2000（8）.
＼[5＼]刘亚，艾海舟，徐光祐.一种基于背景模型的运动目标检测与跟踪算法＼[J＼].信息与控制，2002（4）.
＼[6＼]柏子游，张勇，虞烈.一种彩色图像的色彩分割方法＼[J＼].模式识别与人工智能，1999（2）.
摘 要：通过智能视频分析系统(Intelligent Video System，IVS)可在计算机图像分析技术的基础上，完成场景中背景和目标的分离任务，进而完成分割目标的追踪、定位与识别。为了在物联网的架构上实现多个智能视频终端的互联，并在此基础上实现多目标的动态感知，文中从嵌入式智能视频处理的角度，探讨了基于网格的智能行为分析系统的结构和功能，给出了一个具体的视频增强处理的实例和嵌入式智能相机的架构。
关键词：智能视频分析； 物联网； 网格； 智能相机； 嵌入式系统
0 引 言
智能视频分析系统(Intelligent Video System，IVS)大多利用计算机的图像分析技术来完成将场景中背景和目标分离的任务，并进一步完成目标分析、追踪、定位，进而进行目标识别的更复杂的相关任务。随着嵌入式DSP和FPGA技术的发展，在采用高清传感器取代传统的摄像机加图像板卡的基础上，取而代之的是具有网络接入功能的智能相机(Smart Cameras)。
智能相机中集成的各种智能视频分析技术包括目标入侵检测算法、目标跟踪算法，低照度图像增强算法、图像去雾算法等等。同时，每一个智能相机均可通过自组织的组网技术连成一体，每一个智能相机都是一个节点，通过成百上千个智能相机构成一个可以适应城市监控体系、紧急救援和应急联动、甚至是战场环境分析的分布式智能网格系统，从而对目标进行大范围的准确追踪、定位和识别。
特别指出，利用智能相机作为终端接入的物联网\[1\]系统架构和应用研究在国内外尚不多见。特别是基于视频分析的智能感知系统的研究在我国的某些领域还属于空白。因此，本文将探讨基于智能相机的网格物联网，并将其用于智能交通、预警、安防、消防、安全生产监督管理、航空航天和军事信息一体化建设等应用中\[26\]。
通过将多个智能相机组成的阵列部署在现场，并与设在相关载体上的传感器有机融合，然后通过实时数据采集与分析、监视信息的分布式获取，即可形成全方位、全时域的多维监视、预警和管理体系。
与传统的基于传感器架构的物联网结构不同，使用智能相机作为接入节点的嵌入式网格系统具有可重构和自组织能力。智能相机不仅可以把过去需要长时间才能完成的目标信息的处理和传送任务压缩到几分钟甚至几秒钟，还可以通过大规模节点部署来有效避免盲区，故为防汛、消防、预警和应急联动提供了精确的实时目标定位信息。同时，其感知能力也不会因某一节点的损坏而导致整个监测系统的崩溃。
1 智能视频分析网格节点
本项目利用智能相机来作为信息分析系统的接入终端。每一个智能相机就是一个网格的节点。智能视频分析网格节点如图1所示，在图1中，前端视频采集主要使用面阵可见光CCD或者红外图像传感器来完成视频信号的采集，然后输出数字信号到视频编码板。视频编码板使用TI公司的DSP进行实时高效的H.264压缩编码并作为原始图像记录，视频分析板则把输入的视频流通过后续的TI公司的DSP进行相应的视频处理分析。
智能视频分析网格节点框图由于高清智能相机的强大分析能力和物联网结构相对复杂和信息量大等特点，一个系统很可能同时需要视频的多种处理方式，例如智能交通中的偷、盗、抢和套牌车辆的识别和跟踪，可能需要分析和识别很多同时在高清晰图像中出现的其他车辆。因此，需要设计出可以同时级联多达八块DSP视频分析板的设计方案。各个DSP之间既可以级联工作，也可以同时并行工作。
每一块视频分析板的底层硬件系统设计都是一致的，只需给不同板子加载不同的处理算法，便可实现不同的处理功能，例如，第一块加载夜间低照度图像增强算法、图像去雾算法，第二块可以加载在完成去雾处理后实现目标的准确跟踪和定位算法，第三块加载红外目标检测和跟踪算法，完成夜视目标识别功能等。每一个智能相机均配备有无线、有线和3G网络接口。
2 基于网格的分布式物联网技术框架
传统物联网\[2\]的“技术体系”框架如图2所示，它包括感知层技术、网络层技术、应用层技术和公共技术。但是，笔者在研究与交流中发现\[13\]，许多工程人员在理解“物联网的构架”时，常常与图2所示的“技术框架”混淆在一起。
物联网技术框架物联网的构架应当是以“服务”为最终目标的、具有网络特征的硬件和软件系统。针对不同行业而言，其硬件特征和网络结构也千差万别，但其共同的“技术框架”均可以描述成图2所示的各类“基本元素”。
因此，与传统物联网\[3\]不同的是，基于智能视频的网格物联网\[6\]在具体的应用中具有下面几个优点：
第一是感知可视化，即通过数个智能相机可以生成实时全景图，以实时观察监控现场的实际情况，系统通过对各个接入节点信息的分析，自动制定出合理的处置方案。
第二是设备人工智能化。全自主式具有人工智能分析决策的智能相机具有数据采集、分析和处理的能力。基于智能视频的网格物联网\[4\]能将包括人在内的场景可视信息相互连接，并允许他们相互通信。新一代网络协议、嵌入式智能芯片技术和计算机视觉技术均可以让目标物体用自己的“大脑”来运算和分析。
第三是应急救援物资、生产后勤保障准确化。基于智能视频的物联网\[5\]可以有效避免后勤工作的盲目性。伴随着射频识别技术、二维条码技术和智能传感技术的突破，物联网无疑能够为自动获取“在储、在运、在用”物资信息方面提供灵活的可视性解决方案。在安全生产、应急救援等各种活动的全过程中，实现在准确的地点、准确的时间向准确的对象提供数量适当的保障，从而避免造成不必要的混乱和浪费。
3 基于智能相机的智能交通环境监视和去雾研究
在构建基于网格的嵌入式智能相机的信息处理系统的基础上，可以对每一个终端动态配置其功能，使每一个终端既能独立完成自己的任务，又可以协调工作。这样在实际工作中，就可以为不同的智能摄像机分别配置不同的图像增强算法来完成大范围内的环境监视和目标识别任务。在本项目首先针对某些地区的多雾情况开展研究。
众所周知，在恶劣天气条件下(如雾，雨等)，大气能见度下降，致使光学器材获取的图像对比度下降，从而影响图像中的信息提取\[7\]，雾这种常见的天气现象会对景物产生白化作用\[712\]，故会使图像退化，以至模糊，而这将给军事侦察、自动导航、目标跟踪等带来很大的困难。因此对这种自然现象引起的图像质量下降开展图像信号处理的研究具有普遍的实际意义。
图像去雾就是采用一定的方法和策略对采集到的含有雾的图像进行处理，从中恢复出比较清晰的图像。去雾算法的研究，对于部署基于智能相机的网格监控系统具有比较重要的应用价值，同时，对沿海和相关地域的应用也具有较高的指导意义。
3.1 基于暗通道先验规律的去雾算法
在有雾天气下，监控系统捕获场景图像的颜色和对比度都会发生严重的降质。这种现象主要是由大气粒子的散射作用引起的。大气散射的物理本质是高度复杂的，在不考虑大气扰动等现象发生时，可以假设此时的天气条件(包括大气粒子的类型、密度等情况)是空间不变的，这样，到达感光器的光强就可以简单的等效成大气衰减后的场景辐射和因大气悬浮粒子的散射作用而进入传感器的环境光强两部分的线性组合。
雾图形成模型在计算机视觉和计算机图形中被广泛应用。雾越浓，介质的透过率越小，到达传感器的光强中实际的场景辐射衰减的就越严重。利用这个模型可通过求得全局大气光和介质的透射率来从一幅含雾图像中恢复出原始的清晰图片，即场景辐射。
3.2 局部暗通道先验规律
局部暗通道先验规律是有关文献提出的一个统计规律，该规律假定在不包含天空区域的户外无雾图像情况下，对于任何一个像素点，在它周围的范围内，至少有一个颜色通道具有很低的亮度值，而对每一个像素点，都以这样一个最小值来取代其本身的亮度，于是便可以得到暗通道图。大量统计数据表明，除了天空方位，户外无雾图像的各个像素点的强度总是很低，并且趋近于0，这就是暗通道先验规律\[11\]。
3.3 估计全局大气光
考虑到原始输入图像，在这N个位置所对应的像素点中分别求得红色，绿色，蓝色分量的最大值。它们就组成了全局大气光(Ar，Ag，Ab )。在这个方法\[10\]中，A的三个颜色通道的亮度值并不单一的来自原始输入图像中的某一个像素点，而更多时候，它们分别来自三个不同的像素点，于是能在一定程度上避免将原始输入图像中的白色物体误选为全局大气光。
3.4 实验结果分析
采用文献\[11\]的方法可以指导我们进行去雾算法的研究，并将实验成功的算法移植到智能相机上。其实验结果如图3所示，图3(a)是去雾前的城市的照片，图3(b)是去雾后的照片。图3(c)是去雾前海面的照片，图3(d)是去雾后的海面照片。从实验结果看，去雾算法的效果非常明显。
去雾效果比较设计的最终目标是将各类图像处理算法移植到智能相机里，这样一来，各个相机作为终端节点就可以更有效的接入到整个系统中。图4所示为本文研制的智能相机的部分硬件系统实物图，其中图4(a)是200百万像素CCD成像板背面，图4(b)是200百万像素CCD成像板正面，图4(c)~(d)是图像处理板的背面和正面实物图。
笔者目前已经成功地研制了高清晰智能相机的系列产品，并具有全部知识产权。图5(a)所示是一款样机。图5(b)是其内部结构。图5(c)是利用智能相机上的Web服务器通过网络浏览器看到的实验室外面建筑物的外墙的高清晰图像。在长距离成像的条件下(200 m)，可以清晰地看到外墙上的斑点和窗户护栏的锈迹。
高清晰智能相机样机图6所示是针对智能相机开发的智能交通车牌识别算法和实际应用。
中给出了利用DSP算法实现的智能交通中的车牌监测的试验结果。实际的算法已经在智能相机中实现并应用到具体的工程中。针对200百万像素的图像，该系统可以检测出多达数十个位于多车道中的车牌信息。图6中的图像拍摄于西安电子科技大学北校门外的二环路上，拍摄时间是2009年5月8日，笔者将多个车牌粘贴在图像上进行智能相机的性能测试，多个车牌的亮度、对比度、色度等参数都根据不同的天气情况进行了调整。从图中可以明显地看出位于树木、车体等复杂背景下的车牌均可被准确的定位出来。在图6中，只有一个最黑的车牌没有被定位出来。
4 结 论
基于嵌入式智能相机的物联网研究在国内外尚不多见。对嵌入式智能相机的研究，不仅可为传统的物联网接入提供一个新的数据接入形式，而且可以使接入终端具有动态可重构的新功能。以智能相机为接入终端来研究物联网构建过程中的新型网格结构和安全策略，可以为研究物联网的数据安全引入一个新的思路。
在积极推进智能相机的产业化工作的同时，应当积极推进基于智能相机作为接入终端的物联网的行业应用，并应在风力发电、新能源、低碳经济模式等领域积极开展多方合作。
本文所讨论的研究成果对相关领域的研究和应用都具有比较重要的价值。
参考文献
［1］ 任志宇,任沛然.物联网与EPC/RFID技术\[J\].森林工程,2006,22(1):67-69.
［2］ 梁浩.基于物联网的EPC接口技术研究\[D\].武汉:武汉理工大学,2006.
［3］ 肖慧彬.物联网中企业信息交互中间件技术开发研究\[D\].北京:北方工业大学,2009.
［4］ 单承赣,焦宗东.EPC物联网中的信使ONS\[C\].中国国际(第二届北京)RFID技术高峰论坛会论文集,2007,53-55.
［5］ 胡向东.物联网研究与发展综述\[J\].数字通信,2010(4):19-21.
［6］ 王光辉.物联网战略的国际观察与思考\[J\].科技创新与生产力,2010(4):7-9.
［7］ 芮义斌,,孙锦涛.一种图像去薄雾方法\[J\].计算机应用,2006,26(1):152-156.
［8］ STARCH JI, MURTAGH F, CADAS E J, Gray and color image contrast enhancement by the curvelet transform\[J\]. IEEE Trans. on Image Processing, 2003, 12(6): 707-717.
［9］ CHANG D C, WU W R. Image contrast enhancement based on a histogram transformation of local standard deviation \[J\]. IEEE Trans. on Medical Imaging, 1998, 17(4): 518-531.
［10］ OAKLEY J P. SATHERLEY B L. Improving image quality in poor visibility condition using a physical model for degradation \[J\]. IEEE Trans. on Image Processing, 1998, 7(2): 167-179.
［11］ HE Kaiming, SUN Jian, TANG Xiaoou. Single image haze removal using dark channel prior \[J\]. IEEE Journal, 2009: 1956-1963.
［12］ LEVIN A, LISCHINSKI D, WEISS Y. A closed form solution to natural image matting\[J\]. IEEE Trans. on Pattern Analysis and Machine Intelligence, 2006(1): 61-68.
［13］ 杨刚,沈沛意,郑春红.物联网理论与技术\[M\].北京:科学出版社,2010.
［14］ 李玮,赵书俊,张伟征,张大伟.单片机P87LPC767在智能化相机探测器系统中的应用\[J\].现代电子技术,2005,28(22):80-81.
作者简介： 沈沛意 男，1969年出生，浙江绍兴人，博士，教授。双博士学位(英国巴斯大学，中国西安电子科技大学)，和双博士后经历(英国巴斯大学，新加坡国立大学)。在SCIENCE IN CHINA, IEEE PAMI 和 IEEE TVCG 等杂志和会议30余篇。作为主要完成人顺利完成国家863项目，自然科学基金项目，中法合作项目等多项相关课题。曾任安捷伦科技(原惠普)(Agilent Technologies)高级工程师(美国，英国，新加坡和马来西亚)、英国撒里大学(Univ. of Surrey)信号处理研究中心(CVSSP)研究员(RESEARCH FELLOW)和IEEE 会员(MEMBER)，现为西安电子科技大学教授。主持国家自然科学基金、陕西省自然科学基金课题、陕西省13115重大科技课题、国家重点实验室开放课题、国家重大科技项目子课题等，主要研究方向：嵌入式系统、网络与通信技术软件、计算机视觉和图形图像处理、物联网信息安全技术等。
陕西省物联网实验研究中心
陕西省物联网实验研究中心是由陕西省工信厅2010年8月批准，以西安电子科技大学为挂靠主体，按照政、产、学、研、用五位一体的组织模式组建的陕西省物联网技术研究培训和物联网应用推广创新部门。
中心坚持大联合、大协作、搭建平台的工作思路，向国内外各科研院所和企业积极寻求合作，共同打造政府、科研院所和企业共建共享的物联网技术与应用公共平台。中心网站wlw.xidian.省略开辟有政策导读、新闻快递、前沿技术、解决方案和成果展示等栏目，是全省范围内物联网信息交流与公共平台。
中心的工作方向如下：
(1) 围绕陕西省物联网发展中的全局性、综合性、战略性问题开展跟踪研究和超前研究，为陕西省物联网发展提供政策建议和咨询意见。
(2) 开展物联网相关技术研究和应用创新，促进陕西省物联网产业链加快完善，推动重点领域物联网应用深入开展。
(3) 承担陕西省物联网应用的宣传推广和培养物联网技术高级人才。
(4) 承办省工信厅交办的其他事项。
中心的宗旨是致力于促进陕西省物联网产业的发展，充分发挥其技术平台作用，发掘市场应用需求，促进技术转化应用，开拓技术应用领域，创建超前应用场景，研发创新技术，引领本省物联网的技术创新与应用推广。
