智能视频烟火监控

目前VFCS火灾侦测预警系统是智能视频烟火监控在林业方面的应用系统，通过视频图像来检测烟火，自动分析、识别视频图像内的火焰、烟雾，产生告警信息，在数秒内完成火灾探测及报警，大大缩短了火灾告警时间。能够实现无人值守的不间断工作，自动发现监控区域内的异常烟雾和火灾苗头，同时还可查看现场实时图像，根据直观的画面直接指挥调度救火。

智能视频烟火监控目前已被广泛应用于军事、海关、公安、消防、林业、堤坝、机场、铁路、港口、城市交通等众多公众场合。未来烟火监控行业将继续趋于数字化、智能化、自动化、网络化。

1、森林、化工及电站

对森林、煤矿、化工、石油加工厂、水利及核电站的火灾，将智能视频烟火监控安装于林火系统、涡轮机房、电池间、倾斜间、压缩间等，做到早期的烟火检测，可以有效减免财产损失。

2、大型客轮、轮渡

轮船内的应用包括发动机舱、推进舱、涡轮舱、泵房以及其他设备间等，智能视频烟火监控已被美国及英国海军成功应用到各种船只实现命令与控制同步。

3、仓库、集散中心

这些场合的规模都很大，而且空旷，单位面积囤积货物比例高，采用智能视频烟火监控可以在火灾发生的之初即可产生报警，避免重大损失。

4、商场

商场一旦发生火灾，其所存物品的易燃性会使火势快速蔓延，造成更大损失。智能视频烟火监控安装于空旷大厅上空就不会防火事业内任何可疑现象。

5、飞机机库

飞机机库火灾不仅造成上千万元的损失，而且还会进一步影响其关联的服务。智能视频烟火监控能在昂贵的轻水泡沫被释放前及时检测到烟火的存在，做到及时扑灭。

6、体育场馆

大型体育场馆的空间都非常大，等到传统烟火检测装置检测到烟火的时候，情况已十分严重。智能视频烟火监控可以时刻监视空旷空间烟火情况，及时反映给相关人员，在火灾前期有效地发出报警。

7、隧道、地铁

隧道及地铁都是半封闭环境，一旦火灾发生，人员疏散是与时间的较量。智能视频烟火监控能在空旷无人区域及时发现烟火情况，争取到更多的宝贵救援时间。

智能视频烟火监控系统能够实现无人值守不间断工作，自动对视频图像信息进行分析判断；及时发现监控区域内的异常烟雾和火灾苗头，以最快、最佳的方式进行告警和提供有用信息；能有效的协助消防人员处理火灾危机，并最大限度的降低误报和漏报现象；同时还可查看现场实时图像，根据直观的画面直接指挥调度救火。 　智能视频烟火监控正是弥补传统火灾报警设备的不足，不受空间高度、热障、易爆、有毒等环境条件的限制，完全适应于室外场合，而且可以远程提供实时视频，使得集中管理变为可能，具有非常广阔的市场空间。

根据烟火监控内容，分为火焰和烟雾检测。

1、火焰检测

火焰有着与众不同的特征，智能视频烟火监控从火焰的静态特征（颜色、形状）和动态特征（频率）两方面入手进行火焰识别。

2、烟雾检测

烟雾的特征和火焰有着明显的不同，智能视频烟火监控从静态（外形、对比度）以及动态（扩散）进行识别，将其与火焰识别分开处理。

上篇 智能视频监控中目标检测与识别概论

第1章 绪论

1.1 智能视频监控概述

1.1.1 智能视频监控的发展

1.1.2 智能视频监控中的关键问题

1.2 智能视频监控的研究内容

1.2.1 智能视频监控的系统结构

1.2.2 智能视频监控的难题

1.3 研究现状与应用前景

参考文献

第2章 计算机运动视觉相关理论

2.1 摄像机的标定

2.1.1 坐标系的变换

2.1.2 摄像机的标定

2.2 双目立体视觉

2.2.1 特征匹配关键技术

2.2.2 特征匹配算法分类与立体成像

2.3 运动视觉

2.3.1 运动视觉的研究内容

2.3.2 运动视觉处理框架

2.4 场景理解

2.4.1 场景理解认知框架

2.4.2 静态场景理解

2.4.3 动态场景理解

参考文献

第3章 运动目标检测技术

3.1 运动目标检测概述

3.1.1 光流法

3.1.2 相邻帧差法

3.1.3 背景差法

3.1.4 边缘检测方法

3.1.5 其他重要的相关方法

3.2 视频监控中的背景建模

3.2.1 背景提取与更新算法概述

3.2.2 基于GMM的背景提取与更新算法

3.2.3 基于AKGMM的背景提取与更新算法

3.2.4 去除阴影

3.3 ROI面积缩减车辆检测搜索算法

3.3.1 改进的帧差法

3.3.2 图像的腐蚀与膨胀

3.3.3 车辆目标分割识别

3.3.4 实验结果与分析

参考文献

第4章 运动目标跟踪技术

4.1 目标跟踪的分类

4.2 目标跟踪方法

4.2.1 基于特征的跟踪方法

4.2.2 基于3D的跟踪方法

4.2.3 基于主动轮廓的跟踪方法

4.2.4 基于运动估计的跟踪方法

4.3 粒子滤波器

4.3.1 离散贝叶斯滤波系统

4.3.2 蒙特卡洛采样

4.3.3 贝叶斯重要性采样

4.3.4 序列化重要性采样

4.3.5 粒子滤波(Particle Filte)一般算法描述

4.3.6 粒子数目N的选取

4.4 多视角目标跟踪

4.4.1 目标交接

4.4.2 多摄像机的协同

4.4.3 摄像机之间的数据通讯

4.4.4 多摄像机系统总体设计与集成

参考文献

第5章 运动目标分类技术

5.1 目标分类方法

5.1.1 基于形状信息的分类

5.1.2 基于运动特性的分类

5.1.3 混合方法

5.2 分类的特征提取

5.2.1 视频图像的两种特征

5.2.2 分类特征选择

5.3 分类器构造

5.3.1 支持向量机理论

5.3.2 多类支持向量机

5.3.3 特征训练

5.4 训练和分类方案

5.4.1 静态图像训练分类模型

5.4.2 动态视频中运动对象的分类

5.4.3 训练和分类的实验结果

参考文献

第6章 行为理解技术

6.1 行为理解的特征选择与运动表征

6.1.1 特征选择

6.1.2 运动表征

6.2 场景分析

6.2.1 场景结构

6.2.2 场景知识库的建立和更新

6.3 行为建模

6.3.1 目标描述

6.3.2 约束表达

6.3.3 分层的行为模型结构

6.4 行为识别

6.4.1 基于模板匹配方法

6.4.2 基于状态转移的图模型方法

6.4.3 行为识别的实现

6.5 高层行为与场景理解

6.6 行为理解存在的问题与发展趋势

参考文献

下篇 智能视频监控应用实例

第7章 白天车辆检测实例

7.1 道路交通样本库的采集与组织

7.1.1 样本的采集

7.1.2 样本库元信息和组织

7.2 车辆检测系统结构设计

7.2.1 基于视频的车辆检测方法概述

7.2.2 虚拟线圈车辆检测法的算法流程

7.2.3 系统框图

7.3 背景重构

7.3.1 视频背景重构技术回顾

7.3.2 基于IMFKGMM的背景提取与更新算法

7.4 灰度空间阴影检测算法研究

7.4.1 彩色图像的灰度变换

7.4.2 算法原理

7.4.3 试验结果

7.5 虚拟线圈车辆检测法

7.5.1 数学形态学后处理与状态机

7.5.2 交通参数的测量

第8章 夜间车辆检测实例

第9章 昼夜亮度变化及切换方法

第10章 距离测量实例

第11章 客流检测系列实例

……2100433B

《智能视频监控中目标检测与识别》系统介绍了智能视频监控中目标检测与识别的基本问题及其相关处理技术。主要内容包括智能视频监控的理论、算法和典型应用实例。包括计算机视觉基本理论、运动目标检测技术、运动目标跟踪和分类技术、运动的场景分析及行为理解技术。其中目标的检测与识别技术在资助的科研项目中有成熟可行的应用实例。《智能视频监控中目标检测与识别》内容由浅人深、循序渐进，着重于经典内容和最新进展的结合，并辅以较多的应用范例。《智能视频监控中目标检测与识别》可作为高等院校有关专业的研究生和高年级本科生的教学参考书，也可供相关专业的科技人员学习参考。

智能视频处理成为视频监控的“救命稻草”

智能视频源自计算机视觉技术，计算机视觉技术是人工智能研究的分支之一，它能够在图像及图像内容描述之间建立映射关系，从而使计算机能够通过数字图像处理和分析来有限理解视频画面中的内容。运用智能视频分析技术，当系统发现符合某种规则的行为（如定向运动、越界、游荡、遗留等）发生时，自动向监控系统发出报警信号（如声光报警），提示相关工作人员及时处理可疑事件。

智能视频算法的实现

智能视频技术实现对移动目标的实时检测、识别、分类以及多目标跟踪等功能的主要算法分为以下五类：目标检测、目标跟踪、目标识别、行为分析、基于内容的视频检索和数据融合等。

视频检索目标检测

目标检测（Object Detection）是按一定时间间隔从视频图像中抽取像素，采用软件技术来分析数字化的像素，将运动物体从视频序列中分离出来。运动目标检测技术是智能化分析的基础。常用的目标检测技术可以分为背景减除法（Background Subtraction）、时间差分法（Temporal Difference）和光流法（Optic Flow）三类。

背景减除法利用当前图像与背景图像的差分检测运动区域。背景减除法假设视频场景中有一个背景，而背景和前景并未给出严格定义，背景在实际使用中是变化的，所以背景建模是背景减除法中非常关键的一步。常用的背景建模方法有时间平均法、自适应更新法、高斯模型等。背景减除法能够提供相对来说比较完全的运动目标特征数据，但对于动态场景的变化，如光线照射情况、摄像机抖动和外来无关事件的干扰特别敏感。

时间差分法充分利用了视频图像的时域特征，利用相邻帧图像的相减来提取出前景移动目标的信息。该方法对于动态环境具有较强的自适应性，不对场景做任何假设，但一般不能完全提取出所有相关的特征像素点，在运动实体内部容易产生空洞现象，只能够检测到目标的边缘。当运动目标停止时，一般时间差分法便失效。 光流法通过比较连续帧为每个图像中的像素赋予一个运动矢量从而分割出运动物体。

光流法能够在摄像机运动的情况下检测出独立的运动目标，然而光流法运算复杂度高并且对噪声很敏感，所以在没有专门硬件支持下很难用于实时视频流检测中。

视频检索目标跟踪

目标跟踪（Object Tracking）算法根据不同的分类标准，有着以下两种分类方法：根据目标跟踪与目标检测的时间关系分类和根据目标跟踪的策略分类。 根据目标跟踪与目标检测的时间关系的分类有三种：

一是先检测后跟踪(Detect before Track)，先检测每帧图像上的目标，然后将前后两帧图像上目标进行匹配，从而达到跟踪的目的。这种方法可以借助很多图像处理和数据处理的现有技术，但是检测过程没有充分利用跟踪过程提供的信息。

二是先跟踪后检测(Track before Detect)，先对目标下一帧所在的位置及其状态进行预测或假设，然后根据检测结果来矫正预测值。这一思路面临的难点是事先要知道目标的运动特性和规律。三是边检测边跟踪(Track while Detect)，图像序列中目标的检测和跟踪相结合，检测要利用跟踪来提供处理的对象区域，跟踪要利用检测来提供目标状态的观察数据。

根据目标跟踪的策略来分类，通常可分为3D方法和2D方法。相对3D方法而言，2D方法速度较快，但对于遮挡问题难以处理。基于运动估计的跟踪是最常用的方法之一。

视频检索目标识别

目标识别（Object Recognize）利用物体颜色、速度、形状、尺寸等信息进行判别，区分人、交通工具和其他对象。目标识别常用人脸识别和车辆识别。

视频人脸识别的通常分为四个步骤：人脸检测、人脸跟踪、特征提取和比对。人脸检测指在动态的场景与复杂的背景中判断是否存在面像，并分离出这种面像。人脸跟踪指对被检测到的面貌进行动态目标跟踪。常用方法有基于模型的方法、基于运动与模型相结合的方法、肤色模型法等。

人脸特征提取方法归纳起来分为三类：第一类是基于边缘、直线和曲线的基本方法；第二类是基于特征模板的方法；第三类是考虑各种特征之间几何关系的结构匹配法。单一基于局部特征的提取方法在处理闭眼、眼镜和张嘴等情景时遇到困难，相对而言，基于整体特征统计的方法对于图像亮度和特征形变的鲁棒性更强。人脸比对是将抽取出的人脸特征与面像库中的特征进行比对，并找出最佳的匹配对象。

车辆识别主要分为车牌照识别、车型识别和车辆颜色识别等，应用最广泛和技术较成熟的是车牌照识别。 车牌照识别的步骤分别为：车牌定位、车牌字符分割、车牌字符特征提取和车牌字符识别。

车牌定位是指从车牌图像中找到车牌区域并把其分离出来。字符分割是将汉字、英文字母和数字字符从牌照中提取出来。车牌特征提取的基本任务是从众多特征中找出最有效的特征，常用的方法有逐像素特征提取法、骨架特征提取法、垂直水平方向数据统计特征提取法、特征点提取法和基于统计特征的提取法。车牌字符识别可以使用贝叶斯分离器、支持向量机(SVM)和神经网络分类器(NNC)等算法。

视频检索行为分析

行为分析(Behavior Analysis)是指在目标检测、跟踪和识别的基础上，对其行为进行更高层次的语义分析。现有的行为分析技术根据分析的细节程度和对分析结果的判别要求可以分为三类：第一类使用了大量的细节，并往往使用已经建立好的数据进行分析而较少使用目标的时域信息。基于人脸、手势、步态的行为分析方法属于这一类；第二类是将目标作为一个整体，使用目标跟踪的算法来分析其运动轨迹以及该目标与其它目标的交互；第三类是在前两类的基础上做一个折中，它使用时域和空域的信息，分析目标各部分的运动。

视频检索图像检索

基于内容的图像检索技术是由用户提交检索样本，系统根据样本对象的底层物理特征生成特征集，然后在视频库中进行相似性匹配，得到检索结果的过程。现有基于内容的检索方法主要分为：基于颜色的检索方法、基于形状的检索方法和基于纹理的检索方法等。数据融合是将来自不同视频源的数据进行整合，以获得更丰富的数据分析结果。