王道百度云链接:视频分析算法模块

1.  背景建模与维护

背景建模就是通过某种模型得到视频场景的“背景表示”。背景建模本身并不复杂，但是背景建模后在日后的更新及维护非常重要，因为背景模型将影响前景目标的探测、跟踪与识别。通常的情况是系统开始进入视频分析过程前，需要对背景进行自动学习，以完成背景建立，简单的背景模型建立方法是时间平均图像，即利用同一场景在一个时间段的平均图像作为背景模型，但是模型建立后，可能对场景的变化如光照、云影、树叶、波浪等都比较敏感，因此，必须开发出能够适应于长期和复杂场景的背景建模方式，该模型在日后能够自动对背景进行更新、重建及维护，以减少场景变换对前景检测的影响。

背景建模的基本要求：

·         对场景的变化要求能够快速适应，如室外环境光照的骤变

·         背景动态目标的忽略，如树叶摇动、海浪波纹等

·         建模后对于低对比度或纹理少的前景仍然敏感而不至于当成背景

·         对于突然的光线变化不要太敏感而不至于将整个帧当成前景

·         对运算处理资源及内存资源符合主流需求，而不至于过高而无法实现

2.  前景目标探测

背景建模通常在视频场景比较“安静”的时候进行，建模完成后，一旦前景（视频中变化剧烈的区域）出现目标，系统进行背景前景分离，背景与前景分离的目的是更好地对前景目标进行探测和跟踪。通常采用的前景检测技术是利用当前视频帧与背景的差异来检测发生变化的像素区域，这样，利用前景检测技术将视频图像中的Blob（前景团块，可以理解成视频图像中变化剧烈的图像区域）从背景分离出来后，具有稳定运动状态及规律的前景将被探测出来进入下一步的处理模块。

3.  目标跟踪

目标跟踪的实质是在连续多帧视频之间建立基于位置、速度、形状等特征的对应匹配，目的是在连续视频图像的帧之间建立目标的对应关系。有两种常用的对象跟踪方法：一种是基于匹配对应关系，另一种是通过位置预测或者运动估计来明确跟踪目标。

4.  目标过滤

目标的跟踪过程：系统对前景区域的目标建立“数据库”，包括尺寸、位置、速度、形状等基本信息，然后系统与预设的“目标过滤规则”进行比对，对不“感兴趣”的不再进行下一步处理，集中精力继续跟踪“感兴趣”的前景目标，形成轨迹、分配ID等。

5.  目标分类

在视频分析过程中，对于成功跟踪的目标进行分类是个重要的过程，通常，为了让算法系统更好地理解实际发生的事件和目标行为，在完成目标的检测及跟踪后，需要将跟踪的目标分类为事先定义好的类别，然后在进行行为识别。目标分类实质是从语义意义上选取的典型物体，如“人”、“动物”、“车辆”等，目标分类就是将视频检测的运动目标分类为事前已经定义好的类别。　　

6.  轨迹分析过程

轨迹分析技术对跟踪成功的目标的运动轨迹进行分析，对运动轨迹进行平滑及误差修正，使目标的运动轨迹更加接近于真实状态。

7.  事件判定识别

在视频分析过程中，事件判定识别是最后一个环节，是结论性的环节。有了之前的目标探测与跟踪，有了目标分类，那么将这些采集到的信息与用户预先设定了报警规则进行比对，即逻辑判断过程，对于触发报警规则的（如入侵探测），或者符合事件规则的（如人数统计），则自动发送报警信息或自动更新统计数据。

8.  其他模块

为了使视频分析算法在不同的应用环境尤其是室外场合有较强的适应性，通常在各个视频分析算法框架中加入一些附加模块（各类过滤器及辅助工具），通过内部算法自身的优化提高复杂场景适应性的同时，再借助附加算法模块，实现视频分析算法在安防监控中对特殊场景的处理效果。

·         “动态过滤器”消除树叶、波浪等产生的前景“假”像素变化

·         “抖动抑制模块”提升摄像机在抖动情况下的处理效果

·         “雨、雪过滤器”消除雨、雪对视频场景的全局性干扰

·         “云影抑制模块”使得系统在室外多云场景下有良好的处理效果

·         “碰撞处理模块”可以提升该技术在目标图像频繁互相遮挡场景下的跟踪精度。

    提示：  视频分析算法目前没有标准，不同的厂家有不同的算法框架及不同的实现方法，不同的框架和算法的复杂程度差异很大，对处理器及内存的需要也不同，而实现的效果、稳定性、适应性也大不同。但就视频分析的各个功能模块、框架，甚至是视频分析产品而言，难度并不大，可以说视频分析产品“门槛不高，但做好很难”，这也是目前越来越多的厂家能够很快开发出视频分析产品的原因。视频分析产品目前能够实现的功能，各个厂家之间差别不大，但是对视频分析产品的考核，并不是在功能上，而是在实际应用效果上。