軌道交通智能視頻監控的關鍵技術

胡祥明

摘要：在軌道交通監控系統中，智能視頻監控技術的應用非常廣泛，也非常普遍，通過運用視頻監控技術可以實現在軌道周界、建筑、設備周圍或內部中異常行為的智能識別。本文將著重闡述軌道交通智能視頻監控的關鍵技術。

關鍵詞：軌道交通；智能視頻監控；運動目標檢測；目標跟蹤算法

軌道交通監控技術經歷了由傳統監控技術到智能視頻監控技術的發展，隨著軌道交通的發展與革新，傳統監控技術的弊端也在實際運用中不斷顯現出來，如果在軌道交通監控中，仍然采用傳統的監控技術，不僅難以有效地保障軌道交通的運營安全，還容易留下諸多后遺癥，不利于軌道交通的發展。而通過運用智能視頻監控技術，可以有效地規避傳統視頻監控技術的弊端，更好地保障軌道交通的安全。所謂智能視頻技術，一般是指自動的分析和抽取視頻源中的關鍵信息，運用強大的計算機對數據的處理功能，高速的分析視頻畫面里大量的數據，將那些對用戶沒用的信息過濾掉，只留下一些關鍵的信息。

一、軌道交通傳統監控技術的弊端

隨著軌道交通的發展，傳統的監控技術在實際運用過程中凸顯出了很多弊端。與智能視頻監控技術相比，傳統監控技術雖然也強調通過視頻來進行監控，但缺乏智能分析的關鍵環節，屬于一種被動的監控，就如同辦公大廳中的攝像頭一樣。傳統的視頻監控技術，一般主要可以實現兩方面的功用，一是如同攝像頭一樣，屬于滯后性的監控，主要為事后提供某些參考或者依靠的錄像資料和證據，以對軌道交通運營做出判斷，這種功能主要通過查看錄像資料的方式來實現，具備一定的滯后性。二是對軌道交通的重要節點或者重要部位進行遠程監控，這種遠程監控具備實時的功用，但監控過程需要人為操作，監控數據或信息也需要人為進行匯總分析，傳統視頻監控技術只提供一種遠程監控的服務，不作信息分析與篩選。

在傳統視頻監控技術中，人是核心作用，無論是實時監控還是查看錄像，都需要人為操作，一旦發現軌道交通某個環節有異常行為，還需要通過人為報警地方式進行匯報。因此在傳統視頻監控技術下，因人為因素所造成的誤報、遲報等非常多，這主要是因為視頻監控路段多、時間長，工作人員難以在眾多的視頻中發現異常情況，而且人為報警的方式，精確度差，響應時間長。

二、軌道交通智能視頻監控的關鍵技術

隨著軌道交通的發展，傳統的視頻監控技術已經難以適應軌道交通的發展，傳統視頻監控技術所顯現出來的弊端也無法適應軌道交通的發展，因此智能視頻監控技術應運而生。軌道交通智能視頻監控技術不僅可以提供實時地遠程監控，還能對監控信息進行有效地分析與匯總，對監控信息加以研判，幫助工作人員做出更好地處理結果，尤其是智能視頻監控技術中關鍵技術的應用，極大地豐富了軌道交通的監控手段。

1.運動目標檢測方法

1.1幀差法

在軌道交通智能視頻監控中，運動目標檢測方法是一項常用的關鍵技術，通過幀差法可以有效地幫助工作人員判斷運動物體。幀差法的工作原理是圖像序列相鄰的兩幀或者三幀采用基于像素的時間差分來提取圖像中的運動區域。首先將相鄰幀圖像對應的像素值相減，然后對差分圖像二值化。在周圍亮度存在較小的變化的前提下，一旦視頻中出現的對應像素值明顯小于確定值，就可以很容易地判定此處為背景像素。相反如果這個數值變動范圍比較大，就可以判定引起數值變化的主要因素在于運動物體引起的，并將這些區域標記為前景像素，通過標記的方法，很容易判斷運動目標在圖像中的區域位置。

1.2光流法

通過光流法，可以有效地判定或推算光流場，不過光流場的計算因受外部環境的影響比較大，所以一般難以在第一時間做出計算，即便計算出光流場的結果，其數值的誤差也比較大。光流場的工作原理是根據視頻圖像中，不同圖像的排列次序來推算其結果，通過分析運動場的變化來對運動目標和場景進行檢測與分割。

1.3減背景法

在軌道交通智能視頻監控的關鍵技術中，減背景法在運動檢測過程中，占據著非常大的比重，也是應用比較廣泛的運動目標檢測法。減背景法的工作原理是通過圖像的模型背景數值與當前圖像的幀值之間的差別，來判定運動目標的位置及區域。減背景法的判定結果比較精準，但如果采用這種方法來判定運動區域，必要的前提是圖像必須具備背景圖像。

2.目標跟蹤算法

在軌道交通智能視頻監控的關鍵技術中，目標跟蹤算法也是一種比較核心，比較常用的關鍵技術。通過區域跟蹤、特征跟蹤、變形模板跟蹤等可以實現目標跟蹤算法的基本目標。

2.1基于區域跟蹤

所謂基于區域跟蹤，是將所有的視頻監控圖像，通過某種方式進行分割來劃分為不同的區域，根據不同區域的重要性與否確定跟蹤區域，一般主要是通過人為確定區域或者智能確定區域等兩種方式來實現區域的跟蹤。在區域跟蹤中，通過運動算法來確定區域的外部特征是否與圖像的初始特征想匹配，匹配度大的，就可以判斷為目標區域。常用的區域跟蹤算法比較多，一般最常見的就是顏色法和形狀法等兩種區域跟蹤法。雖然區域跟蹤具備一定的精確性，但區域跟蹤的條件比較復雜，需要跟蹤區域沒有明顯的遮擋痕跡，同時采用區域跟蹤會直接帶來計算數據的龐大，從而產生誤差。

2.2基于特征的跟蹤

與基于區域的跟蹤的全局性跟蹤相比，基于特征的跟蹤只注重跟蹤區域的某個特征，通過特征的相似度或者匹配程度來實現區域的判定。不過基于特征跟蹤具備基于區域跟蹤無法比擬的優勢，那就是即便跟蹤區域被遮擋，但只要該區域的某個特征在視頻監控可以有效地判定，那么就可以根據該特征進行區域的判定。

2.3基于變形模板的跟蹤

變形模板是紋理或邊緣可以按一定限制條件變形的面板或曲線。在軌道交通智能視頻監控的眾多目標中，因這些目標基本都具有非剛性的特點，因此無論是采用運動目標跟蹤還是基于區域跟蹤都難以有效進行目標判定，而變形模板具備一定的柔性，可通過方向及方向的變形與目標相適應，正因為基于變形模板的跟蹤具有如此優勢，所以這種方法被廣泛地應用在軌道交通的智能視頻監控中。

三、總結

在軌道交通的監控中，智能視頻監控具有傳統視頻監控無法比擬的優勢，除了減少人為的誤差和滯后性的監控等弊端外，通過智能視頻監控中的關鍵技術可以提升智能視頻監控的成效性。

參考文獻：

[1]劉治紅，駱云志，智能視頻監控技術及其在安防領域的應用[J]；兵工自動化；2009年04期；

[2]王素玉，沈蘭蓀，智能視覺監控技術研究進展[J]；中國圖象圖形學報；2007年09期；

[3]何楠楠，杜軍平，智能視頻監控中高效運動目標檢測方法研究[J]；北京工商大學學報（自然科學版）；2009年04期.