轨道交通智能视频监控的关键技术

2014-10-21 20:08胡祥明
商品与质量·消费视点 2014年11期
关键词:轨道交通

胡祥明

摘要:在轨道交通监控系统中,智能视频监控技术的应用非常广泛,也非常普遍,通过运用视频监控技术可以实现在轨道周界、建筑、设备周围或内部中异常行为的智能识别。本文将着重阐述轨道交通智能视频监控的关键技术。

关键词:轨道交通;智能视频监控;运动目标检测;目标跟踪算法

轨道交通监控技术经历了由传统监控技术到智能视频监控技术的发展,随着轨道交通的发展与革新,传统监控技术的弊端也在实际运用中不断显现出来,如果在轨道交通监控中,仍然采用传统的监控技术,不仅难以有效地保障轨道交通的运营安全,还容易留下诸多后遗症,不利于轨道交通的发展。而通过运用智能视频监控技术,可以有效地规避传统视频监控技术的弊端,更好地保障轨道交通的安全。所谓智能视频技术,一般是指自动的分析和抽取视频源中的关键信息,运用强大的计算机对数据的处理功能,高速的分析视频画面里大量的数据,将那些对用户没用的信息过滤掉,只留下一些关键的信息。

一、轨道交通传统监控技术的弊端

随着轨道交通的发展,传统的监控技术在实际运用过程中凸显出了很多弊端。与智能视频监控技术相比,传统监控技术虽然也强调通过视频来进行监控,但缺乏智能分析的关键环节,属于一种被动的监控,就如同办公大廳中的摄像头一样。传统的视频监控技术,一般主要可以实现两方面的功用,一是如同摄像头一样,属于滞后性的监控,主要为事后提供某些参考或者依靠的录像资料和证据,以对轨道交通运营做出判断,这种功能主要通过查看录像资料的方式来实现,具备一定的滞后性。二是对轨道交通的重要节点或者重要部位进行远程监控,这种远程监控具备实时的功用,但监控过程需要人为操作,监控数据或信息也需要人为进行汇总分析,传统视频监控技术只提供一种远程监控的服务,不作信息分析与筛选。

在传统视频监控技术中,人是核心作用,无论是实时监控还是查看录像,都需要人为操作,一旦发现轨道交通某个环节有异常行为,还需要通过人为报警地方式进行汇报。因此在传统视频监控技术下,因人为因素所造成的误报、迟报等非常多,这主要是因为视频监控路段多、时间长,工作人员难以在众多的视频中发现异常情况,而且人为报警的方式,精确度差,响应时间长。

二、轨道交通智能视频监控的关键技术

随着轨道交通的发展,传统的视频监控技术已经难以适应轨道交通的发展,传统视频监控技术所显现出来的弊端也无法适应轨道交通的发展,因此智能视频监控技术应运而生。轨道交通智能视频监控技术不仅可以提供实时地远程监控,还能对监控信息进行有效地分析与汇总,对监控信息加以研判,帮助工作人员做出更好地处理结果,尤其是智能视频监控技术中关键技术的应用,极大地丰富了轨道交通的监控手段。

1.运动目标检测方法

1.1帧差法

在轨道交通智能视频监控中,运动目标检测方法是一项常用的关键技术,通过帧差法可以有效地帮助工作人员判断运动物体。帧差法的工作原理是图像序列相邻的两帧或者三帧采用基于像素的时间差分来提取图像中的运动区域。首先将相邻帧图像对应的像素值相减,然后对差分图像二值化。在周围亮度存在较小的变化的前提下,一旦视频中出现的对应像素值明显小于确定值,就可以很容易地判定此处为背景像素。相反如果这个数值变动范围比较大,就可以判定引起数值变化的主要因素在于运动物体引起的,并将这些区域标记为前景像素,通过标记的方法,很容易判断运动目标在图像中的区域位置。

1.2光流法

通过光流法,可以有效地判定或推算光流场,不过光流场的计算因受外部环境的影响比较大,所以一般难以在第一时间做出计算,即便计算出光流场的结果,其数值的误差也比较大。光流场的工作原理是根据视频图像中,不同图像的排列次序来推算其结果,通过分析运动场的变化来对运动目标和场景进行检测与分割。

1.3减背景法

在轨道交通智能视频监控的关键技术中,减背景法在运动检测过程中,占据着非常大的比重,也是应用比较广泛的运动目标检测法。减背景法的工作原理是通过图像的模型背景数值与当前图像的帧值之间的差别,来判定运动目标的位置及区域。减背景法的判定结果比较精准,但如果采用这种方法来判定运动区域,必要的前提是图像必须具备背景图像。

2.目标跟踪算法

在轨道交通智能视频监控的关键技术中,目标跟踪算法也是一种比较核心,比较常用的关键技术。通过区域跟踪、特征跟踪、变形模板跟踪等可以实现目标跟踪算法的基本目标。

2.1基于区域跟踪

所谓基于区域跟踪,是将所有的视频监控图像,通过某种方式进行分割来划分为不同的区域,根据不同区域的重要性与否确定跟踪区域,一般主要是通过人为确定区域或者智能确定区域等两种方式来实现区域的跟踪。在区域跟踪中,通过运动算法来确定区域的外部特征是否与图像的初始特征想匹配,匹配度大的,就可以判断为目标区域。常用的区域跟踪算法比较多,一般最常见的就是颜色法和形状法等两种区域跟踪法。虽然区域跟踪具备一定的精确性,但区域跟踪的条件比较复杂,需要跟踪区域没有明显的遮挡痕迹,同时采用区域跟踪会直接带来计算数据的庞大,从而产生误差。

2.2基于特征的跟踪

与基于区域的跟踪的全局性跟踪相比,基于特征的跟踪只注重跟踪区域的某个特征,通过特征的相似度或者匹配程度来实现区域的判定。不过基于特征跟踪具备基于区域跟踪无法比拟的优势,那就是即便跟踪区域被遮挡,但只要该区域的某个特征在视频监控可以有效地判定,那么就可以根据该特征进行区域的判定。

2.3基于变形模板的跟踪

变形模板是纹理或边缘可以按一定限制条件变形的面板或曲线。在轨道交通智能视频监控的众多目标中,因这些目标基本都具有非刚性的特点,因此无论是采用运动目标跟踪还是基于区域跟踪都难以有效进行目标判定,而变形模板具备一定的柔性,可通过方向及方向的变形与目标相适应,正因为基于变形模板的跟踪具有如此优势,所以这种方法被广泛地应用在轨道交通的智能视频监控中。

三、总结

在轨道交通的监控中,智能视频监控具有传统视频监控无法比拟的优势,除了减少人为的误差和滞后性的监控等弊端外,通过智能视频监控中的关键技术可以提升智能视频监控的成效性。

参考文献:

[1]刘治红,骆云志,智能视频监控技术及其在安防领域的应用[J];兵工自动化;2009年04期;

[2]王素玉,沈兰荪,智能视觉监控技术研究进展[J];中国图象图形学报;2007年09期;

[3]何楠楠,杜军平,智能视频监控中高效运动目标检测方法研究[J];北京工商大学学报(自然科学版);2009年04期.

猜你喜欢
轨道交通
轨道交通TOD模式创新引领宁波城市发展
基于熵权法的城市轨道交通系统运营效率
城市轨道交通供电系统及电力技术探析
仿真软件在《城市轨道交通专用通信系统维护》课程中的应用与实践
氢燃料电池在城市轨道交通中的应用研究
城市轨道交通运营初期客流预测方法探讨
城市轨道交通节假日期间大客流行车组织思考与实践
基于网络化运营的城市轨道交通控制中心设置研究
基于 BP 神经网络的城市轨道交通客流预测研究
轨道交通快慢车越行问题研究