日期
10/23
2017
咨询
  • QQ扫一扫

  • Vision小助手
    (CMVU)

按需选型有必要,智能分析选型攻略
收藏
2017-10-23 10:09:24来源: 中国机器视觉网

  随着平安城市、智能交通等领域的快速发展并产生了海量的视频监控数据,这为后续的视频检索造成了很大的困难。而这种困难无疑推动了智能分析技术的发展,在后端智能分析设备越来越多的被应用于视频监控系统当中的同时,智能IPC的出现和发展快速的吸引了人们的眼球并迅速占据一块市场。
  当下的智能分析技术
  按照不同的应用领域,智能分析功能主要有:在针对人分析方面包括行为分析(如周界报警、异常行为)、人流量(计数、人群密度)、人脸识别(及年龄、性别)等;针对车辆的有交通事件检测(逆行、违停、拥堵等)、视频电子警察与卡口(车辆违章、车牌识别、车型、车标识别等);另外,通用的有视频质量诊断、视频浓缩与摘要、视频检索等。比较成熟的技术有:人流量统计、人脸识别、视频电子警察与卡口等,基于这些技术已经有成熟的商用系统。南京金智视讯技术有限公司产品经理(以下简称为“金智视讯”)丁海龙认为,智能分析技术从最早的概念,到如今获得广泛的使用,以及越来越成熟,特别是最近几年,呈现加速发展的势头。在技术发展特点上,对于传统技术的改进如背景建模、模板匹配等基本达到极致,新的基于机器学习的方法由于具备识别的准确性高、抗干扰能力强的特点正获得更广泛的使用。
  杭州海康威视数字技术有限公司(以下简称为“海康威视”)田清波介绍道,随着计算机硬件性能的不断提升,原来受限于计算效率的算法得到了进一步的发展,同时以深度学习为代表的新的智能算法不断的涌现,旨在解决以前算法无法完成的智能功能。现在智能分析技术的主要有:智能算法复杂度高,为了达到更好的智能分析效果,现在算法的复杂度不断的提高,对硬件的要求也越来越高;智能分析技术适用场景更广,以前的智能算法旨在解决单一场景单一问题,算法的普适性较差,因此对智能设备的安装要求很高,现在的算法能通过自学习功能,适应不断变化的场景,更好的实现智能分析功能;智能分析技术对于大数据的依赖越来越大,随着大数据、云计算技术的发展,以大数据、云计算为基础的智能算法也得到了快速的发展;智能算法的实用性更强,随着人们对智能算法的了解,也提出了越来越多智能相关的需求,如何解决这些用户的需求,成为了智能分析技术的主要原因,智能技术也越来越朝着解决人们生活中的实际问题方向发展。
    当然,无论哪种技术,多多少少都会存在一些技术难点,智能分析技术也不例外,其技术难点一般认为有以下几个方面。


    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。采用不同的色彩空间可以减轻光照变化对算法的影响,但无法完全消除其影响;场景中前景目标与背景的相互转换,与行李的放下、拿起,车辆的启动与停止;目标语背景颜色相似时会影响目标检测与跟踪的效果;目标阴影与背景颜色存在差别通常被检测为前景,这给运动目标的分割与特征提取带来困难。
    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,如目标的运动、颜色、边缘以及纹理等。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,目标部分不可见回造成目标信息缺失,影响跟踪的稳定性。为了减少遮挡带来的歧义性问题,必须正确处理遮挡时特征与目标间的对应关系。大多数系统一般是通过统计方法预测目标的位置、尺度等,都不能很好地处理较严重的遮挡问题。
    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。

为你推荐