從模擬到數(shù)字視頻的轉(zhuǎn)變?yōu)榘踩到y(tǒng)帶來了人們期盼已久的好處，主要就是數(shù)字壓縮技術(shù)可以傳輸和存儲(chǔ)更多的圖像數(shù)據(jù)。不過這使得價(jià)格有所上升。另外，數(shù)字視頻要求部署更多的攝像機(jī)，這就需要更多的人來監(jiān)視攝像機(jī)。通過視頻的存儲(chǔ)可以減少需要觀看的工作量，因?yàn)樵趬嚎s中所用的運(yùn)動(dòng)向量和檢測器可以用來濾除不重要的活動(dòng)。然而，因?yàn)檫\(yùn)動(dòng)向量和檢測器不提供所發(fā)生的相關(guān)信息，人們必須利用手動(dòng)的方式來捕獲視頻，以確定是否有值得關(guān)注的可疑活動(dòng)。

因此，出現(xiàn)了研發(fā)能夠大大增加監(jiān)控安全和視頻監(jiān)控的有效性的驅(qū)動(dòng)力。視頻內(nèi)容分析，即眾所周知的視頻分析，指的是在一系列視頻幀中識別大量的內(nèi)容，并使能夠在特定事件發(fā)生時(shí)發(fā)布告警，從而加速實(shí)時(shí)快速響應(yīng)。此外，VCA自動(dòng)搜索特定的內(nèi)容，從而將人們從繁重的觀看圖像中解放出來。這還將減少視頻監(jiān)控所需的人員的數(shù)量，進(jìn)而降低了成本。目前，VCA是一項(xiàng)新興的技術(shù)，在未來幾年，該技術(shù)將會(huì)持續(xù)發(fā)展，快速普及將是切實(shí)可行的。

一個(gè)確定性的事情是，要在巨量的視頻像素?cái)?shù)據(jù)中識別出感興趣的目標(biāo)，VCA需要大量的處理工作。此外，為了滿足各種不同的應(yīng)用，VCA系統(tǒng)應(yīng)該能夠可編程，可以接受不同的內(nèi)容，并能夠適應(yīng)不斷演進(jìn)的算法。最新的視頻處理器可以為壓縮，VCA以及數(shù)字視頻系統(tǒng)的其他需求提供優(yōu)異的性能和編程靈活性。而對處理器形成補(bǔ)充的軟件平臺(tái)和工具也幫助設(shè)計(jì)時(shí)簡化了安全監(jiān)控產(chǎn)品的開發(fā)。隨著VCA技術(shù)的發(fā)展，可以很容易地實(shí)現(xiàn)，因?yàn)樗璧募夹g(shù)目前都已經(jīng)出現(xiàn)了。

VCA工作流程

迄今為止，關(guān)于VCA還沒有相關(guān)的國際標(biāo)準(zhǔn)，不過普通的工作流程可以被描述為：

1. 一個(gè)較長的序列被分割成可供分析的單獨(dú)場景或短片。因?yàn)椴煌膱鼍熬哂胁煌闹狈綀D，或不同的色彩頻率分布，其直方圖相對于前面有突變的幀時(shí)可以被視為場景改變；

2. 改變場景內(nèi)的前景目標(biāo)被檢測為與背景分離；

3. 單獨(dú)的前景目標(biāo)被提取或者被分割，然后逐幀跟蹤。跟蹤包括檢測目標(biāo)的位置和速度，它可能不斷變化或臨時(shí)靜止；

4. 當(dāng)需要識別時(shí)，該目標(biāo)的特征被提取，以進(jìn)行分類；

5. 如果該事件某種程度上像關(guān)注的目標(biāo)，則向管理軟件和/或管理人員發(fā)布告警。

前景/背景檢測

期望VCA能夠檢測出變化或者可疑的活動(dòng)，相對于通常為靜止或者不關(guān)注的背景，這些活動(dòng)正在前景中變化。過去，對前景/背景檢測的運(yùn)算有限。而如今，高性能的數(shù)字信號處理器和視頻處理器使得更復(fù)雜的檢測算法的實(shí)現(xiàn)成為可能。通常，有兩種方法可實(shí)現(xiàn)前景/背景檢測：

1. 非自適應(yīng)方法：僅利用少量的幀且不保持背景模型；

2. 自適應(yīng)方法：保持隨時(shí)間不斷變化的背景模型。在自適應(yīng)VCA算法中，利用來自上述流程的2-4步的反饋被送出，用來更新和維持背景模型，然后又被用作為第1步的輸入。

非自適應(yīng)監(jiān)測

在最簡單的非自適應(yīng)方案中，從之前幀的各像素值中減去當(dāng)前幀對應(yīng)像素的數(shù)值，目的是確定絕對差值。然后將該像素絕對值與預(yù)定的門限進(jìn)行比較，該門限來自圖像生成器，代表對現(xiàn)場中的噪聲進(jìn)行補(bǔ)償后的0電平。如果該絕對值超過了門限，則相應(yīng)的像素屬于前景。反之，則屬于背景。如果多個(gè)前景像素連成整體則顯示兩個(gè)前后幀中的前景發(fā)生了改變。

圖中1蓋掉了背景，留下的僅是在當(dāng)前幀中顯示出運(yùn)動(dòng)車輛的前景像素，以及之前幀中的“重影”。

圖1：基于三個(gè)圖像幀的前景/背景檢測
上述重影的存在意味著僅有兩幀可用于簡單運(yùn)動(dòng)檢測，而不需要目標(biāo)跟蹤和識別。除了重影圖像外，在前景中可能會(huì)誤識別其他像素噪聲。可以稍微增加一些運(yùn)算量，即在算法中引入一個(gè)額外的幀來改進(jìn)前景的圖像質(zhì)量。利用三個(gè)幀，確定當(dāng)前幀和前一幀之間每個(gè)像素間的絕對差(圖1A)，然后再確定當(dāng)前幀與下一幀的逐個(gè)像素的絕對差，于是，重影目標(biāo)就會(huì)出現(xiàn)在不同的位置上(圖1B)。如果兩個(gè)絕對差都超過了門限，則相應(yīng)的像素就屬于前景。反之屬于背景。1A和1B中的重影消失后，僅留下1C中的圖像，即為前景。

利用三個(gè)圖像幀，實(shí)現(xiàn)控制環(huán)境中的短期視頻目標(biāo)的跟蹤和識別是可能的。即便如此，非自適應(yīng)的解決方案也僅僅適用于高度監(jiān)管的、場景中沒有大變化的短期跟蹤應(yīng)用。當(dāng)場景或背景變化時(shí)，需要用手動(dòng)的方式重新初始化。否則，錯(cuò)誤將隨時(shí)間累積，導(dǎo)致不可信的結(jié)果。

自適應(yīng)檢測

由于非自適應(yīng)解決方案的限制，在VCA應(yīng)用中，目前正在實(shí)現(xiàn)自適應(yīng)的前景/背景檢測。自適應(yīng)檢測維持背景模型，通過對每兩個(gè)視頻幀中的數(shù)據(jù)進(jìn)行混合使得該模型連續(xù)更新。自適應(yīng)方案需要的處理量比非自適應(yīng)方案要多，背景模型中的復(fù)雜度也變高。在基本的自適應(yīng)方案中，算法從當(dāng)前視頻幀中按逐個(gè)像素減去背景模型，以便確定前景(這與非自適應(yīng)算法中的減去后續(xù)幀的做法相反)。得到的結(jié)果被反饋到模型中，使之自適應(yīng)即將發(fā)生的背景變化，而無需復(fù)位。該方案在目標(biāo)在不斷運(yùn)動(dòng)或者背景噪聲長時(shí)間存在的許多視頻監(jiān)控場景中都很有效。

更復(fù)雜的前景/背景檢測基于統(tǒng)計(jì)背景模型，在該模型中，指定幀中的每一個(gè)背景像素被建模成一個(gè)遵從高斯分布的隨機(jī)變量。每個(gè)像素的均值和標(biāo)準(zhǔn)方差隨時(shí)間變化，具體取決于每幀中的視頻數(shù)據(jù)。例如，如果在場景中包括河岸和一條河，落到水面上的光線將會(huì)使河面像素產(chǎn)生比相對沒有什么變化的河岸像素大得多的方差。通過與從背景模型中的相關(guān)像素的標(biāo)準(zhǔn)方差導(dǎo)出的門限比較來確定當(dāng)前幀中的像素是前景還是背景。換句話說，若要指定某個(gè)像素為前景，如果隨后有大的變化(河流)，則該像素應(yīng)該呈現(xiàn)一個(gè)與背景像素很大的差別，而如果背景像素的變化很小(河岸)，則該差別會(huì)很小。

當(dāng)場景中的不同區(qū)域的光條件或噪聲電平不同時(shí)，該解決方案最有效，因?yàn)槿绻O(shè)置一個(gè)僅考慮高噪聲電平的統(tǒng)一門限，當(dāng)目標(biāo)進(jìn)入到低噪聲區(qū)域(河岸)時(shí)就會(huì)消失。

目標(biāo)跟蹤/識別

在前景/背景檢測之后，生成一個(gè)掩膜圖(圖1C)。由于存在環(huán)境噪聲，單個(gè)目標(biāo)的所有部分將不會(huì)關(guān)聯(lián)在一起，故在將所有部分關(guān)聯(lián)成整體之前，需要進(jìn)行形態(tài)的擴(kuò)展計(jì)算增強(qiáng)過程。擴(kuò)展包括在掩膜圖上加一個(gè)網(wǎng)格，計(jì)算網(wǎng)格中每個(gè)區(qū)域中的前景像素?cái)?shù)量，然后計(jì)算每個(gè)區(qū)域中像素的剩余部分，該區(qū)域中的數(shù)量顯示哪些分離的目標(biāo)應(yīng)該被關(guān)聯(lián)到一起。

在擴(kuò)展和分量關(guān)聯(lián)后，為每個(gè)目標(biāo)提供一個(gè)包圍框，這是一個(gè)包括整個(gè)目標(biāo)(因?yàn)樗鼘⒊霈F(xiàn)在不同的幀中)的小矩形方塊，從而產(chǎn)生了圖2所示的分割。