浅谈视频监控智能算法的几个关键问题

如此众多繁杂的摄像机产品及智能算法功能，不得不进行一些关键性技术的区分辨别。以深度学习的人脸检测、人脸识别、人群分析、车牌识别、图像识别等技术而言，普通的二维智能算法多半通过后端大数据库的比对实现查找匹配的功能，在简单的应用场景下，准确率都能达到85%以上，但在复杂的应用场景，如拥挤的人群、遮挡物众多、移动速度过快等状况下，二维智能算法的缺陷表露无遗。

普通摄像机智能分析的缺点及根源

在市面上，普通的智能摄像机存在三个缺点：一是不带变焦的摄像机对远距离的目标无法看清目标细节;二是带变焦的镜头虽然通过人工操作，可以看清远处目标，但不能跟踪运动目标，同时因完全靠肉眼观察，容易疲劳，也需要大量人力投入，成本高昂;三是部分智能摄像机能识别车牌及实现有限的报警功能，但对安装角度、目标距离有很高要求，不适合大面积应用，并且在对多个运动目标实现自动锁定、自动跟踪、自动预警等方面的技术不够成熟。

而对于造成摄像机智能分析功能存在这些缺点，业内专业人士认为，当前大多数做智能视频分析的厂家都是在后台对前端摄像机采集的图像进行分析处理，但因传输带宽及存储空间的瓶颈，前端传回后台的图像一般都经过压缩处理，清晰度变差，这大大降低了视频分析的识别率。目前，视频分析的众多产品都存在这样那样的问题，根源就在于视频源的低质量。

智能分析算法存在的困难

当前，智能分析算法存在的最大困难，主要来自于两方面：第一，是对处理器芯片的实时处理能力要求很高，受制于处理器的有限资源，摄像机前端在实时处理能力上较弱，这会大大限制产品功能的有效性;第二，是对前端设备的制约较多，如芯片的处理能力、芯片的散热方案较难实现等。目前大多数商用的智能分析算法还存在误检/漏检率高，场景适应性差等问题，实际应用效果有限。而学术界高精度的算法则存在硬件要求高，不适应于大面积商业化运用。

在视频监控的智能分析功能中，对于同一个人进入不同摄像机之间能否被准确辨认出来，业界一直在研究，如果此功能能够实现，对于公安破案将带来极大的帮助。对此算法，有业内人士认为，行人的跨摄像头跟踪，主要可以通过两种算法来实现，一是行人匹配算法，也就是利用某个特定行人的纹理特征和运动特征;另一个是人脸识别算法，也就是通过人脸检测算法和人脸匹配技术，来判断是否有同一个人出现在不同的摄像机里。