摘要：本文介紹了一種基于視頻識別技術的隧道視頻監控系統，該系統有別于傳統視頻監控系統，系統通過計算機軟件處理視頻圖像，采用先進的圖像處理算法，實現視頻圖像的自動識別，較好地解決了傳統視頻監控系統的缺點問題，有較大的應用前景。
　　關鍵詞：視頻識別，視頻監控，事件檢測，算法
　　隧道的安全越來越引起大家的注意，監控隧道的火災安全、汽車行駛情況等是非常重要的，特別在發生火災以及車禍時，要第一時間地傳給監控工作人員，提示采取相應措施。視頻監控系統用于對指定的場景區域進行監視，并把場景內的信息傳遞給監控者，使其能根據相應的情況采取適當措施。隨著電子信息技術的飛速發展，視頻的智能識別技術日益成熟，通過將視頻識別技術應用于隧道的視頻監控，不僅可以實時、直觀地知道各隧道路段車流量、車輛通行狀況，而且可以及時自動檢測交通事故，以便及時采取相應的措施,減少交通堵塞，最大限度地求得道路系統的利用率，創造安全、舒適的交通環境。
　　傳統的視頻監控系統大多是通過前端的攝像槍采集圖像信息，通過光端機、光纖直接將圖像信息傳輸至監控中心，將圖像信息進行顯示，監控中心設24小時人工值班監控，其缺點是：人工觀察視頻不但會讓人很容易疲勞，常常會導致漏察；并且當監控點增多到一定規模的時候，人工不可能24小時同時觀察多個監控屏幕，一旦發生事故，很難及時發現。為了有效的解決上述弊端，最好的方式就是讓計算機自動檢測出事件，報警并通知監控人員，這種計算機自動檢測事件的技術就是視頻識別技術。
　　1 本系統簡介
　　本系統通過隧道視頻監控系統上傳視頻信息，利用計算機視覺技術與數字圖像處理技術對隧道內的運動車輛自動檢測、運動狀態預測、車輛自動跟蹤、交通事件檢測等，從而實現自動快速檢測出車輛避障、換道、超速、慢速、停止、交通阻塞等事件及進行交通流量、平均車速等交通參數的統計，最后形成有用的信息，對異常情況進行告警報告或自動啟動救援措施，旨在利用計算機視覺技術與數字圖像處理技術對隧道的監控系統進行改進、完善，從而實現隧道監控系統的高度智能化。本系統總體框架見圖1-1
　　                       

                          
　　
　　2本系統軟件設計原理
　　2.1本系統軟件設計流程圖
　　                     
　　2.2視頻圖像的獲取
　　通過前端攝像槍上傳的視頻圖像信息，需要經過計算機軟件處理，才能進行識別。本系統采用背景差分方法進行視頻圖像的獲取。背景差分法就是對當前幀圖像與背景幀圖像進行差分，這是最常用的方法，運動車輛和暫時停止的車輛都可以檢測，因此適用于攝像機靜止的情形。它首先為圖像序列建立背景模型，提取不含運動目標的參考背景，通過將當前圖像幀和參考背景進行比較，確定出亮度變化較大的區域，即認為是前景區域。這種方法的計算速度很快，可以獲得關于運動目標區域的完整精確的描述，但對場景中光照條件、大面積運動和噪聲比較敏感，在實際應用中需采用一定的算法進行背景模型的動態更新，以適應環境的變化。
　　2.3視頻圖像的處理
　　人的視覺和電視、電影一樣，在一定的時間內采樣一系列的圖像信號，從這些信號中，捕捉有意義的對象及它們的動作模式，進一步獲得人物行動和情節的高維信息。視頻圖像處理也是從一張張靜止圖像中得到隨時間變化的圖像[1]。為了分析這樣的視頻圖像，本系統采用基于變化信息選擇性的分析圖像。視頻圖像有龐大的數據量，但是在進行視頻圖像的分析時，沒有必要詳細研究全部數據，只需分析畫面內有變化的部分，然后和以前分析過的畫面比較，跳過幾乎不變化的畫面。這種處理方法，有效地節省了計算量。
　　2.3.1背景模型的建立
　　目前，在背景建模中所選取的描述背景的特征主要有像素屬性(像素的強度、邊緣和強度的差分等)和區域屬性(連通、相似等)。背景建模方法主要有：基于像素強度的統計模型建模，基于邊緣特征的背景建模，基于圖像塊的背景建模。其中，基于像素強度的統計模型建模可以適應漸變的光照，但對突變的光照則存在一定的問題，考慮到隧道內白天或黑夜的光線強度變化不大，本系統采用該種方法進行背景模型的建立。
　　2.3.2噪聲去除
　　圖像噪聲是指在圖像生成，保存和傳輸過程中，由外部干擾加進圖像中的干擾信息。它主要通過三種途徑加入到圖像中：在圖像生成過程中出現的噪音干擾，比如環境中的煙霧、灰塵等等；在數字化過程中，由于采樣的原因或者數字化設備的原因而加入的噪音；在保存傳輸過程中所加入的噪音等[2]。
　　噪音是不能完全被過濾掉的，只能減少噪音的干擾。但是噪音信號一般對圖像處理結果的準確性影響比較大。因此，圖像預處理的首要任務就是要消除、減少噪聲的影響。
　　本系統通過充分比較，采用高斯低通濾波法進行噪聲去除。
　　圖像經過傅立葉變換后，噪聲包含在空間高頻成分中，因此，對高頻成分加以衰減可在頻域中來實現去噪處理，這種濾除高頻成分而保留低頻分量的方法稱為低通濾波法，其數學表達式為
　　(2-1)
　　式中F(u，v)是原始圖像的傅立葉頻譜，G(u,v)是平滑后圖像的傅立葉頻譜，H(u,v)是低通濾波器的轉移函數，應對高頻成分有衰減作用又不影響低頻分量。使用該方法時，要先產生一個高斯低通濾波器然后再進行二維線性數字濾波。本文主要是采用這種方法，主要原因是采用這種方法不但除噪效果好，而且速度較快，能滿足實時性的要求。
　　2.3.3目標的分割提取
　　所謂的運動目標也就是不符合背景判斷條件的這部分，本文稱之為前景，在和自適應的背景模型比較起來，前景屬于突發事件，不管是彩色，還是灰度都和背景有著一定的區別。當有新的幀到來時，系統都會用己建立的背景模型去擬合，逐一比較每個像素點的三個分量H，S，V的值，通過每點像素的灰度和彩色信息，來判斷該點是背景還是運動物體—前景。其中符合背景判據的點認為是背景，并且用后續的背景更新算法去更新當前背景，更新過的背景作為當前背景模型，用在下一幀的處理；而不符合背景判據的點的集合就是前景，也就是上述提到的運動目標。那么這幀包含前景信息的圖像經過上述的處理，輸出為一個部分彩色的圖像，其中彩色的部分為運動物體[3]。
　　3視頻圖像的分析——交通流參數的提取
　　視頻圖像分析的基本任務是：從圖像序列中檢測出運動信息、識別與跟蹤運動目標和估計三維運動和結構參數。由于一旦檢測出運動信息或估計出三維運動和結構參數，可以通過目標的形狀、運動等屬性，根據目標模型的先驗知識，可以識別出目標，能知道并預報目標當前與未來位置，也即解決了目標的識別與跟蹤問題。
　　不同時刻采集的兩幀或多幀圖像中包含了存在于攝像機與運動物體之間的相對運動信息，這些信息表現為圖像幀之間的灰度變化或諸如運動物體本身的一些點、線段、區域等特征的位置和屬性的變化等。通過檢測這些灰度變化而發現短時間間隔以及小位移的相對運動，(例如小于60～100ms的瞬態間隔，及視場中心每弧度15’的離散位移)；也可以通過檢測這些特征的位置和屬性的變化而發現大時間間隔與大位移的相對運動。這就是視頻檢測中的所謂小范圍及大范圍檢測機理。
　　本系統隧道監控，主要需要提取車流量、車速、以及隧道內的異常事件。通過以上分析的方法，經過圖像的獲取、圖像的處理、模型的建立、噪聲去除、圖像分割提取可以依次得到以上信息，然后判斷是否需要報警，以及圖像的切換，以方便監控人員的及時便捷的發現隧道內的情況。
　　4 結論
　　本文介紹了一種基于視頻識別技術的隧道視頻監控系統，該系統使隧道視頻監控系統具有較高的準確性、較好的實效性。此系統可以及時自動檢測交通事故，以便及時采取相應的措施，減少交通堵塞,最大限度地獲得道路系統的利用率，還可以降低值班人員的勞動強度，提高工作效率。
　　
　　參考文獻：
　　[1]婁莉，黨瑞榮.基于智能圖像處理技術的車型識別.微電子學與計算機.2006年第23卷第6期
　　[2]夏良正．數字圖像處理[M]．南京：東南大學出版社，1999
　　[3]季白楊、陳純、錢英：視頻分割技術的發展，計算機研究與發展，2001年1月，第38卷第一期