一种多路监控视频的管理方法与设备的制造方法
【技术领域】
[0001] 本发明涉及智能监控技术，具体涉及智能监控服务器端的一种视频管理的领域。
【背景技术】
[0002] 随着社会的发展，人类文明的进步，视频监控技术在日常生活中也越来越重要，广 泛用于安防领域，协助公共安全部门打击犯罪、维持社会安定。随着网络技术的普及、图像 处理技术的提高，智能视频监控技术正广泛的渗透到教育、政府、娱乐、娱乐、酒店等各种领 域。
[0003] 目前视频监控技术日臻成熟，但是对高清视频的需求，但依然存在以下问题：
[0004] 1)高分辨率、高质量的画面质量，需要很大的空间存储视频；
[0005] 2)监控范围的比较大，监控路数多，容易造成视频文件时间上的混乱；
[0006] 3)对于同类事件的相关性，没有做到有效衔接。
[0007] 如何在海量的高清视频信息中快速、准确的查找到多路视频的关键部分，是一个 重要课题，因此本发明提出了使用记录视频的特殊事件的属性的方法帮助视频分析保存以 及视频的快速查询、翻查。
[0008] 目前，智能监控中，获取特殊事件的属性尤为重要，目前比较成熟的视频异常行为 智能检测包括双向越界、单向越界、进入禁区、离开禁区、徘徊、无人值守、骤变、人员聚集、 烟雾检测、快速运动、逆行、打架等事件，随着视频监控分析技术发展迅速，对于特殊事件的 检测算法更是层出不穷，目前的主要方法是，在计算机视觉的基础之上对监控摄像头采集 的视频图像进行分析与识别，实现对动态复杂场景里可疑目标的检测提取与跟踪，而且在 这个基础上分析可识别可疑对象的行为，得出对视频图像内容的理解，对得到的图像信息 进行分析与规划。
【发明内容】
[0009] 针对现有技术的不足，本发明旨在提供一种多路监控视频的管理方法与设备，在 传统的监控技术的基础之上，通过利用计算机视觉、图像处理、视频分析和模式识别的方法 对摄像机拍摄的视频序列进行自动分析处理，包括对监视场景中的感兴趣目标进行检测提 取、标记和跟踪，最后对目标的动作行为分析和判断，将分析结果保存，在回访翻查录像时， 节省时间，提尚效率。
[0010] 为了实现以上目的，本发明采用如下技术方案：
[0011] 一种多路监控视频的管理设备，包括若干路监控摄像头，所述监控摄像头均通讯 连接于服务器；所述服务器中包括目标检测模块、目标跟踪模块、目标分类模块、异常检测 分类模块以及数据库模块。
[0012] 基于上述管理设备，多路监控视频的管理方法包括如下步骤：
[0013] Sl服务器接收与其连接的若干路监控摄像头的画面，通过目标检测模块，将每一 个监控摄像头中的画面进行目标检测；
[0014] S2通过目标跟踪模块，对步骤SI中检测得到的目标实现跟踪；
[0015] S3通过步骤Sl和S2中得到的结果，利用目标分类模块对目标进行分类，并基于目 标所属的类别，通过异常检测分类模块对目标进行异常检测，并将检测到的异常归入相应 的异常分类中；
[0016] S4通过数据库模块建立数据库，将异常的属性写入数据库所设的相应字段中，并 创建索引；其中数据库中的字段至少包括异常所属视频标识、异常所属类别。
[0017] 需要说明的是，一般的视频异常检测流程是在读取视频图像并检测出目标后，按 照设定的标准情况进行异常判断及分析。而本发明的主要改进在于在原有的检测流程基础 上将异常分类，并将包括异常分类在内的异常属性建立数据库，并创建索引结构。
[0018] 进一步地，步骤Sl中，采用帧间差分法或背景差分法进行关键帧和背景帧的区 分，检测出目标区域。
[0019] 进一步地，步骤S2中，采用CamShift跟踪算法、光流跟踪算法或粒子滤波算法进 行目标跟踪。
[0020] 进一步地，步骤S3中，主要将目标分类为人、车辆、物、烟雾和火焰。
[0021] 进一步地，步骤S3中，异常检测的内容主要包括恶意遮挡、图像干扰、摄像头移 动、物体识别、烟雾检测、火检测、车速测量、逆行警告、越界识别和人体异常行为；其中，恶 意遮挡、图像干扰、摄像头移动所属异常类别为诊断类，物体识别、烟雾检测、火检测所属异 常类别为识别类，而车速测量、逆行警告、越界识别和人体异常行为所述异常类别为行为 类。
[0022] 进一步地，步骤S3中，采用基于模板匹配的方法、基于概率统计的方法或基于语 义的方法进行异常检测。
[0023] 进一步地，步骤S4中，数据库中的字段还包括异常地点、异常时间、异常主体和异 常内容。
[0024] 本发明的有益效果在于：在海量的监控视频中，帮助人员快速查找线索，节省时 间，不仅可以减少传统视频监控中的人力资源的投入，而且能够快速、高效地判断出视频中 的异常情况；在全局上对视频统一的规划，在翻查记录时，省去了多人多视频查找的麻烦， 提尚了效率。
【附图说明】
[0025] 图1为本发明的实施流程图；
[0026] 图2为图1中异常分类示意图；
[0027] 图3为实施例的实施示意图；
[0028] 图4为目标分类原理示意图。
【具体实施方式】
[0029] 以下将结合附图对本发明作进一步的描述，需要说明的是，本实施例以本技术方 案为前提，给出了详细的实施方式和具体的操作过程，但本发明的保护范围并不限于本实 施例。
[0030] 一种多路监控视频的管理设备，包括若干路监控摄像头，所述监控摄像头均通讯 连接于服务器；所述服务器中包括目标检测模块、目标跟踪模块、目标分类模块、异常检测 分类模块以及数据库模块
[0031] 如图1所示，一种多路监控视频的管理方法，包括如下步骤：
[0032] Sl通过服务器接收与其连接的若干路监控摄像头的画面，通过目标检测模块，将 每一个画面中的目标进行检测。其中，目标检测具体可以采用帧间差分法或背景差分法进 行关键帧和背景帧的区分，检测出目标区域。
[0033] S2通过目标跟踪模块，采用CamShift跟踪算法、光流跟踪算法或粒子滤波算法， 对步骤Sl中检测得到的目标实现跟踪。
[0034] S3通过步骤Sl和S2中得到的结果，利用目标分类模块对目标进行分类，主要将目 标分类为人、车辆、物、烟雾和火焰，目标分类的目的主要在于可以有针对性地根据其类别 的不同而采用不同的算法策略进行高层的行为分析理解。
[0035] 在目标分类后，基于目标所属的类别，通过异常检测分类模块对目标进行异常检 测，并将检测到的异常归入相应的异常分类中。如图2所示，异常检测的内容主要包括恶 意遮挡、图像干扰、摄像头移动、物体识别、烟雾检测、火检测、车速测量、逆行警告、越界识 别和人体异常行为；其中，恶意遮挡、图像干扰、摄像头移动所属异常类别为诊断类，物体识 另IJ、烟雾检测、火检测所属异常类别为识别类，而车速测量、逆行警告、越界识别和人体异常 行为所述异常类别为行为类。
[0036] 异常的检测，可以采用基于模板匹配的方法、基于概率统计的方法或基于语义的 方法进行。
[0037] S4通过数据库模块建立数据库，将异常的属性写入数据库所设的相应字段中，并 创建索引；其中数据库中的字段至少包括异常所属视频标识、异常所属类别。另外，还包括 异常地点、异常时间、异常主体和异常内容。
[0038] 以下将以人体异常行为检测为例对本发明作进一步的说明，具体如图3所示。
[0039] 一、首先进行目标检测。
[0040]目前，运动目标检测的方法很多，主要有帧间差分法和背景差分法：
[0041] 1)帧间差分法，是一种通过对视频图像序列中相邻两帧作差分