摘要：本文介绍了一种基于视频识别技术的隧道视频监控系统，该系统有别于传统视频监控系统，系统通过计算机软件处理视频图像，采用先进的图像处理算法，实现视频图像的自动识别，较好地解决了传统视频监控系统的缺点问题，有较大的应用前景。
关键词：视频识别，视频监控，事件检测，算法
隧道的安全越来越引起大家的注意，监控隧道的火灾安全、汽车行驶情况等是非常重要的，特别在发生火灾以及车祸时，要第一时间地传给监控工作人员，提示采取相应措施。视频监控系统用于对指定的场景区域进行监视，并把场景内的信息传递给监控者，使其能根据相应的情况采取适当措施。随着电子信息技术的飞速发展，视频的智能识别技术日益成熟，通过将视频识别技术应用于隧道的视频监控，不仅可以实时、直观地知道各隧道路段车流量、车辆通行状况，而且可以及时自动检测交通事故，以便及时采取相应的措施,减少交通堵塞，最大限度地求得道路系统的利用率，创造安全、舒适的交通环境。
传统的视频监控系统大多是通过前端的摄像枪采集图像信息，通过光端机、光纤直接将图像信息传输至监控中心，将图像信息进行显示，监控中心设24小时人工值班监控，其缺点是：人工观察视频不但会让人很容易疲劳，常常会导致漏察；并且当监控点增多到一定规模的时候，人工不可能24小时同时观察多个监控屏幕，一旦发生事故，很难及时发现。为了有效的解决上述弊端，最好的方式就是让计算机自动检测出事件，报警并通知监控人员，这种计算机自动检测事件的技术就是视频识别技术。
1 本系统简介
本系统通过隧道视频监控系统上传视频信息，利用计算机视觉技术与数字图像处理技术对隧道内的运动车辆自动检测、运动状态预测、车辆自动跟踪、交通事件检测等，从而实现自动快速检测出车辆避障、换道、超速、慢速、停止、交通阻塞等事件及进行交通流量、平均车速等交通参数的统计，最后形成有用的信息，对异常情况进行告警报告或自动启动救援措施，旨在利用计算机视觉技术与数字图像处理技术对隧道的监控系统进行改进、完善，从而实现隧道监控系统的高度智能化。本系统总体框架见图1-1
2本系统软件设计原理
2.1本系统软件设计流程图
2.2视频图像的获取
通过前端摄像枪上传的视频图像信息，需要经过计算机软件处理，才能进行识别。本系统采用背景差分方法进行视频图像的获取。背景差分法就是对当前帧图像与背景帧图像进行差分，这是最常用的方法，运动车辆和暂时停止的车辆都可以检测，因此适用于摄像机静止的情形。它首先为图像序列建立背景模型，提取不含运动目标的参考背景，通过将当前图像帧和参考背景进行比较，确定出亮度变化较大的区域，即认为是前景区域。这种方法的计算速度很快，可以获得关于运动目标区域的完整精确的描述，但对场景中光照条件、大面积运动和噪声比较敏感，在实际应用中需采用一定的算法进行背景模型的动态更新，以适应环境的变化。
2.3视频图像的处理
人的视觉和电视、电影一样，在一定的时间内采样一系列的图像信号，从这些信号中，捕捉有意义的对象及它们的动作模式，进一步获得人物行动和情节的高维信息。视频图像处理也是从一张张静止图像中得到随时间变化的图像[1]。为了分析这样的视频图像，本系统采用基于变化信息选择性的分析图像。视频图像有庞大的数据量，但是在进行视频图像的分析时，没有必要详细研究全部数据，只需分析画面内有变化的部分，然后和以前分析过的画面比较，跳过几乎不变化的画面。这种处理方法，有效地节省了计算量。
2.3.1背景模型的建立
目前，在背景建模中所选取的描述背景的特征主要有像素属性(像素的强度、边缘和强度的差分等)和区域属性(连通、相似等)。背景建模方法主要有：基于像素强度的统计模型建模，基于边缘特征的背景建模，基于图像块的背景建模。其中，基于像素强度的统计模型建模可以适应渐变的光照，但对突变的光照则存在一定的问题，考虑到隧道内白天或黑夜的光线强度变化不大，本系统采用该种方法进行背景模型的建立。
2.3.2噪声去除
图像噪声是指在图像生成，保存和传输过程中，由外部干扰加进图像中的干扰信息。它主要通过三种途径加入到图像中：在图像生成过程中出现的噪音干扰，比如环境中的烟雾、灰尘等等；在数字化过程中，由于采样的原因或者数字化设备的原因而加入的噪音；在保存传输过程中所加入的噪音等[2]。
噪音是不能完全被过滤掉的，只能减少噪音的干扰。但是噪音信号一般对图像处理结果的准确性影响比较大。因此，图像预处理的首要任务就是要消除、减少噪声的影响。
本系统通过充分比较，采用高斯低通滤波法进行噪声去除。
图像经过傅立叶变换后，噪声包含在空间高频成分中，因此，对高频成分加以衰减可在频域中来实现去噪处理，这种滤除高频成分而保留低频分量的方法称为低通滤波法，其数学表达式为
(2-1)
式中F(u，v)是原始图像的傅立叶频谱，G(u,v)是平滑后图像的傅立叶频谱，H(u,v)是低通滤波器的转移函数，应对高频成分有衰减作用又不影响低频分量。使用该方法时，要先产生一个高斯低通滤波器然后再进行二维线性数字滤波。本文主要是采用这种方法，主要原因是采用这种方法不但除噪效果好，而且速度较快，能满足实时性的要求。
2.3.3目标的分割提取
所谓的运动目标也就是不符合背景判断条件的这部分，本文称之为前景，在和自适应的背景模型比较起来，前景属于突发事件，不管是彩色，还是灰度都和背景有着一定的区别。当有新的帧到来时，系统都会用己建立的背景模型去拟合，逐一比较每个像素点的三个分量H，S，V的值，通过每点像素的灰度和彩色信息，来判断该点是背景还是运动物体—前景。其中符合背景判据的点认为是背景，并且用后续的背景更新算法去更新当前背景，更新过的背景作为当前背景模型，用在下一帧的处理；而不符合背景判据的点的集合就是前景，也就是上述提到的运动目标。那么这帧包含前景信息的图像经过上述的处理，输出为一个部分彩色的图像，其中彩色的部分为运动物体[3]。
3视频图像的分析——交通流参数的提取
视频图像分析的基本任务是：从图像序列中检测出运动信息、识别与跟踪运动目标和估计三维运动和结构参数。由于一旦检测出运动信息或估计出三维运动和结构参数，可以通过目标的形状、运动等属性，根据目标模型的先验知识，可以识别出目标，能知道并预报目标当前与未来位置，也即解决了目标的识别与跟踪问题。
不同时刻采集的两帧或多帧图像中包含了存在于摄像机与运动物体之间的相对运动信息，这些信息表现为图像帧之间的灰度变化或诸如运动物体本身的一些点、线段、区域等特征的位置和属性的变化等。通过检测这些灰度变化而发现短时间间隔以及小位移的相对运动，(例如小于60～100ms的瞬态间隔，及视场中心每弧度15’的离散位移)；也可以通过检测这些特征的位置和属性的变化而发现大时间间隔与大位移的相对运动。这就是视频检测中的所谓小范围及大范围检测机理。
本系统隧道监控，主要需要提取车流量、车速、以及隧道内的异常事件。通过以上分析的方法，经过图像的获取、图像的处理、模型的建立、噪声去除、图像分割提取可以依次得到以上信息，然后判断是否需要报警，以及图像的切换，以方便监控人员的及时便捷的发现隧道内的情况。
4 结论
本文介绍了一种基于视频识别技术的隧道视频监控系统，该系统使隧道视频监控系统具有较高的准确性、较好的实效性。此系统可以及时自动检测交通事故，以便及时采取相应的措施，减少交通堵塞,最大限度地获得道路系统的利用率，还可以降低值班人员的劳动强度，提高工作效率。
参考文献：
[1]娄莉，党瑞荣.基于智能图像处理技术的车型识别.微电子学与计算机.2006年第23卷第6期
[2]夏良正．数字图像处理[M]．南京：东南大学出版社，1999
[3]季白杨、陈纯、钱英：视频分割技术的发展，计算机研究与发展，2001年1月，第38卷第一期
