欢迎来到金仕盾安防官网!

加入收藏 | 设为首页 

 

综合型的弱电系统一站式解决方案的提供商!

涵盖政府、军队、公安、学校、大厦、小区、工厂、幼儿园、园区、等各个领域。
  工程热线:
400-650-5199
网站首页 关于我们 服务领域 解决方案 产品中心 工程业绩 新闻资讯 在线留言 联系我们

解决方案
Solution
 

智能视频分析系统

双目客流摄像机产

   
智能产品解决方案

当前位置: 网站首页 > 解决方案 > 智能产品解决方案 > 智能视频分析系统解决方案

智能视频分析系统解决方案

来源:本站   发布时间: 2018-09-26 09:39:29   浏览:1393次
第 一 章 方案概述1 1 背景与趋势1 1 1 智能技术设备的升级换代安防智能化一直是安防行业重要的发展方向,深度学习算法和GPU芯片的大量使用是本次行业智能升级的重要推手。深度学习是机器学习研究的一个重要



第 一 章 方案概述

1.1 背景与趋势

1.1.1 智能技术设备的升级换代

安防智能化一直是安防行业重要的发展方向,深度学习算法和GPU芯片的大量使用是本次行业智能升级的重要推手。深度学习是机器学习研究的一个重要领域,动机在于建立和模拟人脑进行分析学习的神经网络,模仿人脑的机制来解释数据。相比较传统智能算法需要根据算法人员的经验对图像进行总结和设计规则,深度学习是自己通过大量样本学习来总结规则,远远强于人的主管经验。同时,各类智能算法竞赛也让智能算法不断进行优化和迭代。

而让深度学习的算法充分发挥优势的是随着GPU硬件的更新。GPU是专门从事图像运算工作的微处理器,是CPU性能的十倍来至上百倍,更适合大规模的并发计算,其并行计算能力让深度学习算法充分发挥其优势。

1.1.2 云边融合新理念的逐步落地

当智能技术与设备升级换代后,安防智能化已经不再局限于视频监控、门禁或一卡通等普通的单点智能应用,而是让系统可像人一样做出认知判断和推理预测。要实现这一宏伟目标,绝不是仅仅在个别技术或性能进行优化,应该需要一套完整、严密的AI理念。云边融合理念综合边缘感知智能和中心计算智能的优势,能较好的满足安防场景的智能需求,已经在逐步落地。

在边缘智能中,主要指将更多的感知计算能力赋予边缘节点,使得边缘节点可以采集传递场景内容并产生结构化数据。例如,边缘节点可对高危人群布控提供敏捷的、及时的预警;又如,在光线变化较大的复杂场景中,边缘节点可自主调整曝光、补光等条件精确检测目标,以保留更多特征细节来进行前端无损建模等。边缘智能除了可敏捷、精确采集多样化数据外,还可大大降低网络带宽压力、时延,为大规模的联网智能预留了网络带宽。

在中心智能,通过池化的计算资源分配,中心基本满足大数据的接入、存储、挖掘和应用,在注入AI智能后,将计算中心升级为AI云计算中心,也就是中心智能。如一方面,汇聚整合多域AI数据信息,形成全局大数据池;另一方面,通过深度学习算法或自学习算法不断优化数据挖掘能力,提供满足安防领域的数据智能预测、可视化分析、关系分析、态势分析等能力。

综上所述,将边缘智能和中心智能进行融合,将能解决更多安防领域中的痛点、难题,实现安防智能化跨越升级。

1.1.3 安防智能化的需求再次爆发

由于安防行业由于场景较为集中,容易实现技术优化与突破,目前的图像识别算法已达到安防应用要求;而在需求方面,视频监控效率提升的诉求不断增强、安防应用智能化需求强烈,安防行业将是智能技术最先落地的行业,是“AI+”时代变革的主要行业。

如在边缘智能方面,依靠深度学习算法优化和GPU性能提升为技术支撑,配合各类安防智能化应用的不断落地,边缘智能中各类人脸识别、比对、车辆特征识别,为市场提供了一种性价比更高、部署更加灵活、场景适应性更强的智能方案,充分拓展和满足众多低预算、中小型项目的智能需求,让安防智能化走向所有用户。

中心智能通过更优秀的算法、更强大的计算性能、更大量的学习数据,解决传统安防中难以解决的痛点、难点,如开放区域内人群运动态势分析、城市级的高危人员布控和分析,也极大提升了市场对安防智能化的认可度。

1.2 需求分析

随着用户对安全防范需求的与日俱增,视频监控在生产生活各方面有非常广泛的应用。如在异常事件发生时,视频监控可提供实时的、智能的分析、监测和告警,为用户及时决策、正确行动提供支持。如何有效利用各种技术手段实现“减员、增效”,实现视频监控的“智能化”显得尤为迫切。

1.2.1 智能视频分析需求

1)视频监控人工“监”、“控”效率低

常规视频监控系统完全靠人力来实现‘监’与‘控’,存在着人员注意力和视力易疲劳、视频检索困难等问题;而人力有限且成本却在不断提升,如何通过智能分析技术,不断提升视频监控的效率,解决以往应用效率低下的问题,一直都是视频监控领域的强烈需求。

2)视频监控的事前预警能力弱

常规视频监控更多体现视频实时预览和事后检索的能力,难以做到事前预警或少部分可实现事前预警但准确性低,难以降低危险带来的损失。如以入侵检测和运动物体检测为例,需要操作人员时时关注每一个画面以及时捕捉意外事件的发生,这在实际应用中很难做到。而带有智能视频分析的系统则可以根据事先设定的规则,对图像进行背景提取、运动检测与跟踪,通过分析比对和特征识别,自动判断事件的发生,在本地或者通过网络发出远程预警信号。

3)安防系统的数据价值未有效挖掘

当前,安防行业视频监控产生的数据量非常庞大,而且增长迅猛。但其价值密度较低,只有对其进行深度的挖掘,才能使其发挥出数据本身所应具有的应用价值。例如在海量数据库中寻找到所需的人员面部信息,并结合智能分析、人脸识别、数据挖掘等技术,才能够真正实现大安防监控的作用,充分挖掘安防系统的潜在价值。

1.2.2 智能视频分析痛点

1)传统智能成本高

传统智能限制于各种成本因素,中小型项目和预算较低项目的智能需求未被满足。如传统智能分析的模式比较单一,智能产品的形态基本为后置式,产品形态差异性小、市场竞争趋于变大;其次,后置式智能分析产品虽然能解决并发处理多路识别分析,但是对网络存在一定的压力。随着中小型项目的智能需求逐渐增长,现有后端模式未能有效应对,市场需要一种性价比更高的产品形态,需要系统部署更加灵活,应用场景更加广泛、易落地的小型智能场景,让智能走向“大众项目”。

2)预警准确度和场景适应性不强

各行业的视频监控业务复杂度越来越高,更多的图像细节信息的识别和业务功能的扩展成为客户的迫切需求。同时,现有系统经常部署海量的监控,才能够满足复杂业务的需求,要采集更多的视频图像、获取更多的目标信息、进行更加精确的智能分析,都是行业提升视频监控能力和效率的关键点。传统的智能算法难以适应复杂监控场景,急需要场景适应能力更强、误报率更低、能提取更多目标特征的视频智能化方案和产品。

1.3 建设内容

方案提供从端到端的智能视频分析系统解决方案,包括智能前端、网络传输、视频存储、控制显示、智能分析、管理平台。

为满足综合安防领域内对人车物的智能需求,结合当前的智能技术,有重点的解决综合安防当前智能需求中的最痛点,本系统重点实现人员智能管控、车辆智能管控。其中,人员智能管控主要包括人脸抓拍、人脸比对、人脸身份核验、人脸布控、人脸陌生人报警、人脸以图搜图、人脸轨迹,人员异常行为分析、周界防范去误报,客流监控和统计、开放区域人员密度预警;车辆智能管控主要为园区车辆占道检测和卡口智能应用。

1.4 名词解释

术语/缩略语

边缘智能

边缘计算指在靠近物或数据源头的网络边缘侧,融合网络、计算、存储、应用核心能力的开放平台,其功能是就近提供边缘智能服务,满足行业数字化在敏捷连接、实时业务、数据优化、应用智能、安全与隐私保护等方面的关键需求。

中心智能

在池化的计算资源分配后,在注入AI智能后,将计算中心升级为具备AI智能的数据的分析、存储、挖掘和应用的中心智能。

深度学习

通过机器自身提取特征,将人脸浅层的抽象特征(脸颊、额头等)逐层处理,最终形成深层的可供识别的人脸图像进行学习的一种智能算法

GPU

Graphics Processing Unit,图形处理器,专为图像处理设计,可以通过增加并行处理单元和存储器控制单元的方式提高处理能力和存储器带宽

深眸

海康威视“深眸”系列专业智能摄像机,内嵌专为视频监控场景设计、优化的深度学习算法,实现了在各种复杂环境下人、车、物的多重特征信息提取和事件检测

“超脑”NVR

海康威视自主研发的新一代超脑NVR系列,具备基于深度学习算法的视频图像结构化技术和NVR的各项功能特性

去误报

通过对触发报警的区域进行人体目标二次识别,筛选过滤掉非人体报警,从而最大限度的降低周界防范误报现象

脸谱

人脸分析服务器,海康威视专用于人脸识别分析的“视频云结构化分析服务器”

人脸识别

是基于人的脸部特征信息进行身份识别的一种生物识别技术,是在含有人脸图像或视频流中检测和跟踪人脸,进而对检测到的人脸进行脸部的一系列建模等技术,实现不同人脸的识别的过程。

人脸以图搜图

是一种通过上传的人脸照片,在指定搜索位置按照人脸特征的相似度进行比较,获得相似度最高的人脸图片的人脸识别应用。

人脸轨迹

基于人脸搜图或人员信息搜索后的结果,按照时间顺序以此在GIS、静态地图或3D地图上展示出人员的搜索结果,便于用户整体上把握某个目标人员的全部活动轨迹。

神捕

海康威视神捕系列智慧监控单元,采用公历深度学习算法,专为实现治安防控、交通管理需要而设计的卡口单元,用于车辆捕获、车牌识别、车型识别,车身颜色识等。

浓缩播放

录像回放中,有智能侦测等事件发生的录像以正常速度播放,无事件发生的录像自动以多倍速(可设定倍速)播放,有效提升录像回放效率


第 二 章 系统架构与功能

第1章

2.1 系统架构

系统架构可设计如下:

图1. 智能视频分析系统架构示意图

1)  前端部分

系统支持普通前端摄像机和智能摄像机的接入。前端网络摄像机进行图像、视频等网络数字信号的采集,通过网络进行视频图像的传输。前端接入摄像机可从功能上分为周界防范、人员流控及预警、高危布控个、可疑人员监控个、内部人员异常报警、车辆异常报警和管控几个部分,为智能应用提供各类数据和视频的采集。

2)  后端部分

支持多种类型的后端存储设备接入,主要用于对前端采集的视频、图片进行存储和分析比对功能。包括具备人脸比对功能的“超脑”NVR和具备后端周界防范去误报的“超脑”NVR。

3)中心管理平台部分

在中心管理平台,可进行人脸识别、比对、布控、检索、以及各类联动等应用,例如人脸和车牌智能检索,并将检索结果在地图上展示轨迹。

2.2 系统功能

人脸应用场景广泛、价值巨大。如人脸身份核验应用,可应用于园区、工地大门识别企业员工、厂区人员、工地工人,楼宇小区的大门、建筑出入口识别业主人员,以及对进出小区或别墅的水电工、保洁员、绿化工、维修工,别墅亲友等人员检测和识别,通过对抓拍的人脸进行实时比对,比对成功后联动闸机进行开门,实现内部人员或相关人员进出大门出入口的管控。

除此之外,人脸身份核验还可以应用于其他重要区域,如公安(嫌疑犯确认、零口供、枪械库管理)、金融(金库、押钞车、ATM机、加钞室)、医院重地(特殊药房、麻醉室、手术室)、楼宇(企业财务、档案、库房)等人员比对、航客运(安检)、交通运输(特殊车辆司机)、幼教(接送家长)、大学(实验室、教师考勤)等;酒店/商超/连锁惯偷识别、建筑工地(特殊工种人员比对)等场景。

人脸(黑名单)布控报警应用,可应用于大楼园区的出入口、大厅等场景,满足用户对于闹访、黄牛、医闹、惯偷、闹事者、地痞流氓、社会无业青年等可疑人员的检测和识别,以及重要其他人员的检测和识别,并对抓拍的人脸进行实时比对,比对成功后进行报警。

人脸检索应用,可用于园区/街道搜索嫌疑人脸,实现快速检索、提高效率,事后追溯、证据查询等。通过下发人脸,在人脸抓拍库中进行人脸比对、搜索,比对成功后返回搜索结果,满足用户对于人脸搜索的需要。

2.2.1 人脸抓拍

系统支持具有深度学习算法的人脸抓拍。前端人脸抓拍机通过智能人脸检测算法和人脸区域曝光功能,以及从YUV获取图像而无损提取图片,为用户提供质量更高的人脸抓拍图像。

方案推荐使用具有深度学习能力的人脸抓拍机。深度学习的人脸抓拍机相比传统的智能产品,具有更高的精确度,场景适应能力也更强,如在小目标场景和大角度场景中,检出率较传统的智能产品显著提高。内部测试如下:

表1 深度学习产品与传统智能产品对比

场景

传统智能产品检出率

深度学习产品检出率

标准人员卡口

90%

98%

模糊场景

52%

75%

小目标场景

29%

85%

大角度(俯仰角60°-90°)

40%

82%

2.2.2 人脸比对

系统支持深度学习算法的人脸比对功能,为用户提供人脸身份核验、人脸(黑名单)布控报警和人脸检索等应用。用户可根据需要设置不同的人脸比对阈值,一般人脸比对阈值为80%~90%,若阈值过高,导致漏报率高,遗漏重要信息;阈值过低,导致误报率高,人工二次确认造成效率低下。

人脸比对功能是人脸应用中的基础功能,下面详细介绍人脸身份核验、人脸布控报警、人脸陌生人报警、人脸检索(以脸搜脸)和人脸轨迹几类应用。

2.2.3 人脸身份核验

管理员将的人脸照片添加到人脸分组中,将该分组下发到人脸比对设备(具备比对功能的前端摄像机/后端比对设备/服务器比对,下同)中,并关联。关联后,摄像机抓拍的人脸只与其关联的名单库内人脸进行比对识别和联动。

人脸比对设备可将名单库照片进行建模处理,并与抓拍照片进行比对,将相似度最高的人脸图片作为识别结果,推送到平台,用户可在平台中查询比对结果。

根据比对结果设置联动,可通过IO信号与设备进行硬联动开门;或在平台上将比对结果配置软联动。

图2. 人脸身份核验刷脸开门

2.2.4 人脸布控报警

管理员将布控人脸照片下发到名单库,并与比对设备进行关联布控。布控后,将对实时抓拍的人脸照片进行比对识别和报警。平台接收到人脸实时比对报警,将对应的人脸图片及信息显示出来,警示值班人员关注和处理,并可进行相关联动。

图3. 人脸布控报警

2.2.5 人脸陌生人报警

在园区内部的核心区域,将授权人员的照片下发到名单库并关联布控。关联后,进行人脸比对识别和报警,若比对成功,不报警;若比对失败,则认为是非名单库的人员,属于“陌生人”,上报陌生人报警事件。

平台接收到人脸陌生人报警后,将对应的人脸抓拍图片及信息显示出来,以及抓拍图片中的人员性别、年龄段和是否带眼镜信息,警示值班人员关注和处理,并可进行相关联动。

图4. 人脸陌生人报警事宜图


2.2.6 人脸检索

人脸检索包括通过人脸以图搜图和通过人脸属性进行人脸检索两个功能。

1)人脸以图搜图

在平台上导入人脸图片后,通过人脸以图搜图功能进行人脸检索。可直接输入人脸图片、人脸相似度阀值、检索数量、其它检索条件,选择抓拍的摄像机和时间段,在抓拍库中进行人脸图片中查找是否有匹配的人脸图片,按照抓拍时间/相似度进行分页排序。

图5. 人脸以图搜图

2)人脸属性检索

系统接收前端人脸抓拍机上报的人脸抓拍事件,其中包含人脸的性别、年龄段和是否戴眼镜三个属性。可通过按照性别、年龄段和是否戴眼镜三个属性进行人脸属性检索,搜索相同属性的人脸图片。

2.2.7 人脸轨迹

在人脸以图搜图的结果中,将符合阈值的人脸图片以列表展示,并按照时间顺序以此在地图上展示出人员的轨迹,便于用户整体上把握某个目标人员的全部活动轨迹,并在地图上生成人脸轨迹。

在人脸比对结果中,用户可输入人员姓名或选择人脸图片,选择时间范围和多个监控点,通过姓名搜索,显示符合条件的人脸比对结果,并且人脸比对结果可在提前添加的地图上显示人脸轨迹,或根据结果查看实时抓拍画面。如下图:

图6. 人脸轨迹示意图

点击查看实时抓拍画面显示如下:

图7. 人脸轨迹点击抓拍图

用户若未知搜索人员姓名,或不确定该人员是否存在比对结果,可在人脸抓拍库中搜索。选择特定人脸比对设备(脸谱、超脑)、时间范围,将需要搜索的人脸照片下发或在浏览抓拍库时选择某张人脸照片进行人脸以图搜图,搜出该人脸的所有抓拍记录,形成按照时间排序的人脸列表和人脸轨迹。人脸抓拍库搜索人脸轨迹的展示效果和上图一致。

以人脸轨迹为基础,可满足用户多方面的需要:

Ø  地图轨迹联动视频回放

用户在地图轨迹上点击抓拍照片,可链接到该抓拍的视频回放,便于用户更加详细地查看当时的现场环境,为嫌疑目标分析提供更多信息。

Ø  目标人员