智能视频监控分析专利技术综述

段金辉

国家知识产权局专利局专利审查协作天津中心

摘 要：本文基于智能视频监控分析领域专利申请进行了专利申请趋势，以及主要申请人的分析，对智能视频监控分析的主要技术分支的发展路线进行了整理，并梳理了相关技术分支下的代表专利技术。

关键词：智能视频监控；目标检测；目标跟踪；目标分析

一 引言

随着计算机的普及和机器视觉的发展，如今视频监控已经逐渐应用于人们生活的方方面面，发挥了安全防范、远程信息获取、交通调度指挥等等多种功能。近年来，随着视频图像处理技术与人工智能技术的飞速发展，视频监控领域也随之出现变革，智能视频监控分析应运而生。

智能视频监控分析技术利用智能视频分析将摄像头获取的监控场景中背景和目标进行分离，进而跟踪并分析监控场景中出现的目标，当目标出现预先设定的规则行为时，启动自动报警以提醒监控人员可能出现的安全风险点，从而实现视频监控的智能分析。智能监控分析技术由于不需要监控人员持续关注监控视频，能够实现全天候的可靠监控，又能自动检测、识别视频场景中的可疑活动，能够有效避免恶性事件的发生，降低安全风险，是视频监控领域的重要技术分支，关注智能视频监控分析技术的发展对于视频监控领域的发展具有重要的意义。本文对智能视频监控分析技术进行了概述，并对该技术的专利申请情况进行了统计分析，分析了其专利申请量的分布状况、并梳理了其所涉及的技术分支与技术发展路线等，以期对于智能视频监控分析技术的有更全面深入的了解。

二 专利申请概况

2.1全球专利申请趋势

图2-1给出了从1990年到2018年国内外关于智能视频监控分析历年专利申请的总量。由图分析可见，涉及智能视频监控的专利申请主要分布在2000年至2018年之间。从上世纪90年代开始，随着计算机视觉、视频图像处理技术的发展，智能视频监控分析进入了萌芽期，随后的10年间申请量呈现较为平稳的缓慢增加趋势，属于该技术的初步发展时期。伴随着通信技术的不断发展，智能视频监控技术应用到各个领域的需求日益增强，从2000年到2010年，智能视频监控分析技术的专利申请开始呈现出稳定增长的趋势，属于该技术的稳定发展时期。随着计算机软硬件技术的飞速发展以及近年来社会公共安全监控的需求的日益增长，越来越多的企业和科研院所加入到这一领域的研究，并且得益于人工智能、机器学习技术的飞速发展并应用于智能监控分析，从2010至2016年，申请量迅速增加，属于该技术的快速发展时期，尤其在2016年，专利申请量达到峰值。考虑到专利申请需要18个月的公开时间以及检索数据库的更新时间，2017年和2018年的部分发明专利申请还无法完全统计，这可能是造成2017年和2018年的专利申请数量呈下降趋势的主要原因。

图2-1智能视频监控分析全球专利历年申请量分布

图2-2示出智能视频监控分析专利申请的国别分布。从图中可以看出，中国、美国、韩国、日本排名靠前，说明该些国家对智能视频监控技术的重视度较高。而中国、美国的专利申请量所占比例高居前两位，进一步说明中国、美国更加重视视频监控领域方面的研究和投入。

图 2-3显示了智能视频监控分析技术领域的主要申请人分布。从全球专利的分布来看，国家电网公司、国际商业机器公司、三星、微软、LG在智能视频监控领域中的专利申请量排名靠前，在全球范围内具有一定的竞争实力。其次中国高校和科研院所在智能视频监控领域的专利申请也占有一席之位，例如西安电子科技大学、上海交通大学、浙江工业大学、中国科学院自动化研究所。国外的申请人还有霍尼韦尔、罗伯特博世公司。总体而言，中国在智能监控领域的技术处于世界前沿水平，在智能视频监控分析领域具有重要的影响力。

图2-2智能视频监控分析专利申请的国别分布

图2-3智能视频监控分析重要申请人分布

三 智能视频监控分析技术分支及其发展路线

智能视频监控分析技术可分为三个主要的技术分支：运动目标检测、运动目标跟踪及运动目标行为分析三个技术分支。各个技术分支均得到发展，且分支间存在交叉和融合，通过对不同时期智能视频监控分析技术的专利申请进行分析，得到如图3-1所示的各个技术分支的发展。

3.1运动目标检测

运动目标检测方法主要有三类：背景差法、帧间差法及光流法。背景差法通过场景建模确定背景参考模型，通过比较图像序列中当前帧和背景参考模型检测运动目标；帧间差法利用时间信息，通过对图像序列中相邻两帧或者多帧间所有对应位置的像素差分，利用阈值分割运动前景目标和背景；光流法利用视频帧图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系，确定各像素瞬时光流大小和方向，利用光流场分区从而计算出相邻帧之间运动目标。

图3-1技术路线演进

3.2运动目标跟踪

运动目标跟踪主要有三大主流算法：

基于均值偏移的目标跟踪：基于均值偏移的跟踪算法是一种对于非刚体运动进行目标跟踪的方法，其采用非参数的一维直方图核密度估计函数来描述目标区域，通过对均值偏移矢量进行不断的迭代，然后，采用基于Bhattacharyya系数作为相似度的测量标准，寻找与目标区域相似度最高的候选目标区域，实现对运动目标的跟踪。

基于卡尔曼滤波器的目标跟踪：把卡尔曼滤波器用在运动目标跟踪上来估计目标运动的状态，首先利用运动目标检测算法得到的目标大小和目标位置进行滤波器的初始化；然后，在对每帧图像内的模式进行搜索前，计算与前一帧的时间间隔，预测目前目标运动状态，设定预测目标位置为中心的区域进行搜索寻找模式的最佳匹配，并记录当前图像帧的时刻；最后，更新更新滤波器的参数和状态。

基于粒子滤波的目标跟踪：从初始帧中提取到运动目标的模板；在目标模板区域附近撒采样点；获得下一帧图像；根据状态转移模型预测粒子状态；在每一个粒子位置上做相关性运算,得到每一个粒子与模板的相似度；根据每一个粒子与模板的相似度,计算每一个粒子对应的权值；用每一个粒子的位置和权值求出最可能的匹配位置。

3.3运动目标分析

运动目标行为分析主要分为三类：

基于统计模型的方式使用基于状态的统计模型来识别行为，将目标的每个动作用一个状态表示，将各个动作状态用概率联系起来。人体的每一种动作行为均是一次遍历各个静态动作的状态的过程，因此，计算遍历期间各子动作的联合概率，基于联合概率的最大值就能够分析出目标正在或将要进行的行为。

基于模板匹配的方法是将视频序列中人体动作的各种静态图片样本进行归纳和建立模版，然后，将监控中视频序列和预先建立的模板进行匹配比较以实现对目标的行为进行识别分类。

基于动态特征匹配的方法利用视频序列中的动态信息，采用特定的算法直接对运动目标进行行为分析。由于其能够在更大的时间范围内对行为的动态信息进行描述，相比于基于模板匹配的方法，基于动态特征匹配的方法能够有效地提高表达行为特征的能力。其中最典型的算法是基于光流的方法，即利用视频序列中连续多个帧之间的光流信息，计算得出图像中的能量流动信息，再借助能量流动信息分析得到目标动态特征的变化。

四 总结

智能视频监控分析是一个多学科交叉的研究领域，也是当前计算机视觉、图像处理方面的一个研究热点。智能视觉监控系统是解决金融部门、机要部门、敏感公共场合实时、自动、全天候监控最为有效的手段。正是因为该方面的技术具有广泛的应用价值和前景，所以智能视频监控技术引起了许多的研究机构、企业、和科研工作者的浓厚兴趣，展开了多方面的研究，也得到了研究机构、企业、和科研工作者的重视和持续性的专利投入，保持了较好的发展。此外，企业还应结合智能视频监控分析技术的发展现状，着眼于当下的监控需求和计算机视觉、视频图像处理等技术的发展，开发核心技术，调整专利布局，提高市场竞争力。

2