现代网络视频监控系统的发展趋势是大规模联网、分布式部署、智能化监控。基于计算机视觉的智能视频分析融合了图像处理、模式识别、人工智能、自动控制及计算机科学等多个学科领域的技术。与传统视频监控系统相比，智能视频监控系统能从原始视频中分析挖掘有价值信息，变人工伺服为主动识别，变事后分析为事中分析并进行报警。

智能视频监控技术（IVS：IntelligentVideoSurveillance）基于计算机视觉技术对监控场景的视频图像内容进行分析，提取场景中的关键信息，产生高层的语义理解，并形成相应事件和告警的监控方式。如果把摄像机看作人的眼睛，而智能视频监控系统可以理解为人的大脑。智能视频监控技术往往借助处理器芯片的强大计算功能，对视频画面中的海量数据进行高速分析，过滤掉用户不关心的信息，仅仅为监控者提供有用的关键信息。

视频智能分析的产生及其特点

智能视频系统要解决的基本问题有两个：一个是将安防操作人员从繁杂而枯燥的“盯屏幕”任务解脱出来，由机器来完成这部分工作；另外一个是为在海量的视频数据中快速搜索到想要找的图像。根据统计分析，安保操作人员盯着屏幕电视墙超过10分钟后将漏掉90％的视频信息，而使这项工作失去意义。伦敦地铁爆炸案中，安保人员花了70个工时才在大量磁带中找到需要的信息。因此基于上述两点，选择视频分析系统将能够将人从繁重的劳动中解脱出来，从而提高效率，智能视频分析系统将在未来成为视频监控系统的核心组成部分。

智能视频分析产生的背景来源于最基本的需求，例如：当安保值班人员面对成百上千的摄像机，无法真正地在风险产生时预防或干涉，多数靠回放相关的录像事后处理；另外在一些非安防应用中，如商业上人流统计、目标识别（车牌、人脸）等等，也需要自动智能的统计识别。智能视频分析将事件的分析和识别转交给计算机或者芯片，使值班人员从“死盯”监视器的工作中解脱出来，当计算机发现问题时候，产生报警，由值班人员进行相应处理操作。

智能视频监控的主要优势：

•快速的反应时间：毫秒级的报警触发反应时间；

•更有效的监视：保安人员只需要注意相关信息；

•强大的数据检索和分析功能：能提供快速的反应时间和调查时间。

运动检测是基础

绝大多数智能视频分析都是基于运动目标检测技术，即首先智能分析系统能准确地完成对运动目标的检测，将运动物体与图像背景有效分离，提取出运动目标信息。

从计算机视觉的实际应用上来看，运动目标检测与识别、分析所面临主要挑战和需解决问题可以归结为三个方面，即算法的鲁棒性、准确性、实时性。

鲁棒性

鲁棒性就是系统的健壮性，用以表征控制系统对特性或参数摄动的不敏感性。运动目标检测算法的鲁棒性是能够在各种环境条件下实现对运动目标持续、稳定的检测、分析和识别。

影响算法鲁棒性的最主要原因有如下几项：目标状态的改变、环境光照的变化、部分遮挡引起的目标不规则变形和全部遮挡引起的运动目标暂时消失。

准确性

运动目标检测和识别针对不同应用情况，其检测识别率不同，几乎无法实现100％检测成功，即存在误检和漏检情况。由于实际的监控场景环境复杂、千变万化，其中存在大量噪声和干扰情况，通过算法的优化可提高一定的检测准确率，同时往往只能根据实际需求，在误检率（虚警率）和漏检率（漏警率）之间寻求平衡折中。

实时性

一个实用的智能视频监控系统，必须具备能够对视频图像序列进行实时处理的能力。由于对视频动态图像的处理方法是建立在二维数字信号的处理基础上，所处理的对象包含巨大的数据量和信息量，要求算法不能计算太复杂，必须快速、实时。对于实时分析预警任务，计算复杂度是至关重要的，这样才能把系统更多的资源分配给更高级的任务。而这其中实时性和鲁棒性又常常是矛盾的，如何寻求平衡发展是技术的关键。

尤其指出，目前已有公司自主研发的视频运动检测算法，相比经典的运动检测算法，受光线和镜头抖动的影响较小，而且计算时间更少，更加适合实时产品的开发。同时在自主算法基础上封装开发包（SDK），在该公司数字安防系统软件平台、网络摄像机系列产品中集成，实现了系统级和产品级的可靠应用。同时，项目组正在广泛地建立多种场景的视频库，针对多种场景的视频使用自有算法做测试，以便更好完善算法，减少需要调整参数的个数，从而更好地满足实际应用需求。