人工智能(AI)是计算机科学的一个分支，它企图模仿人类智能的实质，造出一种新的能以人类智能相似方式工作的智能机器。东莞安防监控公司表示人工智能的范围很广，如机器人、数据挖掘、计算机视觉／听觉、机器学习、专家系统等。在机器学习的众多方法中，有不少已经在视频分析中广泛采用，如支持向量机(SVM)，隐马尔可夫模型(HMM)、条件随机场(CRF)、……。其中，近年来的基于人工神经网络(ANN)的深度学习(DL)是一种新的高效能的视频分析算法，正在逐渐成为视频分析中的主流方法之一。

        深度学习采用多层的神经网络的方法来比较、分析(视频)数据，得到有用的结论。它的强大的学习建模和分类比较能力，使它能够用于处理非常复杂多变的实际数据，特别是非结构类视频数据。在多种机器学习方法中，有监督学习的深度学习方法，如卷积神经网络(CNN)，在视频分析中已表现出优越的性能。CNN的多层网络结构可以有效地学习输入视频数据与相应输出结果之间的复杂映射，可以自主建立随时问和内容而变化的分析模型。在基本深度学习方法的基础上，多种改进和变形的深度学习算法正在不断涌现，包括多种无监督的学习方法。

        深度学习是相对浅层学习而言的，都是基于多层人工神经网络进行的，“深”和“浅”主要指的是神经网络的隐含层的数量而言的。一般含一两个隐含层的人工神经网络(ANN)谓之浅层网络．早期的ANN大抵如此。深度学习网络的常常含有几个、十几个、甚至更多的隐含层，隐含层数多是深度学习的一个主要结构特点，其优点是通过组合多个低层特征形成更加抽象的视频数据高层属性的类别或特征，从而可以解决复杂的信号处理或分析问题。

        根据图像的局部统计特性，深度学习可采取卷积策略，对输入图像进行分块卷积操作，形成卷积深度学习网络(CNN)。卷积生成的图像特征数据还可采用池化)等精简方法，降低特征的数量，加快深度学习的处理速度。输入视频经过若干层神经网络的处理以后，在输出层输出具有一定语义的处理的结果，如“某个目标，，为“异常’’目标，视频中的某个群体的行为“正常”，等等。卷积深度学习为监控视频分析中的智能化提供了一条切实可行之路。

智能监控视频分析的实现及应用

        基于深度学习的智能视频分析可以硬件或软件方式，前端或后端方式，实时或事后方式来实现。总之可根据实际需要和可能，选择最好的方式进行，或将多种方式结合进行，主要取决于两方面因素，即软件算法和硬件基础。

        软件方面最关键的是的深度学习算法的优劣，要求高效、简捷的学习算法，包括有监督学习和无监督学习，基于计算机、云计算和嵌入式的计算方式，合理的学习网络结构，如循环神经网络(RNN)、深度置信网络(DBN)等。比较简单的深度学习可以在远端摄像机内嵌入式实现，复杂的视频分析可以在计算机、工作站，甚至云端计算上实现。现在已出现不少机器学习、深度学习的开源程序、商业和实验软件，为我们迅速入门和应用深度学习技术提供了方便。智能视频分析虽然主要依靠的是软件，但软件的运行基础是硬件结构，因此硬件平台的水平高低直接决定深度学习的能力和速度。

        至于智能视频分析在监控方面的应用，可以说几乎目前常见的东莞监控系统都可智能化升级，其主要应用领域包括：

        (1)人脸识别，目标检测与跟踪，个体／群体行为判定。

        (2)车牌／车型识别，违规车辆识别，人流／车流统计。

        (3)智能楼宇，居家养老，库房仓储监管。

        (4)公安侦破，防灾救援。

        其他应用领域还很多，如教育领域的考试违  规识别；公共场所的周界防范，遗留物检测，人群密度检测，烟火检测等。例如，广东迅通科技股份有限公司的视频图像智能分析系统采用深度学习的智能分析的方法进行人脸识别、车牌识别和超分辨率重建等，取得了好于一般视频分析的结果，图4为某一车牌识别结果，曾经用其它方法未能得到完全准确的结果。 

        人工智能已成为新一轮产业革命的引擎，视频监控产业正在把握这一重大发展机遇，根据自身的特点和需求，把人工智能技术与产业升级改造有机结合起来，给自身技术的智能化发展注入了新的动力。其中，深度学习技术在视频监控领域已经初现风采，应用范围在逐步扩大，分析效果(尤其是准确度)越来越好，可在一定程度上替代人工操作，提高工作效率。但从总体上看，监控视频分析的智能化进程当属起步阶段，智能化程度并不高，尚存在不少制约发展的瓶颈问题，但随着世界范围内对安全防范的重视，随着中国“平安城市”、“科技强警”、“智能交通”等重大工程项目的不断推进，智能化视频监控技术的发展必然会越来越快，其社会效益和市场前景也会越来越好。

        本文章由东莞安防监控http://www.chtonb.com.cn整理分享。