视频监控中异常行为检测在安防领域的研究分析.pdf

视频监控中异常行为检测在安防领域的研究
分析

作者：庄伟东
来源：《中国新通信》2023年第21期

摘要：随着社会的发展，城市安防视频监控越来越广泛地应用于城市的各种场合。本文主
要针对视频监控中异常行为检测在安防领域的应用进行了简要分析，以公共安全、社区安全、
校园安全等具体应用作为典型案例，通过进一步完善视频监控系统，有效提高了视频监控效
率，清晰的数字化图像为城市安防提供了可靠的依据。

关键词：视频监控；异常行为检测；安防领域

智能视频监控在维护社会公共安全和秩序方面发挥着重要作用，通过建设城市安防视频监
控系统项目，实现了城市报警联动、异常行为检测、车辆跟踪，在公安警察系统查办案件方面
提供了很大便利，有效提高了城市安防系统建设水平。异常行为检测是目前安防领域研究的重
点，未来其应用的场景将更加多样化，能够促使社会生活和生产不断趋向智能化。在社会经济
和科技高速度发展的背景下，对这项技术系统仍需不断进行研究，使其在社会安全保障领域能
够发挥更大的作用。

一、异常行为检测相关理论基础

目标检测是视频监控中异常行为检测的基础，目标提取与行人异常行为检测理论都是基于
此得以成立并应用的。随着计算机信息技术中的视觉、深度神经网络以及识别技术的发展，视
频监控系统变得更加完善。目前，该系统已经在多个安防领域得到应用，并发挥着重要的作
用。本文将图像预处理、行人目标检测、深度学习作为研究异常行为检测视频监控系统的重
点，并对其进行了简要介绍。

（一）图像预处理

图像预处理就是对进行变换和处理，通过强化其清晰度和特征，为人们提供识别信息。在
现实生活中，视频监控系统应用场景非常多，不同场景下对视频图像的清晰度要求具有较大差
异。同时，由于视频监控的图像是由摄影头设备质量以及环境变化所决定的，在获取视频图像
以及序列的过程中还会受到噪声影响，如果存在比较严重的噪声污染，会导致后续图像分割和
分析的难度增大。图像预处理分为色彩空间转换、图像滤波以及形态学处理三个方面，通过使
用其中任意一个方法，均可对目标物体运动行为进行运算判断，具有较强的适用性。

（二）行人目标检测

行人目标检测就是把视频监控序列中的行人异常行为情况检测出来，对其运动方向和运动
特征进行提取并分析，从而确定是否存在行为异常的情况。行人目标检测的方法主要包括三个
部分，分别是帧间差分法、光流法、背景建模法。在视频监控系统中，利用帧间差分法对视频
监控区的目标进行检测，当目标行人或物体发生移动，前后连续两帧之间的灰度值会发生变
化。利用图像前后帧数变化进行运算得到绝对值，再利用二值化作操作处理，可以反映出目标
状态。当得到绝对值等于零时，可以认为物体处于静止状态；当绝对值大于一定阈值时，可以
确定物体为运动状态[1]。

利用光流法进行视频监控目标检测的原理是基于图像帧数的像素点移动速度生成的。用二
维光标记图像中运动目标点的变化，然后分析光流速度，确定场景的三维图像运动结构，以便
于对目标物体进行集中观察。光流法在视频监控系统异常行为检测中具有非常强的适应性，无
论目标物体处于静止还是非静止状态均可及时确定。然而，这种方法也存在一定弊端，它对光
线和噪声等因素比较敏感，容易将光线错误地识别为光流，计算量较大，在确定目标物体运动
与否时会耗费大量时间。因此，在实时性条件比较苛刻的情况下，使用这种方法难以得到精准
的结果。

（三）深度学习
视频监控系统的深度学习是机器学习的一种形式，它通过对其中的技术进行反复验证和分
析、集中试验，极大地提高了视频图像识别能力。同时，在语音识别和自然语言处理上也具有
较高的应用水平。深度神经网络是一种多层次的神经网络，位于数据输入层与输出层之间，在
计算模型中可以运用数据进行表示。

深度学习可以利用反向传播算法来指导机器进行数据计算和分析。目前随着集中复杂结构
的进一步优化，使得视频监控系统中图像、语音和音频等处理技术实现了质的突破。这种深层
学习的方式无须再依靠人工对数据特征信息进行提取，得到的网络模型具有清晰的层次结构，
能够保障监控系统的清晰度。

与图像识别相比，深度学习是自上而下的学习方式。深度学习模型在运行中具有前向传播
和反向传播两种结构。以深度学习模型为基础，通过输入层获取图像样本数据，然后通过解码
器对隐藏层信息进行解析，直至最终获取图像特征，模型运行停止。

二、异常行为检测技术

（一）入侵检测

入侵检测算法的目标是搭建一个功能齐全的新系统，具有比较强的智能性和较高的安全识
别级别。当检测到任何异常行为时，系统会自动发出警报。该系统具有高敏感的特征，在发现
入侵物后除了会自动报警，还会进行持续追踪，在安防系统中发挥着重要作用。基于目标检测
物遮挡情况和合并分裂情况，构建了入侵检测系