智能視頻監控技術是基于圖像處理、模式識別的新型視頻監控技術。簡而言之，就是發現圖像中運動的物體，并對其進行跟蹤、分析，及時發現“異常”行為，觸發報警并采取其他措施進行干預。

　　智能視頻分析的發展過程

　　智能視頻分析技術(Video Analytics)綜合了多學科的研究成果。主要包括圖像處理、跟蹤技術、模式識別、軟件工程，數字信號處理(DSP)等領域。2001年“911”事件發生后，美國在安防科研方面大大加強了投資力度。許多研究機構和研究人員紛紛加入了安防類技術研究和開發，智能視頻分析是其中的一個亮點。從研究論文的數量來看，2002年到2005年有一個明顯的高峰期，這和此期間科研經費的大量投入是相吻合的。目前此研究領域的科研論文逐漸轉移到細分問題和方向。這并不代表智能視頻監控變成了一個已經解決了的問題，恰恰相反，即使目前最優秀的商業系統離人們對此類技術的期待值還有一些距離。解決問題的方法也沒有達成共識，它實際上反映了原創性的理論工作在減少，此項技術的進步在未來可能更多地依賴企業自身科研開發力量。

　　國內此市場的發展滯后北美大概3到4年，現在具有自主知識產權和研發能力的國內公司并不多，主要有北京的文安、智安邦，上海的安維爾、弘視等。由于公司都處在早期的市場拓展階段，已經完成的有代表性工程項目并不多，典型的有核電站、軍隊項目、港口等。

　　主要功能

　　目前市場上的智能視頻分析系統通常都具有以下功能：

　　1、圖像采集/接口。絕大多數的智能視頻分析算法是基于非壓縮圖像格式，如RGB或者YUV。所以圖像信號在被采集以后不經過壓縮直接送給視頻分析單元。幾乎所有的視頻分析系統都自帶有圖像采集功能，通常是通過BNC輸入模擬圖像信號。現有的圖像監控系統中圖像信號通常是以壓縮圖像流的形式存在。可以將圖像流解壓還原成原始圖像格式后再進行分析。

　　2、運動物體檢測。簡單地說，運動檢測就是發現圖像中運動的物體，運動物體可以簡單定義為圖像中變化的部分。一些初級的運動檢測算法就是基于這些概念，此類方法的誤報警率太高，不適合用作實時報警系統。

　　并不是所有圖像中的變化都是我們感興趣的運動物體，例如由相機自身引入的變化，它包括像素噪聲，相機自動光圈控制電路引起的整體亮度變化，圖像傳輸中引入的高低頻周期噪聲信號，紅外相機周期校準所帶來的突變等。外界環境引入的變化包括地面光照在多云天氣里迅速的變化，運動物體陰影，水面波浪或者波光粼粼現象，陸地上樹枝的擺動，夜間汽車大燈造成的光暈，雨雪天氣等現象。另外相機在大風天，尤其是高燈桿上容易抖動，由上述這些現象造成的圖像變化是應該被過濾掉的，它們可以通過算法或者其它技術手段加以解決。

　　從算法的角度來看，可以簡單地分為兩大類。一類是建立背景模型，通過和背景模型相對比來發現運動物體。另一類是通過“光流”法，通過發現運動物體對光流場的影響來發現運動物體。另外就是介于兩者之間或者兩者結合的方法。

　　3、多物體跟蹤。跟蹤實質上就是將在每一幀上發現的同一物體沿時間順序串起來。此領域本身就是一個相對獨立的活躍的研究領域。主要研究方向是在復雜環境下，如多個運動物體，多個相機，運動物體之間互相遮擋，消失及重現等情況下進行有效跟蹤。

　　在實際監控應用中，尤其是對一些入侵報警的應用案例中，對跟蹤算法的要求比較低。現有的系統對運動物體“融合”及其它復雜應用場景的跟蹤效果并不理想。但是參照以往技術發展速度，這方面會很快完善起來。