Page 62 - 75202_安防5月刊

A Artificial Intelligence
人工智能

器学习的众多方法中，有不少已经在视频分析中 络，如图3（a）所示，早期的ANN大抵如此。深度学
广泛采用，如支持向量机（SVM），隐马尔可夫模型 习网络的常常含有几个、十几个、甚至更多的隐含
（HMM）、条件随机场（CRF）、……。其中，近年 层，如图3（b）。隐含层数多是深度学习的一个主
来的基于人工神经网络（ANN）的深度学习（DL） 要结构特点，其优点是通过组合多个低层特征形
是一种新的高效能的视频分析算法，正在逐渐成 成更加抽象的视频数据高层属性的类别或特征，
为视频分析中的主流方法之一。 从而可以解决复杂的信号处理或分析问题。

深度学习采用多层的神经网络的方法来比 根据图像的局部统计特性，深度学习可采取
较、分析（视频）数据，得到有用的结论。它的强大 卷积策略，如图3（c）所示的对输入图像进行分块
的学习建模和分类比较能力，使它能够用于处理 卷积操作，形成卷积深度学习网络（CNN）。卷积
非常复杂多变的实际数据，特别是非结构类视频 生成的图像特征数据还可采用池化（pooling）等
数据。在多种机器学习方法中，有监督学习的深度 精简方法，降低特征的数量，加快深度学习的处理
学习方法，如卷积神经网络（CNN），在视频分析 速度。输入视频经过若干层神经网络的处理以后，
中已表现出优越的性能。CNN的多层网络结构可 在输出层输出具有一定语义的处理的结果，如“某
以有效地学习输入视频数据与相应输出结果之间 个目标”为“异常”目标，视频中的某个群体的行为
的复杂映射，可以自主建立随时间和内容而变化的 “正常”，等等。卷积深度学习为监控视频分析中
分析模型。在基本深度学习方法的基础上，多种改 的智能化提供了一条切实可行之路。
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。 智能监控视频分析的实现及应用
深度学习是相对浅层学习而言的，都是基于 基于深度学习的智能视频分析可以硬件或软
多层人工神经网络进行的，“深”和“浅”主要指 件方式，前端或后端方式，实时或事后方式来实
的是神经网络的隐含层的数量而言的。一般含一 现。总之可根据实际需要和可能，选择最好的方式

两个隐含层的人工神经网络（ANN）谓之浅层网 进行，或将多种方式结合进行，主要取决于两方面

▲图3 深度学习网络示意图

42 第七届深圳国际智能交通与卫星导航位置服务展览会(2018.6.22-6.24深圳会展中心)www.its-expo.com

ದ۽ᇆି JOEE