1城市高密度大客流的视频监控现状及存在的问题
目前，国内许多城市已经建设了视频监控指挥中心，中心汇聚了大量的管控区域视频信息（例如某区域汇聚摄像机路数达到了2000多路），监控人员需要对所有视频进行24小时监视，无疑是非常艰巨的工作。大部分监控中心智能化程度不高，不少重要场所的监测还停留在人工观看，与城市的发展程度不相匹配。科学统计表明：一个正常的人在连续1小时观察4个以上监视器时会产生视觉疲劳和严重误判。观察两个监视器时，十分钟内会错过45%的有用信息，22分钟后会错过95%的有用信息。此外，传统的视频监控的功能主要是以事后取证为主，缺乏预测和实时报警功能。传统的视频监控过分依赖人工，需要消耗大量的人力和物力，而且受限于人体的部分缺陷，耗时耗力且效率低。同样以上海为例，每逢重要节日，四处皆是高密度的大客流，此时，单依靠应急管理办的工作人员和警力无法兼顾每个人流集聚点的安全保障工作。即使视频监控指挥中心24小时轮流监视，也无法保证每个人流集聚点的安全。更多时候只能是事后翻阅录像资料进行责任追究和事件反思。因此，传统的大客流视频监控已无法适应现代化城市发展的需要。
2客流眼技术运用的现状与趋势
基于人工智能技术的客流监测通过视频采集手段以及建立人体模型，将视频图像场景中的背景与人体分离，分析并自动统计场景内出现的人数，计算拥挤程度。目前，全球基于人工智能技术的客流管理研究刚进入起步阶段，但发展速度很快。随着计算机软硬件性能的不断发展，各种面向复杂应用背景的图像识别技术也随之被大量应用，尤其是在商业、国防安全和军事应用领域中的需求日益增加。这项技术的应用前景已经引起许多国家的高度重视，并投入大量资金和科技力量进行广泛研究。随着城市的不断发展以及政府管理理念的不断提升，基于人工智能技术的客流监测预警公共服务平台应用已经成为城市管理者关注的重要科技手段，其良好的使用效果促使各级政府加大了对这项技术的推广应用。
2.1客流眼数据采集的实时性
数据采集采用智能算法+数字信号处理方式实现，由安装在前端的智能分析摄像机及智能分析视频服务器完成，该技术称为嵌入式技术。采用嵌入式技术，可以将摄像机、模式识别软件、网络计算机三部分合为一体。其特点是数据传输更快，对网络要求更低，且准确率高、抗干扰能力强、无需繁琐配置，适应各种复杂场景。
2.2客流眼客流分析的科学性
利用双目立体视觉技术，能提高客流分析的准确度和精度。但目前市场上的客流眼大多采用单目识别技术（即单个摄像机采集），这种系统简单，实现方便，在一些场景相对简单的情况下，精度也能达到要求，因此应用广泛。但在实际应用中，往往环境的光照条件、摄像机角度、目标遮挡和阴影等因素的差别很大，单摄像头的监控系统往往对这些因素十分敏感，客流眼的精度达不到要求。基于双目技术的智能视频识别技术可以将两个摄像机的视差（就像人的眼睛），通过算法分析获得空间信息，解决单目采集系统存在的问题，从而获得室内室外场所的监控、物体流量分析、运动方向检测等各方面信息。双目视觉立体匹配和人体形状建模主要解决人体相互遮挡时的识别问题。该方法可以解决单目设备无法解决的跟踪问题，从而有效提高客流统计分析的精度。利用移动人体目标的跟踪与识别技术，移动人体的跟踪和识别主要是求取移动速度。在统计客流密度分布的基础上，运用人工智能的相关理论和神经网络技术进行多目标的跟踪统计，求得各方向的移动速度，并找到主流的移动速度。该方法能有效减少误判，帮助进行客流密度情况分析。
2.3客流眼实时监测与预警平台的有效性
借助大数据和云计算搭建客流监测预警公共服务平台。这是一项综合性的智慧技术，借助大数据可以对客流数据进行预测和分析，为科学决策提供依据。通过建立云计算平台，采用分布式计算的方式,充分发挥服务器的计算能力，同时实现信息共享及各系统的互联互通。借助大数据手段，可采用实时及非实时两种数据分析方式进行多源异构数据的融合分析。非实时分析使用成熟的Hadoop分布式架构，它在数据提取、变形和加载（ETL）方面有着得天独厚的优势。Hadoop的MapReduce功能实现了将单个任务打碎，并将碎片任务映射（Map）到多个节点上，再以单个数据集的形式归纳（Reduce）到数据仓库。通过收集每日各区域的客流数据，结合节假日、重大活动日等不同因素，经过Hadoop的数据融合汇总，通过Apriori等算法进行关联性分析的方式，对重点区域的大客流进行提前预测，使防患于未然成为可能。另一方面，实时分析会使用Spark框架，它是一种类似于Hadoop的新型集群计算框架，采用基于内存的分布式数据集，优化了迭代式的工作负载以及交互式查询，用Scala语言实现，并使用Scala作为应用框架。与Hadoop不同的是，Spark和Scala紧密集成，Scala像管理本地Collective对象那样管理分布式数据集。Spark提供比Hadoop更上层的API（应用程序编程接口），同样的算法在Spark中实现往往只有Hadoop的1/10或1/100的长度。可通过视频捕捉的人流运动轨迹构建时间序列人群预警模型，经过局部加权回归法等算法分析，实时预测人流可能的聚集区域，查找潜在的风险，在可能出现人群过于密集的情况下提前进行人群拥挤预警，高效管理应急指挥现场。
2.4客流眼客流导引的及时性
客流眼根据实时分析的人流量数据结果，结合广播系统、大屏幕信息发布系统、微信公众号和APP平台，以各种方便快捷的方式在最大范围内告知公众客流实时状态，及时导引大客流。在人流密集区域采取事先告知的方式，尽量避免客流继续涌入。在已经出现大客流的区域，迅速进行人为疏导。同时，结合客流眼的预报警功能，让管理人员提前采取应急预案，避免事故发生。
作者：贺杰 殷春妍 贺凌云 单位：上海新联纬讯科技发展有限公司
