周界系统虚拟屏障视频分析的优势

人工智能 (AI) 和机器学习通过采用视频分析进行入侵检测，改变了周界安全的格局。高度敏感、基于运动的分析能够远距离检测微小尺度的运动，在关键基础设施场所部署的周界系统中已获得广泛采用。然而如今的 FLIR 虚拟屏障视频分析为客户带来了更大的优势，可提高检测精度、分类的准确性、目标地理位置精度和防误报的韧性。本技术说明将探讨虚拟屏障分析在周界入侵检测系统 (PIDS) 中的战略价值，以及与基于运动的分析相比的具体性能优势。

定义基于运动的分析

在 2000 年代早期，使用基于模拟的监控系统运行视频分析，在安全行业实现了范式转变。最初基于像素的运动检测根据在屏幕上定义边界内改变的像素的百分比触发警报，能够使用板载硬件运行运动检测算法。这使得系统能够即时提供检测警报并在边缘运行，同时避免带宽或延迟问题。

图 1：通过视频分析检测人体并进行分类的示例

这些基于算法运行的分析操作包含三个步骤：背景初始化、前景检测和前景处理。

下载白皮书

第一步是通过根据先前的图像构建背景来创建参考帧。第二步是将即时帧与背景帧进行比较，将两者之间的任何差异认定为运动。在第三步中，对标记为处于移动中的像素进行过滤，以消除不相关的原因，并在处理后生成入侵警报。虽然这些基于运动的方法在检测威胁时可能非常敏感，但往往需要大量的校准和配置，以最大限度地减少在实际环境中发生误报。即使校准正确，基于运动的分析在某些环境下仍然会产生误报。这些误报大部分是由噪声运动产生的，例如摇晃的树木、摇晃的相机、阴影或反射等。另一个问题关系到在沿相机轴长距离移动时静止一段时间或看起来静止的对象。这些对象随后会被吸收到背景图像中，使其无法被检测到。基于运动的分析技术的这些局限性对于安保人员可能造成高昂的代价，也因此成为采用神经网络的下一代视频分析发展的契机。

定义 CNN 视频分析

虚拟屏障在卷积神经网络 (CNN) 基础上进行视频分析。这种视频分析技术旨在模仿神经生物系统，能够查找图像中的对象并进行分类。

传统的系统依靠运动检测来识别潜在对象的位置。
任何移动的目标都由一组筛选器来处理，以确定该对象是否为威胁。然而，要将现实世界中的每一种情况都考虑在内是不可能的，这就意味着一定程度的误报是不可避免的。虚拟屏障所采用的 CNN 视频分析技术，通过允许算法自动确定与查找和识别所需对象最相关的功能和筛选器来解决这个问题。创建这样的系统首先要手动分析成千上万幅图像，以确定相关对象的位置和分类。这些图像随后会用于迭代训练神经网络。与其他 CNN 驱动的系统相反，虚拟屏障分析不采用其他系统经常使用的公开数据集中的图像。相反，该系统只使用 Teledyne FLIR 数据集，这些数据集专门针对安全应用。这不仅可以进一步减少误报，还能确保正确检测所有潜在威胁。

图 2：虚拟屏障分析对两个人进行分类并确定其位置和速度

比较虚拟屏障和基于运动的分析

在两种模式之间进行选择时，了解虚拟屏障分析和基于运动的分析之间的差别非常重要。虚拟屏障分析容易校准，检测可靠，可最大限度地减少误报，同时还支持徘徊检测并提供威胁所在的地理位置，以便在动态地图上观察。基于运动的分析往往能实现比虚拟屏障分析更长的检测距离，但更容易受到误报的影响。以下逐项列出了虚拟屏障分析可以为您的安防系统带来哪些独特的优势。

可靠的分类

虚拟屏障分析由一个拥有数千幅图像的图像库提供支持，这些图像包含可检测对象的视觉呈现中的重要增强和变化，在经过训练后，可在目标稍有模糊或难以识别的现实世界情况下进行对象分类。例如，FLIR FH-Series ID 在一个包含 100 个独特场景的样本中检测到的威胁比基于运动的分析多 15%。

就分类范围而言，基于运动的分析和虚拟屏障分析则呈现出值得注意的利弊权衡。与基于运动的分析相比，虚拟屏障分析需要目标有更多的像素，因此分类范围较小。与 FLIR FC-Series ID 相比，FLIR FH-Series ID 的分类范围小了大约 20%。

减少误报

图 3：虚拟屏障分析对人体和车辆进行分类

虚拟屏障分析的一大优势是可以减少误报。由于虚拟屏障分析不将运动作为检测的输入，因此对摇曳的树叶、相机在风中的摇晃和野生动物等常见噪声源发出警报的可能性低得多。

事实上，这种分析已证明可以在一个包含 100 个独特场景的样本中减少 60% 的误报，其中包括与极端天气、游荡到框中的动物、相机摇晃等相关的噪音。这是虚拟屏障分析的关键优势之一，因为误报是安保人员如今所面临的代价最高的操作问题之一。

目标跟踪的地理定位

图 4：采用虚拟屏障分析的地理定位功能准确映射人体目标

FLIR 虚拟屏障分析支持场景中目标的地理定位。这就意味着通过分析可以识别每个目标的位置、速度和方向，并作为元数据进行传输，以供视频管理软件 (VMS) 或其他下游软件使用。如图 4 所示，地理定位数据可以在动态地图上进行无缝的视觉化呈现，以便为安防操作员提供其设施附近威胁的态势感知。分析所提供的地理定位数据对于调整 PTZ 相机位置也十分有效，可以对目标进行更深入的评估。

检测徘徊对象

与基于运动的分析不同，虚拟屏障分析模式支持徘徊检测功能，无论对象是否移动，都可以检测框内的对象并进行分类。由于基于运动的分析只能检测移动的目标，因此和基于背景减法的分析相比，这些模式有着独特的优势。

为未来而设计

虚拟屏障分析专为持续的进化而设计，将持续改进，并能够解决当今和未来关键基础设施中安保人员对检测入侵情况的需求。Teledyne FLIR 致力于扩展图像库，以不断提高分类精度，并将不断增加分析功能以进行现场升级。安全主管可以放心地部署带嵌入式 FLIR 虚拟屏障分析的相机，作为满足其当前和未来需求的解决方案。

关键要点

虚拟屏障分析专为增强威胁检测而设计，在跟踪入侵者并进行应对时可实现更高的精度和提供关键态势感知，同时最大限度地减少误报。这些分析旨在连续改进，跟上当今不断发展的周界技术和不断变化的威胁态势。立即联系您当地的 Teledyne FLIR 代表，了解虚拟屏障分析可以如何增强您的周界安全。