UWB高精度定位——位置空间赋能视频监控

目标位置空间感知实现数字视频位置结构化，让视频监控更智能和便捷

一、关于视频结构化

视频结构化是指根据视频画面中呈现出的人、车、物、颜色、数字及其他属性特征，建立视频大数据结构化平台。视频被结构化后，存入相应的结构化数据仓库，存储的容量极大降低，视频智能检索也方便很多；

传统意义视频结构化是利用深度学习技术对视频进行逐帧分析，解析出视频帧中感兴趣的目标、并且进一步推理出每个目标感兴趣的属性，最后将这些目标、属性保存成结构化数据（能与每帧关联起来）。

1、行人结构化：对于视频图像中的人物，并可提供行人的各种结构化特征属性信息，包括衣着和装饰物特征：上衣、裤子、裙子和连衣裙、鞋子、帽子、太阳镜墨镜、围巾、皮带腰带；携带物特征：单肩挎包、双肩背包、手提包、拉杆箱、雨伞；人体特征：头发、面部。

 2、车辆结构化：对于视频图像中的车辆，可进行多车道车辆检测、车头车尾检测识别功能，能够提取识别车辆的10多项结构化属性信息，包括车辆号牌、车身颜色、车辆品牌、车辆类型、子品牌、车辆年款及各种车辆特征物信息，如：年检标、遮阳板、挂件、摆件、纸巾盒、安全带等。

视频结构化后让实时视频显示更加智能化，同时也让视频检索更加方便和智能化

二、基于视频分析的视频结构化的不足点

视频分析结构化大致可以分为两大类：辨认类（Recognition）和分析类（Detection）

1、辨认类用于辨认目标，对于识别要求高，一般不能低于95%，否则导致大量的误判就没有实际应用价值。辨认类对于摄像机的安装及使用环境有高要求；

 在安全管理的应用场景，辨认类（Recognition）识别的应用价值高；

2、分析类，比如安全帽佩戴、着装、抽烟；基于AI的视频分析类一般需要实际环境迁移再学习，才能提供相对满意的分析结果。分析类准确度没有辨认类高，一般要求不低于85%，再低就没有什么落地实用价值。有些场景目标计数的分析类（比如有严格人数要求的作业管理）识别率要求比较的高，基本要保证在95%以上，基于视频AI的分析类目标计数往往不到这样的要求。

辨认类是智能视频监控的基本；通过分析类识别危险或违纪的事件，同时需要辨别出目标对象。辨认类的要求比分析类的要求高，很多视频监控场景，只具备实现分析类识别。没有办法实现基于视频分析的目标辨认。

辨认类视频分析对于摄像机的安装以及目标的像素、环境等都有一定的要求；

类似人脸识别和车牌识别等目标辨认类的视频分析，对于目标和摄像机的角度以及识别部分也有严格要求；需要完整拍摄到人脸和车牌，且不能有类似带口罩、车牌污染、或者脸部/车牌遮挡现象。

人脸识别和车牌识别对于环境的照度也有一定要求，此外雨雪等天气因素，会导致识别误差增大；

监控类摄像机多数不能应用于目标视频分析，尤其不能应用辨认类的视频分析；

基于视频分析的视频结构化的最 大不足点在于视频监控摄像机很难实现目标的辨认

三、利用物联网感知（电子标签）实现目标快速准确辨认，实现视频监控智能化

基于AI实现行为分析（安全帽、口罩等），如何实现目标的快速辨认，实现视频监控+视频分析+目标准确辨认：

         如何甄别视频内容中的不同目标（视频包含了多个人员，如何甄别每个人的身份）

        如何基于目标的视频跟踪（在多个视频摄像机覆盖的区域，实现针对某个目标的实时视频跟踪）

       如何实现基于视频目标的历史录像的查询（实现某个目标在若干摄像机视频录像资料中的快速 录像搜素查询）

实现目标的行为分析（抽烟、着装、安全帽佩戴）同时甄别目标

基于目标的当前视频及历史踪迹查询（快速查询某个目标当前的视频监控图像，以及查询该目标的时间段内历史视频图像）

开放区域基于目标的白名单、黑名单的区域空间目标准入管理（基于目标白名单或黑名单的视频电子围栏安全管理）

特殊环境人员及协同人员的作业安全管理（基于目标以及目标准确人数的安全管理）

位置空间赋能视频监控-通过位置空间赋能，让视频监控更加智能、更加便捷

1.   建立空间的位置属性和视频对应关系，实现位置空间和摄像机视野空间关联

2.   基于位置空间感知的电子标签实现目标快速准确辨认