随着视频监控系统在公安、交通等敏感领域的大规模应用，电子眼助力破案的报道层出不穷。一方面，这些案例积极反映了视频监控系统的社会价值；另一方面，它们也引发了对视频检索的更深层次的需求。在实际应用过程中，用户往往希望从数万个摄像头的海量视频记录中，快速找到一些具有明显特征的人或物体。传统的基于预设闹钟和时间的视频检索方式对于这种深层次的需求往往无能为力，往往有“抓痒痒”的遗憾。所以，如何快速准确地进行智能检索成为大型视频监控系统需要解决的重要问题。主题。

传统海量存储技术的应用瓶颈

就平安城市这样的大型视频监控系统而言，系统中时刻存储着海量的视频。这些视频对于打击犯罪和保护人们的生命财产安全至关重要。目前基于分布式系统架构设计的大型视频监控平台采用分治法，综合使用前端存储（NVR/DVR）、后端存储（存储服务器、磁数组等）和其他策略。从技术上看，海量视频的存储问题可以得到更安全的解决。然而，与当前复杂的安全形势相比，基于时间点和预设事件的主流检索方法过于简单。

检索要求：检索10:00-12:00出现在银行正门附近的白衬衫男子。

为了找到符合条件的视频，在传统的视频存储系统中，需要大量的人力进行人工分析。传统监控系统可以通过GIS准确找到XX银行正门附近的摄像头，通过时间检索找到相关视频。之后需要人工手动调整。即使在16倍的高速浏览下，也很难进一步找到相关视频。这是一种人力和时间的浪费，而且由于人为参与，长时间观看有很高的漏检风险。

我们可以看到，当实现了这个检索需求时，传统的检索方法是相当笨拙的。检索方式不够“智能”，成为传统大规模监控系统应用的瓶颈。

考虑到具体案例的复杂性，今天对“白衬衫”的需求，明天可能会变成“花衬衫”，所以用户不仅要求检索要“更聪明”，还要足够“灵活”。当然，用户也期望系统尽快完成查询。那么，我们可以将用户对海量视频存储系统的检索需求概括为“更智能”、“更灵活”和“更快”。

使用智能分析技术提高检索算法的有效性

引入智能视频分析技术，实现“智能”和“灵活”

由于用户迫切需要搜索更“智能”，因此利用智能分析技术提高系统的“智商”势在必行。

目前用于视频监控的智能视频分析技术可以概括为三个相互依存的技术谱系：目标提取技术、目标分类（识别）技术和规则判断技术。这三类技术构成了智能视频分析系统的三大基本模块：目标提取模块、分类识别模块、规则判断模块。

首先，将数字视频流解码为智能视频分析系统能够识别的视频或图像序列，作为智能视频分析系统的输入。分析系统首先利用目标提取输入图像序列进行前景和背景分离，完成目标提取工作；越复杂的智能视频分析系统一般都具有分类功能，可以对识别的目标进行模式识别，区分目标的更多属性。比如比较常见的分类器有：人车分类、颜色分类、行为分类等；之后，系统将提取目标及其分类信息，交给规则判断模块进行规则推理。

通过将上述检索需求纳入上述流程，可以发现现有的智能视频分析技术在“理论上”可以帮助实现这一需求。“白衬衫，男人”这些是分类识别模块的识别要求，也是判断推理模块中的规则。也就是说，所谓“更智能”对应的是智能视频分析技术，需要更强大的分类识别模块；检索需求一定是不断变化的智能视频分析，比如“白衬衫”变成“花裙”，“男人”变成“女性”和“柔韧”的需求，需要通过规则判断模块来完成。

该系统模型在传统海量存储系统的基础上增加了智能视频分析能力，从而使系统变得“智能”。

当用户发起查询时，查询需求首先通过规则生成器转化为规则，输入到规则推理模块中。之后，系统对相关视频进行智能分析，即目标提取、目标分类识别、规则推理判断，找出符合要求的视频。

借助智能视频分析技术，该模型可以提高查询系统的“智商”，实现用户对“智能”和“灵活”的需求，但该系统的效率如何？另一个需要考虑的问题是，就目前的智能视频分析技术而言，是否有足够准确的目标提取和模型匹配算法来判断“男女”，区分“白衬衫”和“白风衣”。这些问题在现有的分析技术和算法模型中难以解决。综上所述，该模型存在的问题如下：