视频结构化，即视频数据的结构化处理，就是通过原始视频进行智能分析，提取出关键信息，并进行文本的语义描述。一段视频里，需要提取的关键信息有哪些？目前来看，主要有三类：第一类是运动目标的识别，也就是画面中运动对象的识别，是人还是车；第二类是运动目标特征的识别，也就是画面中运动的人、车、物有什么特征，如果是人，是男人还是女人，有没有戴眼镜，穿什么颜色的衣服，如果是车，车牌号号码是多少，什么颜色什么车型等等；第三类是运动目标的轨迹分析，也就是画面中人或车是左转了还是右转了或是徘徊了等等。
视频结构化的难点1.研究关键技术，突破应用难题。在研究业务部门视频应用规律的基础上，建立监控视频结构化描述的模型，攻克一批涉及视频分割、内容提取、内容描述的关键技术。研究涉及关键应用的描述数据库管理技术、图像视频语义检索技术和相应的数据服务技术。
2.加强顶层设计，同步构建标准体系。标准化是信息共享的基础。通过对视频结构化技术自身特点和应用模式的研究，建立有关视频结构化描述的标准体系模型，制定覆盖技术实现和应用系统的标准化体系，有步骤地制定相关标准，以规范技术研究和设备开发，指导系统建设、运行以及评估的各个方面，从源头上为视频信息情报化应用的全面展开打好基础。
3.有步骤地开展视频信息情报化系统平台的建设，逐步推动*信息资源之间的整合应用。开展有关视频结构化描述数据的应用服务模式研究，制定视频结构化应用的系统及解决方案，并针对一到两个典型的应用环境，建设应用示范系统。通过系统的建设和运行，验证有关视频结构化描述系统的解决方案，探索视频监控网络与业务专网之间的数据交互和服务交互问题，尝试与其他信息系统的资源整合。
视频结构化可分为下列4个 步骤：背景建模、目标背景分离目标跟踪、分类提取特征（车辆、人员和物品特征）事件检测车辆结构化描述：车牌，车身颜色，车类型，品牌、子品牌，车贴，车饰物品等；人结构化描述：外形、人脸、着装、细节、身高、年龄范围、性别等。视频结构化的挑战除了应用模式，技术也是目前横亘在视频大数据发展道路上的另一座大山。有很多方面，涉及采集、存储、管理等多方面的领域，最大的技术障碍还是在于视频的结构化。商业应用上的数据多为结构化数据，每个数据都由一系列明确的描述属性组成，大数据处理系统则可以根据使用者的要求将不同的属性进行归类，从而发现和掌握事物发展的客观规律。而视频则不然，除了时间和空间的属性外，并没有其他的标签。除了按照时间和地点查找相应的视频外，大多的视频只能靠人慢慢甄别，这离大数据应用还相去甚远。要做到大数据应用，就必须为每个视频贴上更多的属性标签，也就是业内所说的结构化过程。作者认为这是未来视频应用技术的制高点，其核心是模式识别算法，要做到自动把视频中的特征识别出来贴上标签后入库。这样在日后需要的时候，才能实现海量视频的快速查询和碰撞研判，甚至能像商业大数据那样做到归类统计。如此看来，视频结构化的路似乎走不通，但是，目前在业内也出现了许多“曲线救国”的方法。比如：
1.大力发展电警卡口建设：目前电警卡口在图侦上的应用需求和频率早就超越了交警，因为案件基本都要与车辆发生联系，这能找出很多的线索。而卡口电警对于车辆的抓拍角度是相对固定的，能够开发出相应的车辆特征识别技术，电警卡口属于业务需求和技术实现的一个很好的匹配点。
2.结构化识别前移：在摄像机采集到图像的同时就要做好结构化的工作，例如卡口摄像机，就应该把智能识别的算法集成进去。目前不少厂商都推出了相应的智能卡口摄像机，建议政府应该大力推广，在老卡口摄像机更新换代的时候使用这类智能卡口摄像机进行替代，为未来大规模进行视频结构化做好准备。
3.双目等特种摄像机的开发，突破平面图像特征的局限，得到更精准的三维系信息，如人体数量，高度，物体长度等。类似的产品适合应用在重点区域，符合国内目前严峻的反恐形势。
4.物联网等更多感知技术的应用，融入更多的物联网感知技术，如RFID技术等，作为视频结构化信息的一个有效补充。
结构化的意义不难理解，只是真正实现起来很难，有几个原因：
1.识别什么特征？一副图像或者一段视频可以有无数角度的标签属性去描述，什么才是我们需要的属性？这与我们需要得到的目的密切相关。
2.识别算法开发难，由于是平面图像，因此特征的识别主要原理就是看图像区域中的轮廓、颜色、纹理与特征库进行比较。但是在同一个物体在不同监控角度的摄像头中显示出的轮廓都不相同，因此无法做到识别。
3.大规模数据处理难，即使做到了识别算法，但是如果要通过数据处理服务器的形式对大规模的视频进行结构化处理，这个建造成本巨大，其能源的耗费在中国这个夏季需要限电的情况里也不切实际。
热门分享
