摘要：正是由于我国的经济发展水平在最近几年里得到了快速提升，我国的许多行业都随之得到了发展，因此轨道交通运输行业得到的提升也很显著。现如今，只能视频监控技术在轨道交通行业中得到了较为广泛的运用，并且逐渐形成了轨道交通监控系统，得以更加专业的实行监控工作。将智能视频监控技术灵活的运用在轨道交通行业中，不仅可以及时准确的监测出内部出现异常的设备，还可以对一些交通行为以及建筑进行智能化识别，实在是将各方面工作进一步便捷化。为此，针对这一项条件优越的技术，本文将对其进行深入解析，了解智能视频监控技术运用到轨道交通行业中的各项关键性技术点，对各项关键点进行详细的分析，以供相关研究酌情参考。
关键词：轨道交通;智能视频监控;关键技术
由于我国经济不断的发展，轨道交通在我国各个地区迅速普及。而面对现阶段社会发展需求，传统的视频监控系统已经逐渐落伍，无法跟随时代的脚步来满足轨道交通在监控防范各方面的需求。这时，就需要广泛采用更加智能有效的视频监控技术。人的肉眼始终是无法一直工作的，为此就需要视频监控来作为第二双眼睛，通过记录视频以及人工分析等方式更加快速且准确的对相关数据进行分析，从而可以及时的将轨道交通方面的各项问题及时找出并解决，且在最快时间之内将无价值信息剔除，保存关键有价值信息，做到使工作效率更高，轨道交通运输服务更加快捷。
一、传统视频监控技术的不足之处
与现阶段更加智能的视频监控技术相比，传统视频监控技术缺少足够的智能化，其监控方式与力度充满了被动。一般来说，传统视频监控技术往往只具备两个主要功能：首先就是远程监控实时发生的时间，对其进行一定的记录;其次就是可以为事后纠纷时提供有利的视频资料证据。只不过，该传统技术需要有工作人员在监控室内对监控画面进行查看与记录，通过视频监控内容中发现不正常时间从而进行后续报警检察工作，可一旦工作人员因特殊情况无法一直呆在自己的岗位上，就可能会导致出现紧急意外情况时无法被及时发现，导致事件耽搁从而造成不良影响。并且，进行视频历史记录查看往往会耗费许多人力与时间，因为无法及时判断事件发生的具体时间段，就往往会出现各种问题困扰。
正是由于传统视频监控系统往往需要配合监控工作人员来实现实时监控的目的，可监控系统汇集的视频数据过于庞大，就导致监控工作人员没有办法准确无误的将每一路视频及时监控，且长时间工作下很容易导致工作人员出现疲劳、乏力的状况，从而影响到汇报工作时的及时与准确，信息报备精准度低下，相应报警的时间太长，从而导致高难度分析录像数据。为此，就需要有更加智能的视频监控系统来改善这种缺陷，使其可以像真人一般具有清晰的辨识度以及高度的警备，做出准确理性及时的判断并分析。
二、现如今智能视频监控技术中的关键方法
（一）首先是检测运动目标的方法
第一，是帧差法。此方法的基本工作原理是将图像序列在两到三帧之间的相邻帧数使用基于像素的时间差，将其进行阈值化的方法从而将图像中的运动区域提取出来。先是像相邻帧之间的图像对应着像素值进行相减，之后将差分图像二值化。若没有较大的环境亮度影响，在这时先前确定的阈值大于得出的对应像素值变化，则该背景像素可以得到确认;若对应像素值出现了较大的变化，则可以认定是由运动物体引起该变化，此时便可以将这些区域进行前景像素标记，通过标记像素区域将图像中的运动目标位置进行确认。
第二，是光流法。其主要的任务时将光流场进行计算，也就是以适当的平滑性约束作为条件，以图像序列的时空梯度对运动场进行估算，将运动场变化对运动目标以及场景的监测分割进行一系列分析。这种方法无需对场景中的信息进行预知，可以直接对运动对象进行检测，并且将运动背景具体情况进行处理。只不过，其不足之处就是可能会受到各方面的影响，例如噪音、光源、阴影或者遮挡等，都可能会对其计算结果造成一定的误差影响。并且，光流法的计算方法较为复杂，在实时处理方面有着不小的压力。
第三，是减背景法。这时一种比较有效的运动目标检测算法，背景参数模型来近似背景图像像素值是其基本思想，将背景模型与当前帧进行差分比较，从而实现检测运动目标区域的目的。在该检测过程中，若某像素区域出现较大的区别，则该区域是运动区域，反之则是背景区域。减背景法必须要有背景图像作为前提，且背景图像需要跟随外部环境以及光照情况实时不断去更新。另外，针对如何建立可以应对不同场景变化自身携带适应性的背景模型，相关研究人员也总结出了多种背景建模算法，大致可以分为回归地推类与非回归地推类两大类。
（二）另外就是目标跟踪算法
首先是基于区域之间的跟踪算法。这是通过人为选定或者是图像分割将目标模板确认，之后将候选模板与计算目标模板之间的相似程度在序列图像中确定出来，并且将其具体位置一并确定从而实现对目标进行实时跟踪。只不过，该方法中存在的缺陷就是计算量较大，特别是有着较大范围的搜索区域，这种情况将更加严重。并且该算法需要没有严重遮挡，目标不得出现较大形变，否则就会影响到运算的精准度，从而使准确度下降甚至是丢失目标。不过，若以上几点状况并为发生，那么该算法的准确度与可信度仍是比较可靠的。
其次是基于特征的跟踪算法。该算法一般会利用先验信息，或者是将某些约束添加进去从而进行问题解决，加设相邻帧图像中的特征点并为在运动形式上出现太大的变化，以此作为约束条件将特征点对应关系进一步建立。一般来说，基于特征的跟踪算法包括提取与匹配两大过程，该算法与目标跟踪算法不同，它只使用目标某一特征或局部特征进行相关计算，这就避免了目标被遮挡从而影响到实际特征的问题。
另外就是基于变形模板的跟踪算法。大多数跟踪目标具备非刚性的特征，使用变形模板可以利用其良好的弹性与性能，将方向变形从而更适应真实目标，因此在目标检索与领域跟踪方面得到了广泛运用。这种跟踪算法也不受到目标遮挡的影响，若出现部分遮擋情况也可以实现连续跟踪，只不过其受到噪音干扰影响较为严重，若出现此情况就会使相关工作难度提升。
最后是基于模型的跟踪算法。以上三种跟踪算法是基于二维平面。并没有将运动目标的完整信息准确得出，就无法将描述进一步精确化。而利用三维模型信息进行目标跟踪，就可以将其准确性与完整性大大提升。不过，这么做也会增加工作难度。正是因为运动分析的精准度与几何模型的精度直接挂钩，这就导致在进行建模时需要考虑大量参数，进行匹配模型的过程也会更加复杂，往往需要消耗大量的时间。因此，该方法更加适用于特定少量的目标跟踪。
三、结语
总而言之，智能视频监控技术是现如今较先进且前沿的视频监控技术。在轨道交通监控方面起到了至关重要的作用，并且其主要目的是为了改善轨道交通对其周围建筑、相关设备以及内部组成结构中的具体状况，做到可以高度准时智能识别问题。、及时报警并快速解决处理，进一步将误差控制在最低，同时减少监控工作人员的工作量与工作压力，使监控准确度与及时度更高，从而实现轨道交通管理工作具有更好的效率，促进轨道交通事业发展，为人们日常出行以及各种货物运输提供更加方便快捷的条件。
参考文献
[1]谭筠梅，王履程，雷涛等.城市轨道交通智能视频分析关键技术综述[I].计算机工程与应用2019 （5）.
[2]王信.轨道交通智能高清视频监控解决方案[J].中国公共安全2020（8）.
[3]刘治红、骆云志，智能视频监控技术及其在安防领域的应用[J].兵工自动化，2019（3）.
[4]王素玉、沈兰荪，智能视觉监控技术研究进展[J].中国图像图形学报，2017（12）.