大数据分析在视频监视方面的应用综述
1. 概要
该文介绍了大数据分析在视频监视及其潜在应用领域中的用途和范围。在当前时代，每个瞬间都会生成大量数据。其中，产生的视频数据量占主要份额。如此巨大数据量的存储，检索，处理和分析需要特定的平台。大数据分析就是这样一个平台，可以简化分析任务。该作者旨在研究使用大数据分析技术的视频监视及其应用的当前趋势。近年来，在该研究领域中报道了几篇作品，并根据研究人员所解决的挑战对其进行了分类。列出了使用大数据框架进行视频监视的工具清单。最后，讨论了该领域的研究空白。
2. 介绍
智能监视系统设计是计算机视觉中最活跃的研究领域之一。在城市中，每天有成千上万台摄像机出于不同的监控目的而收集大量的视频数据。据估计，2014年全球监视数据生成量达到了惊人的3ZB。预计到2018年，由于高质量可视镜头的发展，每个监视摄像机预计每月将产生100 GB的视频数据。
大数据是异构数据集蓬勃发展的综合体，异构数据集是如此复杂，以至于难以使用现有的数据库管理工具进行处理。对于监视摄像机而言，挑战包括从摄像机的覆盖范围捕获，存储以及检测和跟踪运动对象。该文中报告了四种不同成像方式的最新监视方案：常规视频场景，遥感视频，医学诊断和水下监视。主要摘录水下视频进行阐述。
3. 大数据分析在水下视频监视中的作用
水下监视由于涉及潜在的挑战，最近引起了很多关注。它可用于多种应用，包括海洋水下监视、水下沉船探测、自动水下飞行器（AUV）设计和导航、潜艇导航、水下动物保护等。水下成像模型取决于许多因素，例如水的盐度、水的成分、氧气含量、污染物的量、泥沙浓度等。因此，在这种情况下要对物体进行精确检测，监视算法应为自动除雾机制以增强或恢复输入数据的质量。它还应该能够准确地检测或跟踪运动物体。现有的大多数最新技术文献都集中在水下图像处理系统的开发上，该系统紧随水下图像/视频的增强，从而检测运动对象并对其进行跟踪。现有文章中报道了一些设计，这些设计使用场景中的局部运动。场景中的全局运动很少完成。然而，大多数工作集中在先验前景信息的可用性上。在可见性差的情况下，该问题变得更具挑战性。因为照明源无法正确照明，或者水的粘度可能不允许这样做。可见性差导致色度降低，当无法正确看到场景时，检测目标物体变得非常困难。再者水体中的泥沙浓度是需要考虑的重要参数。错误的对象检测也可能导致错误的跟踪。
因此，该文中的挑战可以集中在解决水下视频检测和跟踪中的两种类型的复杂性上。第一种复杂性与场景有关，场景复杂性包括由于水下湍流而导致的退化视频和模糊视频。第二种复杂性与对象本身有关，物体的复杂性可能是由于照明不当，物体变形，视角变化，物体被遮挡，非静态背景等引起的。
Minami等提出了一种用于视觉调查的鱼类跟踪算法，它基本上是一个基于形状的跟踪器，可以通过遗传算法（GA）进行进化。像GA这样的搜索方案的使用需要实时计算的高性能计算应用程序。Foresti等开发了一种用于水下管道检测的算法，它适用于沙子，泥浆，海藻等少量管道堵塞的情况。Sehgal等提出了一种称为TOUCH（基于色相的水下物体跟踪）的算法，用于跟踪水下物体。他们提出了对像素连接性的一种修改，并且使用色相作为特征来区分感兴趣的对象并对其进行跟踪。Chuang等人开发了一种基于变形多核的运动相机水下鱼跟踪算法。Mondal等提出了一种通过检测跟踪算法来检测和跟踪水下和常规视频场景中的伪装对象。作者使用了集成的特征空间，以更好地分离伪装对象和背景。
水下数据的主要挑战之一是对水生态学的研究。为此，可能需要大量数据，其中记录了来自水下动物的声音信号和针对特定对象的视频，以用于不同的应用。对大量视频和声音信号的存储和分析需要特别注意。Alharbi等人提出了一种有效的水下大数据分析管道架构，它使用流水线来加速数据处理和传输。Lebart等。提出了一种用于水下视频自动索引的算法，以及用于对它们进行基准测试的图解方案。Trucco等人也对海底物体进行了详细的调查，着重于成像模型，水下物体运动分析，应对海底跟踪挑战的方法。Xiang已经讨论了在水下航行器的跟踪和控制中使用模糊逻辑。其中还报告了有关软计算方法的趋势和未来范围。
4. 挑战与方向
视频检索和注释具有巨大的研究价值。不同的挑战包括海量视频数据的存储优化，根据用户定义的标准对视频进行分段，搜索时间优化，云数据安全性，基于异构信息的视频数据的集成，视频的索引和处理等问题。
由于神经网络、人工智能和深度学习具有从示例中学习并能够在后续时间实例中进行有效决策的能力，近年来的使用在不断增长。因此，可以使用深度学习策略开发新方法，以处理大数据量的视频监视。使用统计特征，马尔可夫随机场基于图像模型已被证明可以有效地检测视频中用于监视应用的运动对象。因此，基于深度学习的方法和基于常规建模的技术的融合对于未来的监视应用可能是令人鼓舞的。