艾 达, 邓艳红, 樊 安, 林 楠

(1.西安邮电大学 公安部电子信息勘查应用技术重点实验室, 陕西 西安 710121;2.圣塔克拉拉大学 计算机工程系, 加利福尼亚 圣塔克拉拉 95053)



IEEE Xplore监控视频系统新技术文献计量分析

艾 达1, 邓艳红1, 樊 安1, 林 楠2

(1.西安邮电大学 公安部电子信息勘查应用技术重点实验室, 陕西 西安 710121;2.圣塔克拉拉大学 计算机工程系, 加利福尼亚 圣塔克拉拉 95053)

监控视频系统是结合视频编码、模式识别、信息安全、存储和网络传输等多项技术汇聚而成的信息系统。通过对IEEE Xplore数据库最近三年监控视频领域发表论文的分类整理和文献计量分析，提出了一个新的监控视频系统五层功能分类体系框架。对监控视频领域的研究热点以及最新技术的应用情况，如无线通信，机器学习，云计算，大数据，高效视频编码等，进行了定量地归纳和总结，为该领域的研究工作提供参考依据。

监控视频; 体系结构;视频编码;模式识别;视频检索;文献计量学

监控视频系统是视频编码技术、模式识别技术，网络安全、信息通信等技术汇集产生的大型信息处理系统。在工业生产[1]、交通管理[2]、公共安全[3]等行业巨大需求的推动下，监控视频技术得到了快速发展，逐渐从一套简单的闭路电视系统发展成为一门融合多项现代科学技术的应用领域。吸引了大量的研究者，从多个角度对监控视频系统开展研究。

这些工作的研究目的，研究内容，采用的研究方法都不尽相同，发表在不同国家、不同期刊、学术会议或网络空间，数量庞大。现有综述性论文都是围绕某一项特定技术而展开[4-5]，可供参考的系统性研究很少，文献[6]研究过监控视频系统的分类问题，但存在功能分类概念混淆的问题。因此，有必要从全局角度出发，对近年来最新的研究成果进行归纳和总结，对该领域整体功能结构有一个明确的认识和定义，并为研究者们提供一定的借鉴作用。

在第1节中，介绍构成综述文献的选题方式；第2节提出一种新的监控视频系统体系结构划分方法，描述了各层次功能；第3节对相关技术最新的应用情况进行定量分析和讨论；最后一节总结全文的研究成果。

1 文献选择

由于监控视频系统相关文献数量庞大，全文阅读所有文献资料工作量巨大。利用文献的标题和摘要作为主要的研究对象，适当限制了研究选题范围。文献选择标准如下：

(1) 文献均来源于IEEE Xplore网络数据库以保证检索文献的全面性和权威性。

(2) 主要检索方式限定为标题里出现“监控视频”(Surveillance Video)关键字，以保证检索到的文献与论文研究内容的具有高度的相关性。

(3) 检索到的文献来源既包含期刊也包含会议论文，以保证研究课题的新颖性。

(4) 检索时间限定为2013年至2016年6月期间最新发表的论文，以保证研究成果的时效性。

按以上条件对IEEE Xplore数据库检索，共返回367篇文献，剔除掉重复论文，非学术性论文，共有356篇论文作为研究依据[7]。检索到的文献分为会议论文和期刊论文两类，其中期刊论文47篇，占比13%，会议论文309篇，占比达到87%。将会议论文和期刊论文都作为研究对象，避免了[6]过于注重期刊的权威性而忽略会议论文研究成果更加新颖的问题。

2 监控视频系统功能层次划分

文献[6]从论文摘要结构和关键词角度出发，提出的监控视频系统六层模型，包含基本概念层(Concept and Foundation Layer)、网络基础设施层(Network Infrastructure Layer)、信号处理层(Processing Layer)、信息传递层(Communication Layer)、应用层(Application Layer)和用户交互层(User Interaction Layer)。这样的划分方式容易产生功能重叠和歧义。例如该模型的的第一层包含综述性论文，算法论文等。实际上算法可能涉及处理层的压缩编码算法，也可能是信息传递层目标检测算法，从而产生功能概念的混淆。

因此，通过对所有356篇论文[7]摘要的分析，根据其主要实现功能将监控视频系统划分为5个相对独立的层次：基础设施层、信号处理层、内容识别层、信息检索层以及应用层，如图1所示。

图1 监控视频系统层次结构

(1) 基础设施层(Infrastructure Layer)

包括监控信号的采集、传输、显示技术，以及相关的系统设计四个部分:信号采集涉及获取监控信号时需要处理的摄像机防抖动、色差检测、阴影去除、信号融合、双摄像头拍摄等技术;显示技术包括多源信号显示、远程显示、高动态显示技术等;系统设计包含电路系统设计、嵌入式平台设计、无线监控网络设计、基于物联网、基于云平台的监控系统设计以及造价估计等;传输技术包括采用IEEE802.11、LTE等无线传输技术应用，以及流媒体技术、路由、复用和内容发布技术。

(2) 信号处理层(Processing Layer)

负责对音视频信号的处理。信号处理层划分为预处理、压缩编码、信息安全、其他处理技术4个部分:预处理在对视频编码前进行滤波、图像增强、清晰化;压缩编码实现对视频信号编码，包括提升编码效率，码率分配等；信息安全处理用户隐私保护、信号加密、安全认证、权限管理等；其他处理技术包括压缩信号的转码、并行计算、顽健性信道编码等。

(3) 内容识别层(Identification Layer)

内容识别层按照对视频内容的提取顺序分为四个部分：前景/后景提取，目标检测与跟踪，目标识别和目标分类。

前景/后景技术包括消除相机抖动、阴影等影响提取背景的方法，从压缩域直接提取背景等方法；目标检测与跟踪技术包括对视频内容的各类目标的检测，包括物体、行人、车辆、火灾和异常事件等，以及对检测到的对象进行轨迹预测或跟踪等；目标识别对各类目标包括人脸，动作，异常行为、汽车牌号等对象的辨别；目标分类在目标识别的基础上，将各类对象进行聚类、计数、群体密度估计等。

(4) 信息检索层(Retrieval Layer)

对经过内容识别层处理后所提取的人、车辆、事件等视频对象进一步处理，实现3个主要功能：内容描述、摘要与索引、语义检索。

内容描述实现对视频内容对象的元数据处理、语义描述、标记和注解；摘要与索引实现对视频内容的浓缩、摘要和建立索引功能；语义检索实现基于事件、运动特性、人脸和多实例的检索或浏览功能。

(5) 应用层(Application Layer)

应用层所涉及的技术是对上述各层多项技术，如信号获取、传输、检测，检索的融合，能够提供或实现具体应用功能。覆盖面涵盖了教育，移动安防，能源生产，交通管理，城市管理，环境保护等多个领域，还包括监控系统适用性以及人们对监控系统的态度调查等。

表1 按功能层次划分的论文列表

3 新技术应用情况

监控视频系统的5个层次划分论文数量和百分比如图2所示。

图2 发表论文数量按层次分布

通过对论文的归纳和整理，可以发现近3年来监控视频技术发展具有以下特点。

(1) 智能化趋势

随着监控视频系统呈几何级数式的部署和数量增长，传统由操作人员负责监控和响应的工作模式以已无法适于现代化生产和安防的需求，智能化已成为监控视频系统发展的主要方向。

代表智能化应用的信息检索层和内容识别层论文合计208篇，占全部研究论文总数的58%。内容识别层所有171篇论文中，检测跟踪相关119论文篇，占该层论文的69.6%，占全部论文的33.4%，说明对视频对象的检测和跟踪是当前监控视频领域最主要的研究内容。

从采用的技术来看，在所有发表论文中，机器学习相关技术，如主成分分析法(Primary Component Analysis，PCA)[8-10]，逻辑回归(Logistic Regression，LR)[11]，K-means聚类[12-14]，支持向量机(Supportive Vector Machine，SVM )[15-30]，神经网络(Neuro Network，NN)[31-33]，以及其他聚类(Cluster)、监督/非监督学习(Supervised / Unsupervised Learning)技术等，论文数量为33篇，占论文总数的9.3%。

以上分析数据表明，监控视频系统智能化趋势已十分明显，人工智能技术已逐渐成为主要的研究工具。

(2) 移动化趋势

监控视频系统的信号主要采用有线传输方式，然而近年来随着无线局域网技术、第四代无线通信技术(如Long Term Evolution, LTE)的发展，宽带无线视频监控系统正成为研究热点。

在基础设施层中，传输技术模块的18篇论文中，采用无线传输技术的占9篇，占比50%。

应用无线技术进行系统设计的有4篇。使用关键字“LTE”的论文有4篇，使用“802.11p”关键字的3篇，使用“wireless”关键字的5篇。

说明在无线监控视频系统中，802.11p和LTE传输技术是当前主要的研究热点，这些技术的使用，使采集前端可以灵活地移动部署，扩大了监控视频覆盖范围，促进了车载监控、航空监控等移动监控技术的发展。关于智能手机、平板电脑等移动用户终端设备相关论文有6篇，表明了监控视频用户端的移动化趋势。

(3) 新技术融合趋势

监控视频系统是融合多项技术的综合性信息系统，近年来涌现出的新技术新方法如无人机(Unmanned Aerial Vehicles，UAV或Drone)、云计算(Cloud)、大数据(BigData/Hadoop)、HEVC(High Efficiency Video Coding，高效视频编码)、压缩感知编码(Compressed Sensing，CS)等多项技术已成功地在该系统上应用，论文分布的数量，合计39篇(图3)，占论文总数的11%。

图3 新技术应用情况

无人机作为新型的移动视频监控采集设备的载体[34]，通常与无线局域网、LTE等技术结合使用[35-38]，相关论文6篇。

云计算为监控视频系统提供了基础的运算和存储平台，因此其技术在基础设施层[39-40]、内容识别层[41]、信息检索层[42-44]都有所涉及，论文总数为13篇。

大数据提供了强大的平行处理能力，其技术主要应用于信息检索层。Hadoop作为大数据应用软件，在监控视频系统的设计[45]和信息检索方面都有应用体现。

压缩感知编码作为一种新的采样信号重建方法，针对监控视频也开展了相应的应用研究，包括对视频信号的压缩编码[46-47]，背景提取[9]，目标检测与跟踪等[48]。

H.265/HEVC作为2013年1月发布的新一代视频压缩编码标准，在研究领域已开始取代主流的H.264/AVC。HEVC在视频压缩和处理相关研究工作数量7篇已超过H.264/AVC的3篇；在内容识别层面二者论文数量持平，各有3篇；在实际应用方面H.264/AVC有1篇，HEVC为空白，说明HEVC相关芯片制造和技术普及刚起步，实用化案例还不多见。

(4) 研究展望

从基础设施层角度来看，目前3D技术在监控视频系统中的应用仅限于利用二维监控视频图像生成三维人像和建筑物的图像。在未来，随着能获取深度信息三维监控摄像机的使用，视频内容的检测与跟踪将会更加精确。

高清(High Definition)技术在检索到的论文中只出现一次，应用于深海勘测[49]，系统由高清摄像机、G bit级光纤传输系统，船上监控中心组成。具备4K分辨率的高清监控设备的部署将有效改善视频对象识别的性能，但同时也为数据传输、存储以及压缩编码带来新的挑战，相关的研究工作有待加强。

从信号处理层角度来看，由中国提出的国际标准IEEE1857[50](即AVS)，针对监控视频和会议视频会议应用的信号特征进行了优化，获得了比HEVC近一倍的性能提升。随着AVS相关研究工作的开展，将推动该项标准在国内的普及并提升在世界范围的影响力。

从内容识别层角度来看，视频内容智能识别和处理方面，深度学习(Deep Learning)相关技术卷积神经网络[31-32](Convolutional Neural Networks)和稀疏编码[51](Sparse Coding)在本次检索中分别只有两篇和一篇论文。因此，应用这种人工智能技术实现监控视频检测和识别也是未来研究方向之一。

从信息检索层角度来看，随着视频内容识别、特征提取、特征分类技术的成熟，将带动视频信息内容检索相关技术的快速发展，通过建立各类专业化数据库，如公安行业的刑侦现场勘验数据库[52]，将大幅度提升智能化监控视频在本行业应用效率。

从应用层角度来看，建设高效能低成本的监控视频系统关键在于资源的整合和共享[53]。只有通过标准的制定和推广普及、各系统之间的互联互通与信息共享、各种先进技术的深度融合，才能真正发挥监控视频系统的应用价值。

4 结语

通过对近3年IEEE Xplore数据库监控视频相关技术论文的整理和归纳，按照解决的问题或实现的功能对论文进行了分类，并在此基础上提出了一种监控视频系统的五层功能体系结构，包括基础设施层，信号处理层，内容识别层，信息检索层和应用层。该提功能结构的提出，对监控视频系统功能层次有了更加清楚的定义，改进了现有划分方法的不足，为该领域研究者开展相关工作提供了参考，也为监控视频学科的建设提供了讨论和改进的依据。

计量分析了近年来控视频领域最新技术的应用情况，总结了其技术发展特点具有采集和浏览的移动化，检测和分析的智能化，多项新技术融合化的特点。并对3D、高清、深度学习等技术发展做出了展望。

[1] PEREZ C A, ARAVENA C M, SCHULZ D, et al. Estevez.Automatic Safety Video Surveillance-Tracking System to Avoid Vehicle-Workers Interaction for Mining Applications[C/OL]//2014 International Symposium on Optomechatronic Technologies (ISOT). [S.l]:IEEE,2014:23-27[2016-07-07].http://dx.doi.org/10.1109/ISOT.2014.15.

[2] 林庆帆,李钊杰,刘颖,等. 监控视频图像过曝光区域检测[J/OL]. 西安邮电大学学报，2015,20(6):5-9[2016-07-07].http://dx.chinadoi.cn/10.13682/j.issn.2095-6533.2015.06.002.

[3] 唐德权,史伟奇. 公安网络视频监控系统数据挖掘改进算法研究[J/OL]. 警察技术,2013(6):34-37[2016-07-07].http://dx.chinadoi.cn/10.3969/j.issn.1009-9875.2013.06.009.

[4] 黄凯奇,陈晓棠,康运锋,等. 智能视频监控技术综述[J/OL].计算机学报, 2015, 38(6):1093-1118[2016-07-07].http://dx.chinadoi.cn/10.11897/SP.J.1016.2015.01093.

[5] KUSHWAHA A K S, SRIVASTAVA R. Performance evaluation of various moving object segmentation techniques for intelligent video surveillance system[C/OL]//2014 International Conference on Signal Processing and Integrated Networks (SPIN). [S.l.]:IEEE,2014:196-201[2016-07-07].http://dx.doi.org/10.1109/SPIN.2014.6776947.

[6] CHAMASEMANI F F, AFFENDEY L S. Systematic Review and Classification on Video Surveillance Systems[J/OL]. International Journal of Information Technology and Computer Science, 2013,5(7)：87-102[2016-07-07].http://dx.doi.org/10.5815/ijitcs.2013.07.11.

[7] AI D, DENG Y H. IEEE Xplore 2013-2016.6 Research Articles for Surveillance Video[EB/OL]. [2016-09-30].http://ciip.xupt.edu.cn/asp/PaperRead/B_See_PaperZY.asp?id=18.

[8] HAN G, WANG J K, CAI X. Background subtraction for surveillance videos with camera jitter[C/OL]// 2015 IEEE 7th International Conference on Awareness Science and Technology (iCAST). [S.l.]:IEEE, 2015:7-12[2016-07-07].http://dx.doi.org/10.1109/ICAwST.2015.7314012.

[9] LIU Y, PADOS A D. Compressed-Sensed-Domain L1-PCA Video Surveillance[J/OL].IEEE Transactions on Multimedia，2016,18(3):351-363[2016-07-07].http://dx.doi.org/10.1109/TMM.2016.2514848.

[10] BASTANI V, MARCENARO L, REGAZZONI C. A particle filter based sequential trajectory classifier for behavior analysis in video surveillance[C/OL]//2015 IEEE International Conference on Image Processing (ICIP). [S.l.]:IEEE,2015:3690-3694[2016-07-07].http://dx.doi.org/10.1109/ICIP.2015.7351493.

[11] JIN D, LI S, KIM H. Robust fire detection using logistic regression and randomness testing for real-time video surveillance[C/OL]//2015 IEEE 10th Conference on Industrial Electronics and Applications (ICIEA). [S.l.]:IEEE,2015:608-613[2016-07-07]. http://dx.doi.org/10.1109/ICIEA.2015.7334183.

[12] AQEL S, AARAB A, SABRI M A. Traffic video surveillance: Background modeling and shadow elimination[C/OL]//2016 International Conference on Information Technology for Organizations Development (IT4OD). [S.l.]:IEEE,2016:1-6[2016-07-07].http://dx.doi.org/10.1109/IT4OD.2016.7479290.

[13] ASIM K M, MURTZA I, KHAN A, et al. Efficient and Supervised Anomalous Event Detection in Videos for Surveillance Purposes[C/OL]//2014 12th International Conference on Frontiers of Information Technology (FIT). [S.l.]:IEEE,2014:298-302[2016-07-07].http://dx.doi.org/10.1109/FIT.2014.62.

[14] SARDSEHMUKH M M, KOLTE M T, CHATUR P N, et al. 3-D dataset for Human Activity Recognition in video surveillance[C/OL]//2014 IEEE Global Conference on Wireless Computing and Networking (GCWCN).[S.l.]:IEEE,2014:75-78[2016-07-07].http://dx.doi.org/10.1109/GCWCN.2014.7030851.

[15] SOWMIYA D, SAITHEVAKUNJARI P, ANANDHAKUMAR P. Human detection in video surveillance using MBCCA: Macro Block Connected Component Algorithm[C/OL]//2013 Fifth International Conference on Advanced Computing (ICoAC).[S.l.]:IEEE,2013:551-561[2016-07-07].http://dx.doi.org/10.1109/ICoAC.2013.6922011.

[16] MIAO Y Y, SONG J X. Abnormal event detection based on SVM in video surveillance[C/OL]//2014 IEEE Workshop on Advanced Research and Technology in Industry Applications (WARTIA). [S.l.]:IEEE,2014:1379-1383[2016-07-07].http://dx.doi.org/10.1109/WARTIA.2014.6976540.

[17] WANG X, WANG M, LI W. Scene-Specific Pedestrian Detection for Static Video Surveillance[J/OL]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2014,36(2):361-374[2016-07-07].http://dx.doi.org/10.1109/TPAMI.2013.124.

[18] LIN C Y, YEH Cheng-Hao, YEH Chia-Hung. Real-time vehicle color identification for surveillance videos[C/OL]//2014 International Conference on Electronics, Communications and Computers (CONIELECOMP).[S.l.]:IEEE,2014: 59-64[2016-07-07].http://dx.doi.org/10.1109/CONIELECOMP.2014.6808568.

[19] KIRUBA K, SATHIYA P, ANANDHAKUMAR P. Modified RPCA with Hessian matrix for object detection in video surveillance on highways[C/OL]//2014 Sixth International Conference on Advanced Computing (ICoAC). [S.l.]:IEEE,2014:242-247[2016-07-07].http://dx.doi.org/10.1109/ICoAC.2014.7229719.

[20] FANG X Y, XIA Z W, SU C, et al. A system based on sequence learning for event detection in surveillance video[C/OL]//2013 20th IEEE International Conference on Image Processing (ICIP). [S.l.]:IEEE,2013:3587-3591[2016-07-07].http://dx.doi.org/10.1109/ICIP.2013.6738740.

[21] LIEN C C, YU W K, LEE C H, et al. Night Video Surveillance Based on the Second-Order Statistics Features[C/OL]//2014 Tenth International Conference on Intelligent Information Hiding and Multimedia Signal Processing (IIH-MSP).[S.l.]:IEEE,2014:353-356[2016-07-07].http://dx.doi.org/10.1109/IIH-MSP.2014.94.

[22] BILAL M, KHAN A, KHAN M U K, et al. A Low Complexity Pedestrian Detection Framework for Smart Video Surveillance Systems[J/OL].IEEE Transactions on Circuits and Systems for Video Technology,2016,PP(99):1[2016-07-07].http://dx.doi.org/10.1109/TCSVT.2016.2581660.

[23] ARUNNEHRU J, GEETHA M K. Behavior recognition in surveillance video using temporal features[C/OL]//2013 Fourth International Conference on Computing, Communications and Networking Technologies (ICCCNT).[S.l.]:IEEE,2013:1-5[2016-07-07]. http://dx.doi.org/10.1109/ICCCNT.2013.6726526.

[24] TOM M, BABU R V. Rapid human action recognition in H.264/AVC compressed domain for video surveillance[C/OL]//Visual Communications and Image Processing (VCIP). [S.l.]:IEEE,2013:1-6[2016-07-07].http://dx.doi.org/10.1109/VCIP.2013.6706430.

[25] CHEN X J, RUAN Y D, ZHANG P, et al. Vehicle representation and classification of surveillance video based on sparse learning[J/OL]. China Communications, 2014, 11(13):135-141[2016-07-07].http://dx.doi.org/10.1109/CC.2014.7022537.

[26] ZHAN J, ZHANG H F, LUO X N. Fine-Grained Vehicle Recognition via Detection-Classification-Tracking in Surveillance Video[C/OL]//2014 5th International Conference on Digital Home (ICDH). [S.l.]:IEEE,2014:14-19[2016-07-07].http://dx.doi.org/10.1109/ICDH.2014.10.

[27] FLOREZ O, DYRESON C, SHAHABDEEN J. What to Reuse?: A Probabilistic Model to Transfer User Annotations in a Surveillance Video[C/OL]//2013 IEEE 16th International Conference on Computational Science and Engineering. [S.l.]:IEEE,2013:42-49[2016-07-07]. http://dx.doi.org/10.1109/CSE.2013.17.

[28] SALEHIN M M, PAUL M. Summarizing Surveillance Video by Saliency Transition and Moving Object Information[C/OL]// 2015 International Conference on Digital Image Computing: Techniques and Applications (DICTA). [S.l.]:IEEE,2015:1-8[2016-07-07].http://dx.doi.org/10.1109/DICTA.2015.7371311.

[29] MITREA C A, MIRONICA I, LONESCU B, et al. Fast Support Vector Classifier for automated content-based search in video surveillance[C/OL]//2015 International Symposium on Signals, Circuits and Systems (ISSCS). [S.l.]:IEEE,2015:1-4[2016-07-07].http://dx.doi.org/10.1109/ISSCS.2015.7203953.

[30] PANG Z H, JIA K B, FENG J C. A Water Environment Security Monitoring Algorithm Based on Intelligent Video Surveillance[C/OL]//2014 Tenth International Conference on Intelligent Information Hiding and Multimedia Signal Processing (IIH-MSP). [S.l.]:IEEE,2014:191-194[2016-07-07]. http://dx.doi.org/10.1109/IIH-MSP.2014.54.

[31] VIGNESH S, PRIYA K V S N L M. CHANNAPPAYYA S S. Face image quality assessment for face selection in surveillance video using convolutional neural networks[C/OL]//2015 IEEE Global Conference on Signal and Information Processing (GlobalSIP). [S.l.]:IEEE,2015:577-581[2016-07-07].http://dx.doi.org/10.1109/GlobalSIP.2015.7418261.

[32] ZHENG J L, WANG Y W, ZENG W. CNN Based Vehicle Counting with Virtual Coil in Traffic Surveillance Video[C/OL]//2015 IEEE International Conference on Multimedia Big Data (BigMM). [S.l.]:IEEE,2015:280-281[2016-07-07]. http://dx.doi.org/10.1109/BigMM.2015.56.

[33] SARAN K B, SREELEKHA G. Traffic video surveillance: Vehicle detection and classification[C/OL]//2015 International Conference on Control Communication & Computing India (ICCC).[S.l.]:IEEE,2015:516-521[2016-07-07].http://dx.doi.org/10.1109/ICCC.2015.7432948.

[34] MASINI A, MAFFEI M, BRACCI A, et al. Real-time algorithm for video fusion evaluation: Application to surveillance system based on UAV platform[C/OL]//2015 IEEE 1st International Forum on Research and Technologies for Society and Industry Leveraging a better tomorrow (RTSI). [S.l.]:IEEE,2015:326-333[2016-07-07]. http://dx.doi.org/10.1109/RTSI.2015.7325119.

[35] KOLAROW A, SCHENK K, EISENBACH M, et al. APFel: The intelligent video analysis and surveillance system for assisting human operators[C/OL]//2013 10th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS).[S.l.]:IEEE,2013:195-201[2016-07-07].http://dx.doi.org/10.1109/AVSS.2013.6636639.

[36] LIAO Y K, WANG C H YANG D N, et al. Uplink scheduling for LTE 4G video surveillance system[C/OL]//IEEE Wireless Communications and Networking Conference (WCNC). [S.l.]:IEEE,2015:1380-1385[2016-07-07].http://dx.doi.org/10.1109/WCNC.2015.7127670.

[37] WU P H, HUANG C W, HWANG J N, et al. Video-Quality-Driven Resource Allocation for Real-Time Surveillance Video Uplinking Over OFDMA-Based Wireless Networks[J/OL].IEEE Transactions on Vehicular Technology, 2015,64(7):3233-3246[2016-07-07].http://dx.doi.org/10.1109/TVT.2014.2350002.

[38] LLORET J, MCCUE R, WU J. WeSeeYou: Adapting Video Streaming for Surveillance Applications[C/OL]//2015 IEEE 12th International Conference on Mobile Ad Hoc and Sensor Systems (MASS). [S.l.]:IEEE,2015:589-592[2016-07-07]. http://dx.doi.org/10.1109/MASS.2015.65.

[39] SONG B, TIAN Y, ZHOU B Y. Design and Evaluation of Remote Video Surveillance System on Private Cloud[C/OL]//2014 International Symposium on Biometrics and Security Technologies (ISBAST). [S.l.]:IEEE,2014:256-262[2016-07-07]. http://dx.doi.org/10.1109/ISBAST.2014.7013131.

[40] CHEN X, XU J B, GUO W Q. The research about video surveillance platform based on cloud computing[C/OL]//2013 International Conference on Machine Learning and Cybernetics(ICMLC). [S.l.]:IEEE,2013:979-983[2016-07-07].http://dx.doi.org/10.1109/ICMLC.2013.6890424.

[41] THANGAM A J, SIVA P T, YOGAMEENA B. Crowd count in low resolution surveillance video using head detector and color based segementation for disaster management[C/OL]//2015 International Conference on Communications and Signal Processing (ICCSP). [S.l.]:IEEE,2015:1905-1909[2016-07-07]. http://dx.doi.org/10.1109/ICCSP.2015.7322856.

[42] CAMBOIM H B, VENANCIO NETO A J. Cloud enabled Smart video-Surveillance providing public safety assistance for vehicles[C/OL]//2015 Latin American Network Operations and Management Symposium (LANOMS). [S.l.]:IEEE,2015:109-110[2016-07-07]. http://dx.doi.org/10.1109/LANOMS.2015.7332680.

[43] CHEN Y L, CHEN T S, HUANG T W, et al. Intelligent Urban Video Surveillance System for Automatic Vehicle Detection and Tracking in Clouds[C/OL]//2013 IEEE 27th International Conference on Advanced Information Networking and Applications (AINA). [S.l.]:IEEE,2013:814-821[2016-07-07]. http://dx.doi.org/10.1109/AINA.2013.23.

[44] CHEN T A, LIN M F, CHIEUH T C, et al. An intelligent surveillance video analysis service in cloud environment[C/OL]//2015 International Carnahan Conference onSecurity Technology (ICCST).[S.l.]:IEEE,2015:1-6[2016-07-07]. http://dx.doi.org/10.1109/CCST.2015.7389648.

[45] ZHANG H T, HU S X, XU H, et al. Design of embedded video surveillance system based on quantum cryptography[C/OL]//2014 IEEE Workshop onAdvanced Research and Technology in Industry Applications (WARTIA). [S.l.]:IEEE,2014:914-918[2016-07-07]. http://dx.doi.org/10.1109/WARTIA.2014.6976422.

[46] ZONOOBI D, kASSIM A A. Low rank and sparse matrix reconstruction with partial support knowledge for surveillance video processing[C/OL]//2013 20th IEEE International Conference on Image Processing(ICIP). [S.l.]:IEEE,2013:335-339[2016-07-07]. http://dx.doi.org/10.1109/ICIP.2013.6738069.

[47] ZHANG S W, LIN Y P, LIU Q. Secure and Efficient Video Surveillance in Cloud Computing[C/OL]//2014 IEEE 11th International Conference on Mobile Ad Hoc and Sensor Systems(MASS). [S.l.]:IEEE,2014:222-226[2016-07-07]. http://dx.doi.org/10.1109/MASS.2014.37.

[48] RAMESH L, SHAH P. R-SpaRCS: An algorithm for foreground-background separation of compressively-sensed surveillance videos[C/OL]//2015 12th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS). [S.l.]:IEEE,2015:1-6[2016-07-07]. http://dx.doi.org/10.1109/AVSS.2015.7301773.

[49] WANG H L, CAI W Y, YANG J Y, et al. Design of HD video surveillance system for deep-Sea biological exploration[C/OL]//2015 IEEE 16th International Conference on Communication Technology (ICCT). [S.l.]:IEEE,2015:908-911[2016-07-07]. http://dx.doi.org/10.1109/ICCT.2015.7399971.

[50] GAO W, TIAN Y H, HUANG T J, et al. The IEEE 1857 Standard: Empowering Smart Video Surveillance Systems[J/OL].IEEE Intelligent Systems，2014,29(5):30-39[2016-07-07].http://dx.doi.org/10.1109/MIS.2013.101.

[51] WANG J Q, FU W, LU H Q, et al. Bilayer Sparse Topic Model for Scene Analysis in Imbalanced Surveillance Videos[J/OL].IEEE Transactions on Image Processing,2014,23(12):5198-5208[2016-07-07].http://dx.doi.org/10.1109/TIP.2014.2363408.

[52] 刘颖,范九伦,李宗,等. 现勘图像数据库检索技术实例探讨[J/OL]. 西安邮电大学学报,2015,20(3):11-20[2016-07-07].http://dx.chinadoi.cn/10.13682/j.issn.2095-6533.2015.03.002.

[53] 夏宇. 浅述公安视频监控系统现状与发展要求[J/OL]. 中国安防,2014(20):86-89[2016-07-07].http://dx.chinadoi.cn/10.3969/j.issn.1673-7873.2014.20.021.

[责任编辑:陈文学]

Bibliometric analysis of the novel techniques for surveillance video system based on IEEE Xplore

AI Da1, DENG Yanhong1, FAN An1， LING Nan2

(1. The Key Laboratory of Electronic Information Application Technology of Site-survey of The Ministry of Public Security,Xi’an University of Posts and Telecommunications, Xi’an 710121, China;2. Department of Computer Engineering, Santa Clara University, California, Santa Clara 95053, USA)

Surveillance video system is a comprehensive information system that covers the research area of video coding, pattern recognition, information security, storage, and network transmission. Research articles for surveillance video that have been published by IEEE Xplore in recent three years are surveyed and analyzed. A novel function classification framework with five layers is proposed. The application of cutting-edge technology in surveillance video system, covering the areas of wireless communication, machine learning, cloud computing, Big Data, high efficient video coding, etc., are quantitatively summarized. The result of the overview could help researchers in related research fields.

surveillance video, system architecture, video coding, pattern recognition, video retrieval bibliometric analysis

10.13682/j.issn.2095-6533.2016.06.013

2016-08-29

国家自然科学基金资助项目(61202183)；公安部科技强警专项资助项目(2016GABJC51)

艾达(1973-)，男，博士，副教授，从事数字视频图像处理研究。E-mail:aida@xupt.edu.cn 邓艳红(1988-)，女，硕士研究生，研究方向为刑侦图像处理。E-mail: 2522034984@qq.com

TP277

A 文章编号：2095-6533(2016)06-0065-08

限制，以上5个功能层次划分所对应的全部论文可根据表1中的

由文献[7]获取。