数码行业前景分析第1篇

>> 支持IEEE 1149.7标准的边界扫描控制器的设计与研究 海南禁约乡规（1857―1988） 视频压缩标准的技术原理及其发展 H.264视频压缩标准的研究 视频压缩编解码标准 标准大解析之IEEE1394的辉煌与悲情 基于ATmega128的IEEE标准电脑鼠硬件设计与实现 基于STM32的IEEE标准电脑鼠设计与实现 在高清视频监控时代人脸识别的公共安全应用 一种基于智能图像识别的远程视频监控系统 IEEE802.15.4标准的GTS时延分析 高效视频编码标准中的关键技术概述 关于“标准”的“标准” 视频领域常用压缩编解码标准综述 探讨基于IEEE 802.11标准无线局域网(WLAN)的安全漏动与防治对策 基于支持向量机的视频监控运动对象识别方法研究 标准书法与书法标准 标准！标准！强者的游戏 合理用药监控标准的研究与应用 创伤早期液体复苏终极标准的监控与探讨 常见问题解答 当前所在位置：

关键词：视频监控；视频编码；视频分析；AVS标准；AVS-S2

引言

视频监控是继数字电视、视频会议之后的又一个重大视频应用，而且日益成为“体量”最大的一个视频系统：千千万万个摄像头通过宽带网络联系在一起，形成了一张覆盖全球的“视听感知网”，从此人类社会的运行状态都被海量的摄像头采集下来。对大量摄像头采集的海量监控视频有效传输、存储、分析和识别是信息技术面临的重大挑战。

根据EMC委托IDC做的研究报告，2012年全球各种数据的总量为2.84ZB。到2020年，这个数字将上升到40ZB，IDC称之为“数字宇宙（Digital Universe）”。“数字宇宙”中有分析利用价值的部分才是目前热议的“大数据（Big Data）”，IDC估计2012年的数据中“大数据”占23%，2020年这个比例将增长到33%。据lDC测算，2010年“大数据”的一半是监控视频。2015年.监控视频所占比例会增长到65%。2020年仍将处于绝对领先地位，占44%（其次是25%的交易数据、20%的医疗数据、10%的娱乐和社交媒体）。

按照IDC的上述测算，2020年将有5.8ZB的监控视频需要进行存储、传输和分析。其中，中国所占比例将达到21%。也就是说，2020年在我国将有1.2ZB（12LTB）的监控视频需要处理。这是一个什么样的规模呢？据测算，人类历史上说过的所有的话都数字化也就是5EB，1.2ZB是其240倍！

面对如此海量的监控视频.需要对视频编码和分析技术进行基础性研究并实现重大突破。以北京为例，2008年奥运会前全市监控摄像头数量就超过了五十万个，每小时产生的视频时长就相当于中央电视台建台以来的所有库存视频。如果要在全市范围内调度、使用这些视频，即使全部采用当前的国家标准AVS或国际标准AVC/H.264，也需要S00000（摄像头）×10M（比特/秒/摄像头）=5000Gbps的网络带宽，这是目前的网络传输条件不可能支持的。这些监控视频往往要存储数周乃至数月，尽管是分散在各个单位和部门，但整个北京为存储监控视频付出的存储成本十分庞大。仍然按当前的视频标准压缩效率计算，每个小时产生的视频总量仍达到500000（摄像头）×3600（秒/小时）×10M（比特/秒/摄像头）=18000（Tb/小时）=2.25（PB/小时）。按照IDC对2012年存储价格保守估计，北京市每小时存储监控视频的成本需要2800万元，一个月的成本就是200亿。为了降低存储代价，往往只能以损失视频质量为代价，但这是和监控视频需要满足识别需要这个根本目的相抵触的。因此，从传输和存储成本考虑，都需要研究更高压缩效率的视频编码技术和标准。

2002年以前，我国的视频压缩一直直接采用国际视频编码标准。2002年后，为了支持国内音视频产业的健康发展，规避国际标准背后高额专利费当时已经不断出现的纠纷，工业和信息化部（原信息产业部）组织成立了数字音视频编解码技术标准工作组（简称AVS工作组）。此后，AVS工作组开始起草自主知识产权的国家标准《信息技术先进音视频编码》，并于2006年颁布为国家标准GB/T20090.2-2006。AVS的编码效率与同期国际标准MPEG-4 AVC/H.264相当，在图像质量基本不损失的前提下对高清视频的压缩效率能达到150：1（以下谈到压缩效率时同此条件）。当然，有些视频监控应用中用户将压缩效率参数设为600：1甚至更高，但图像质量损失严重，对后续的使用会带来负面影响，例如图像中对象识别率下降等。

从2007年开始，AVSI作组开始面向行业应用对GB/T 20090.2进行了定向扩展，开始制定面向视频监控应用的伸展档次（简称AVS-S），2009年起草完成。这个标准新增了面向视频监控的一些技术特性，但在编码效率这个核心指标方面并无明显提高，总体上处在与H.264相当的水平。认识到只有大幅度超越国际标准H.264，才能大幅度降低监控系统成本，AVSI作组从2010年3月开始启动了第二代视频监控标准（AVS-S2）的制定工作。2013年6月，包括AVS-S2在内的AVS视频编码标准由IEEE颁布为编号1857的标准。

AVS-S2的编码效率有了大幅度提升，主要是因为采用了背景建模技术，对监控视频的编码效率比H.264/AVC、以及2006年的AVS标准性能提高了一倍，编码效率达到300：1左右，达到当前最新国际标准H.265/HEVC同等的水平。

AVS-S2新增背景建模技术和感兴趣区域提取等两项技术，是国外任何其他编码标准所没有使用的。其中，背景建模技术同样可以用于增强其他国际标准的编码压缩性能，例如H.265/HEVC。实验表明.在H.265/HEVC参考软件中加入AVS-S2背景建模技术后，针对监控视频可以将其压缩效率再提高一倍，达到600：1左右。目前，AVS工作组正在将这套方法应用到正在制定AVS2标准中（称为AVS2-S），预计在监控视频编码方面将比H.265/HEVC高一倍，这将是国际范围内监控视频编码压缩效率的最高水平。

监控视频编码标准发展历程

视频编码研究的目标是通过各种技术手段大幅度降低视频码率，否则即使是单路数字视频都难以正常传输。以高清晰度视频为例，每秒钟的数据量为1920×1080×24比特×30帧每秒=1492992000比特每秒，约1.5Gbps，即使以今天的带宽条件，传输这样的一路视频都耗资巨大，当时的通信条件便更加难以企及。因此.从1952年贝尔实验室Cutler等人进行DPCM fDifferential Pulse Code Modulation）技术研究以来，视频编码技术一直得到高度重视和持续研究。

上世纪80年代，为了数字电视和视频通信的需要，国际标准组织开始综合已有技术成果来制定视频编码标准，形成了以块为单元的预测加变换的混合编码框架（block-based hybrid coding framework），并相继出台了ITU-T H.261/H.262/H.263/H.264视频编码建议和ISO/IEC MPEG-1/MPEG-2/MPEG-4视频编码标准。其中，国际标准化组织（ISO）和国际电工技术委员会（IEC）在1994年出台的MPEG-2标准在数字电视领域得到了广泛采用，压缩效率可以达到75：1，可以把原来一路1.5Gbps的高清视频流编码压缩到20Mbps左右。国际电信联盟1995年出台的H.263标准也是同一时代的技术，在视频会议领域得到广泛应用。第一代数字视频监控系统主要采用MPEG-2或H.263标准，某些系统出于实现成本考虑还对标准进行了一定的简化。

2003年第二代视频编码技术国际标准。国际标准为ITU-T H.264和ISO/IEC MPEG-4 AVC，系同一套技术标准文本由两个渠道出版。因为前面提到的原因，我国在国际标准约一年之后制定出了自主知识产权的国家标准，并经过芯片实现等产业化验证后，于2006年2月颁布为《信息技术先进音视频编码第二部分视频》国家标准（国标号GB/T20090.2-2006，通常简称为AVS视频编码标准）。4个月后，微软主导的VC-1视频编码标准由美国电影电视工程师协会SMPTE颁布为行业标准。这三个标准通常被称为第二代视频编码标准的三个代表，其编码效率均比第一代提高了一倍，编码压缩效率达到150：1左右，即可以把一路高清视频压缩到10Mbps左右。第二代标准在数字电视和视频通信领域得到应用后，也很快被视频监控系统所采用。目前基于IP的网络视频监控系统，主要采用H.264标准。但厂商为了降低成本，往往会把标准中较为复杂的编码工具剪裁掉，而不同厂商剪裁的方式又各不相同，因此虽然都号称基于H.264标准，但不同厂商的产品间之间是难以互联互通，需要使用软件或者硬件转码器进行转换。

2013年上半年，第三代视频编码国际标准（ITU-T H.265，ISO/IECHEVC）即将颁布，其视频编码效率比H.264提高一倍，也被监控行业寄予厚望。但是，视频编码标准的更新换代和压缩效率的提高，都是以更高的计算复杂性换来的，压缩效率提高一倍，计算复杂度往往要提高五倍甚至更多，从而导致编码器/编码芯片价格居高不下。据分析，HEVC解码器/解码芯片复杂度与比H.264增加一倍左右，但是编码器复杂度是H.264的四倍以上，因此HEVC实时编码器/编码芯片的开发还需要一段时间。对于电视广播来说，每个频道一台编码器就可以服务亿万用户，因此编码器复杂度高、价格高不是大问题。但是，视频监控与数字电视恰恰相反，解码器需求不多（很多视频可能从未解码查看过），但每个摄像头都需要一颗编码器，这就要求在提高压缩效率的同时，编码算法复杂度应该保持较低的水平。

在面向数字电视的视频编码国家标准于2006年颁布后，我国AVS工作组开始着手面向行业应用对已颁布国标进行了定向扩展。从2007年开始，在2006年国标的基准档次（面向数字电视）基础上，相继扩展出加强档次（面向高清电影等应用）、伸展档次（面向视频监控等应用）和移动档次（面向手机流媒体等应用）三个部分。其中伸展档次（简称AVS-S）是全球第一个针对视频监控应用制定的视频编码标准。

AVS-S制定工作起始于2007年开始，需求分析是在国家有关部门和视频监控行业多家企业共同参与下完成的。经过两年的努力.通过在基准档次的基础上增加适合监控视频特点的专用工具，于2009年完成了“伸展档次”（简称AVS-S）。该标准针对视频监控全天候工作的特点，以监控现场的视频序列为测试基准，通过竞争方式选择、评估合适的视频编码技术制定而成。AVS-S不仅能够提高典型监控场景的编码效率，支持单色、彩色、红外序列编码，而且具有更强的抗误码特性和网络适应性，具有时域可伸缩性，能够满足视频监控网络传输条件复杂的要求。更进一步，该标准还提供了基于灵活条带和条带集的感兴趣区域编码方法，能够支持图像区域标记、区域事件标记、摄像机标记等监控要求，并为感兴趣区域检测、对象分割、对象跟踪等智能应用和标准扩展预留了空间。

我国数字电视产业广泛使用AVS的重要原因是国外组织对采用国际标准的企业和运营商征收高额专利费，这个问题在视频监控行业并不明显，因此监控产业界转换到这样一个效率相当的新标准的动力不足。通过与视频监控行业的企业和应用单位的交流和调研，AVS工作组判断，只有编码效率大幅度超越H.264，才能大幅度直接降低监控系统成本，新标准才有得到应用的可能。基于这个原因，2010年3月，AVS工作组启动了第二代视频监控标准（AVS-S2）的制定工作。AVS-S2针对监控场景固定的特点，在传统基于块划分的混合编码框架的基础上，添加了基于背景帧的预测编码技术，形成了新的编码框架。与传统基于块划分的混合编码框架相区别.AVS-S2的编码框架中包含新加入的背景建模单元、更新的基于背景帧的帧间运动补偿预测单元、背景帧缓存以及与背景建模和背景帧预测相关的控制逻辑，并在2011年底完成了标准起草工作。2012年，面向立体电视和高清电视的AVS+标准制定完成，并被国家广电总局颁布为行业标准，AVS+新增的一个重要工具是高级熵编码，这个工具也同样可以用于AVS-S2。包含所有这些工具的新版AVS标准于2012年10月通过了IEEE标准委员会设定的会员投票程序.于2013年3月获得IEEE标准委员会会议的审核通过，2013年6月上旬印刷颁布为IEEE1857标准。

AVS-S2监控视频编码背景建模技术

AVS标准的一个重要技术特色是针对应用需要制定简洁高效的标准方案和算法组合，2006年颁布的AVS国家标准是针对数字电视需要而设计的，在变换、量化、熵编码、帧内预测、帧间预测、环路滤波等方面提出了一系列的新技术，在解码复杂度只有H.264的70%、编码复杂度只有H.264的30%的情况下，获得了与H.264相当的编码效率。

与H.265再次提高编码复杂度的做法不同，AVS-S2大幅度提高编码效率的主要“秘诀”是针对监控视频场景长期不变的特点，通过背景建模的方式去除7大量存在的“场景冗余”。监控视频与传统影视视频最大的不同在于其拍摄范围限定在一定场景中，“场景”冗余是传统视频编码方法没有深挖的“大金矿”。AVS-S2通过对监控背景和前景进行建模，大幅度提高了编码效率。对于固定摄像机拍摄的监控视频，通过背景建模和前景学习能够将编码效率提高一倍左右，这是编码领域的一个重要创新，下面具体介绍AVS-S2增加的背景建模技术。

首先，AVS-S2在传统基于块划分的混合编码框架的基础上，添加了纯背景帧预测编码技术，形成了新的编码框架。与传统基于块划分的混合编码框架相区别，AVS-S2的编码框架中包含新加入的背景建模单元（其目的是构造一个不含前景对象的纯背景，从而为后续图像的编码提供更好的参考）、更新的基于背景帧的帧间运动补偿预测单元、背景帧缓存以及与背景建模和背景帧预测相关的控制逻辑（蓝色标记），如图1所示。

其次.AVS-S2继承并改进了AVS-S中的背景预测技术。AVS-S2使用背景帧（G帧）来编码表示场景信息的背景图像，并扩展语法元素定义以保证该背景图像不显示输出。同时，AVS-S2沿用了AVS-S中可以零矢量参考G帧的背景预测帧（S帧）。

第三，更进一步地，在AVS-S2中，每一个P帧在图像层语法元素中，既可以选择以最近两帧为参考图像，也可以选择以最近参考帧和G帧为参考图像进行编码。G，S，P帧参考方式可以如图2所示。

第四，AVS-S2采纳了可选差分编码技术，该方法下的编解码流程如图3所示。

对于每一个P帧的宏块，除使用现有编码方法外，可以选择性的使用“最近参考帧与背景图像的差分结果”来对“当前宏块与其对应背景差分结果”进行预测编码，这种预测编码方式我们定义为差分编码方式。当前宏块编码为差分方式时，三处选择开关如图4所示：否则，将三处开关切换至另一端即为现有混合编码框架中的编码方式。

第五，在使用不显示输出的背景帧做参考图像时，为了保证运动矢量预测值的计算过程不发生除零错误并且提高预测值的准确性，AVS-S2改进了亮度运动矢量导出算法，对直接或间接参考不显示输出的背景帧时的运动矢量预测过程进行了特殊处理。

第六，为了保证在编码不显示输出的背景帧时不产生解码缓冲区溢出和播放停顿，AVS-S2改进了缓冲区检测机制，将不显示输出背景帧跟其后一帧绑定移出缓冲区。

第七，AVS-S2中沿用了AVS.s的提高抗误码性的技术如灵活条带集、核心图像、受限Dc模式、支持各类监控标记的语法元素、非参考P帧以及改进型的运动矢量缩放、自适应加权量化等技术改进。

集成背景建模和可选差分技术的监控视频编码框架如图5。这一方案的重要贡献是实现了模型编码（背景建模和前景编码）与现行标准的有机结合，为在现行视频编码标准中纳入模型编码方法开辟了一个有效途径。

集成上述所有技术的AVS监控视频编码标准已经作为AVS视频标准独具特色的一个档次，于2013年颁布为IEEE 1857国际标准。IEEE AVS标准中的监控档次（即AVS-S2）是AVS既有技术的集大成者，是全球第一个面向视频监控的国际标准。

以十个典型监控视频作为测试序列，将AVS-S2和国际标准H.264的高级档（High Profile）、AVS国家标准基准档（GB/T 20090.2-2006）和2012年的AVS广播档（AVS+）进行对比，对比软件均采用这些标准最新版本的参考软件。表1是AVS监控档次相对于其它三个标准的码率节省情况。从表中可以看出，在压缩这些监控视频序列时，AVS-S2与其它三个标准档次相比，平均码率节省都超过了50%，即编码效率是它们的两倍。

基于背景建模的编码方法实质上是消除常规标准没能消除的“场景冗余”，因此同样用于提高其它视频编码标准的效率。我们将这套方法增强即将颁布的国际标准HEVC（H.265），同样用上述十个监控视频序列和HEVC参考软件进行对比，实验表明能将HEVC的码率平均再降低44.78%，而且复杂度降低46.53%，即用约一半的复杂度实现了编码效率的翻番，压缩效率达到现行国际标准H.264的近四倍。我们正在将这套方法用到正在制定AVS2标准中（称为AVS2-S），预计在监控视频编码方面比HEVC高一倍，这是国际范围内监控视频编码效率的最高水平。

结束语

从1996年我国专家第一次参加视频编码国际标准ISO/[EC MPEG会议算起，我国在追赶和超越视频编码国际标准方面已经走过17年的历程。2002年AVS标准工作组的成立是我国在这一领域走向自主发展的标志性事件。如果说2006年GB/T 20090.2视频编码国家标准的颁布是我国打了一个漂亮的翻身仗的话，2013年IEE批准AVS则是AVS全面走向国际的新里程碑。

IEEE AVS中独具特色的一个部分是针对视频监控应用的档次AVS-S2。AVS-S2的编码效率是H.264/AVC的两倍，而且编码复杂度只有后者的二分之一。这套消除监控视频“场景冗余”的背景建模技术还能将H.265/HEVC国际标准的效率提高约一倍，在监控视频编码领域遥遥领先，标志着我国的视频编码技术和标准在视频监控领域已经实现跨越。

数码行业前景分析第2篇

关键词：门禁系统；旅游景区；经营决策；拓展应用

中图分类号：X924.3；F592.7 文献标识码：A 文章编号：1007-9416（2017）01-0001-04

1 绪论

本文将对门禁系统功能的深入剖析，借助全新互联网、计算机管控手段，加大、化国内旅游景区门禁系统功能性的饱和使用需求，完善景区门禁系统文化性、功能性、便捷性、安全性、观赏性及品牌性需求，满足通过门禁系统功能营销宣传、游客信息数据采集、系统二次分析过滤、景区游客分流调配、提升验证速度与通关时间等衍生功能。通过对景区门禁系统的合理运用，提升景区整体运行效率、缩减人工作业量等相关功能、合理调控人工成本，实现景区创收目的。

2 旅游景区门禁的管理现状、需求及管理现状

2.1 国内景区门禁的发展情况

目前建设智慧景区已形成了国内旅游景区发展的趋势，对景区门禁系统的不断升级优化，也成为大量景区工作的重点。通过走访及通过查阅景区运营、门禁系统管理、门禁系统开发相关论文，以及景区工作人员及旅行社调研，通过所获取理论支撑，就目前而言，以张家界风景区、大理风景区、泰山风景区为例，国内外景区对于景区门禁系统功能要求认识仍不够明确，目前的研究停滞在仅对景区门禁系统的便捷性进行优化、对通过性进行调整，并未对景区门禁系统的拓展得以深入研究、探讨。

2.2 国内门禁系统存在问题

目前国内及国外景区的门禁形式一般为三棍闸、翼闸、摆闸及旋转闸机四种基本硬件形式。其中三棍闸结构简单、实用性强，能够一人一闸、便于数据记录、不易尾随进入等特点，成为目前国内景区主要使用的门禁形式。但目前国内外大多数景区仍采取人工手撕票根、一维码扫描等方式检票入园，仍停留在对入园凭证验证的便利性方向，而从未对景区门禁系统的拓展功能性进行研究。

3 旅游景区门禁的概要设计

3.1 门禁的由来

门禁，简单的来说就是区域权属的一种证明方式。门禁概念，在自然界哺乳动物出现时，就已形成。初期的门禁系统可以理解为动物本能的一种领地保护。大型哺乳动物出现时，在自己的领地范围留下排泄物作为“门禁标识”，形成最初的门禁系统，告知其他动物此地有主，非请勿入形成了最初的门禁系统级门禁流程。

3.2 门禁在人类文明中的发展

门禁系统是事物必经发展的产物，在人类文明兴起后，篝火、树木、均成为门禁阻挡手段，门禁系统的雏形更加明确。在数字技术网络技术飞速发展的今天，门禁技术得到了迅猛的发展。门禁系统早已超越了单纯的门道及钥匙管理，它已经逐渐发展成为一套完整的出入管理系统。现代智能门禁系统一般运用单片机技术，通过RS485、TCP/IP协议，借助windows平台，运用通讯芯片、识别芯片等硬件设备完成通讯及动作控制。就目前而言，RS485与TCP/IP技术为主流技术，使用广泛，但就RS485与TCP/iP也依然用有各自的优势。RS485：由多台控制器通过双绞线与RS485通讯总线相连通，一头连接RS485的转换器另一头连接计算机串口，完成计算机与门禁控制系统的连接与通讯管理。

3.3 景区未来发展方向――主题形象包装

旅游景区的门禁，是游客对景区直观体验的首道窗口。在新常态下的景区服务要求，门禁系统的功能性、便捷性、体验性要求更高。通过地标性建筑及优秀外包的留影，对于景区经营相当于产生了景区潜在的宣传途径，且本途径起到了几何倍数的宣传效果，如深圳世界之窗景区的门禁系统外包――大瀑布；深圳欢乐谷门禁――采用食街、商店环抱型；珠海长隆景区――歇脚长廊等，均具备了地标性或地标性与功能性相结合方式形成。

（1）目前外包存在的问题。目前我国多数景区的不重视景区门禁系统的外包装，或者是将其作为景区开发后的“补丁工程”，使游客无法得到切实的体验效果。风格化统一性极差，材料多用一些常见材料，无法与景区主题相融合，如采用塑料、不锈钢类金属等，样式形状也不考究，与景区文化缺乏内在关联。未考虑观赏者的舒适度和审美要求，完全不能满足游客合影留念、地标拍摄需求。

（2）门禁指示存在的问题。游客首次入园，标识不明确的前提下无法正确选择出、入园通道及渠道入园通道等，对游客体验性、便利性体验大打折扣。根据5A景区评选标准，所有指示牌需至少3语标注，目前大部分景区无法做到3语标注，且标注字体无法与整体建筑风格相统一。同时，在标识表述语言生硬，且在英语翻译时不能够根据环境、风格、需求进行合理翻译，生搬硬翻，对境外游客造成诸多啼笑皆非的事情。更有甚者用汉语拼音代替英语翻译，贻笑大方。

（3）门禁配套维护存在问题。目前国内华侨城景区、万达景区、长隆景区等大型景区运营机构已经开始重视了景区门禁外包，达到门禁与风格进行统一，但大量中小型景区或部分老旧景区鲜有外包功能的景区门禁系统。但已考虑到外包风格化的景区，却未能很好的进行维护，造成功能良好，但外包装破损、褪色严重，直接造成游客体现性差，口碑下降。

（4）门禁外包设置的效果与功能。通过对景区门禁系统有效包装，达到环境统一性要求，不仅在美观程度上得以提升，更对景区宣传起到潜在作用。游客合影后，宣传覆盖面将成几何倍数增长，在口碑宣传方面凸显不可估量的作用。

3.4 景区未来发展方向――功能性拓展

（1）现代的年轻群体，每人均拥有不少于一种无线支付手段，如：微信、支付宝、NFC等，且能够熟练操作支付功能。作为一线城市的青年人，工作打拼是主题词，时间对于年轻人即为奢望，不愿意采用现金支付手段耗费大量时间排队购票，更希望通过网络、微信、支付宝等支付平台预订支付，缩减轮候时间。目前，国内大量团购网站、景区官网或其他网络预订平台均有优惠活动，颇受青年群体欢迎。

（2）官网预定，凭身份证自助通关。大量网络平台数据可与景区闸机相关联，通过信息录入数据与闸机验票功能联动，通过线上缴费功能支持，形成身份证自动验证、鉴别入园游客的身份、完成游客的出入控制功能。同时，景区可与酒店合作，通过刷房卡直接入园，相关费用计入房卡后台，按月度为单位与景区进行后台结算。

（3）将门票售卖后台与门禁验票相关联。根据大粤网2016年8月14日报道，高栏港区温泉派出所破获一起涉及海泉湾海洋温泉度假村门票1800余张，涉案金额高达30多万元的重大假票案件。当前科技下仍有大量不法分子制假、售假门票，以谋取非法利益，造成景^运营企业利润大幅损失，更造成景区形象下降、游客游览受阻等大量问题。

（4）全方位系统协调保证运营效率。通过增加多渠道票务采购与验证方式，提升游客满意度与通关效率，如：身份证验证票务、房卡验证票务、自助票、条码验证人员，设立专用通道独立进入，在游客数量激增时，临时改变通道属性以满足激增游客分流行为。能够允许部分闸口工作人员由闸口服务职能转化为闸口监督与引导职能。

3.5 优化通行速率

（1）进、出门禁快速调节。在景区运营中，进、出门禁潮汐现象明显。开园高峰期，短时间内大批游客涌入，此时出园游客屈指可数；在闭园时，大批游客蜂拥而出。现有景区闸口均为单向闸口，只能单向计数，无法再需要时完成出入园闸机快速转换。

在未来的高科技门禁系统中，闸机将形成双向计数功能，通过软件控制、硬件支持，完成进园、出园通过快速调整，机动调整闸机通过数量，大幅增加游客入园及出园效率。

（2）设置自助通关闸道。自助通关闸道，是针对传统的人工售检票方式推出的运用计算机网络系统，完成的游客自助购验票设备。游客通过网络预订、自助购票机购票等渠道获得纸质条形码、RFID卡、磁卡等介质手段验证凭证，通过自助刷、验票的方式通关，完成门禁审核工作。

检票设备主要由检票闸机、无线手持检票机、无障碍检票机、应急刷卡器组成。具有远程控制系统，包含：紧急模式、关闭模式、正常模式。闸机电路图如图1所示。

（3）加强行业合作、优化运营模式。旅游景区门禁系统不仅可以独自形成“局域网电子门禁系统”，更可以与同行业门禁、酒店门禁、餐饮会员、知名品牌会员等合作，建设成“本地局域网系统+互联网电子商务系统”的模式，实现网上订票、现场取票、现场验票、使用套票等为一体的大型电子票务系统。同时，通过企业间强强联合更可以实现景区合作推广、运营，实现景区套票操作、统一管理等营销先进模式。

3.6 景区未来发展方向――拓展管理形式

（1）便于票务系统管理。根据景区客源不同，设置门票种类、名称、票价、有效期等栏目。满足景区数据统计需求，实现某天、某时段、票务种类、客源分布能信息采集，实现数据调取，数据检索等功能，为后期市场分析数据调取、运营决策提供有力支持，方便快速调取数据，完成数据比对。

（2）便于财务管理。计算机处理的数据，有效性及准确性将远高于传统人工数据处理措施。通过入园时大数据的记录，通过数据库数据综合分类、筛选生成报表。实现准确性、及时性需求。

（3）维护客户关系。针对旅游景区主要合作单位，如：旅行社、合作单位、政府接待办、企事业单位接待等，实现合作单位对景区合作数据进行分析、共享。

（4）售票相关。通过售票管理终端系统，可以对景区门票种类进行有效分类管理，实现多票种分类。避免因票种较多，而造成票务混乱，人工记录错误情况。同时，实现散客票、团体大票、半价票、企业票等票种分类，集中打印领取、通过网络自助下载电子票根（二维码、条码）、自助售票机领取，甚至通过官网、APP网络下单等方式记录个人信息，现场刷身份证进行识别进入。通过现金、转账、刷卡、支付宝、微信等多重手段完成支付。

3.7 景区未来发展方向――安全性防护

闸道形成功能分属，形成游客自助通关闸道（包含身份证、一维码、二维码、数字序号识别功能）、手撕票应急检验通道（考虑设备检修或免票人员等不具备自助通关操作功能人员，由工作人员操作）、员工通关闸道、应急变化“潮汐”闸道等。同时，所有闸道具备一键降闸功能，防止在极端条件下游客“闯闸”，而造成游客事故等重大安全隐患，在极端条件下，游客情绪格外激动，场面无法控制的前提下，可选择降闸，缓解游客冲关时可能造成的安全隐患，经营为安全让步。

3.8 景区未来发展方向――隐含性分流

通过网络预订，或通过门票二维码扫描过导览图的游客信息均被票务管理系统完成信息采集，根据景区内部游客密集度分布，在人工干预下向游客的手机发送引导信息，引导游客观看下一场演出、引导游客去往游客稀少区域、甚至实现游客失物招领等功能。不仅满足了游客分流的目的，减轻游客滞留隐患，提升游客满意度。

（1）手机形成景区网络终端。所有通过网络预订门票、一维码及二维码电子门票、NFC支付、app_pay等手段，均需通过手机支持。在使用手机操作与景区相关业务时，手机均将自动关注景区公众号或通过APP进行落实。

（2）门票体现景区服务二维码。门票加印景区APP或景区公众号二维码，所有持有纸质门票的游客，通过下载或关注的方式，加入景区网络系统，形成网络终端。

（3）景区app或公众号内置导览地图。在景区的服务公众号或APP内，添加景区导览地图插件，通过手机GPS模块相关联，形成区域导览系统，吸引游客关注。在导览图中，可以根据系统时间，推送景区表演场次、演出票配送情况等信息，引导游客合理安排游览线路。

4 旅游景区门禁的详细设计

4.1 景区传统门禁系统

传统意义上的景区门禁系统，仅作为计费手段、验证手段，采用人工撕票、手动抬闸等方式进行，处于初期门禁系统，工作效率低、通行速度慢、信息采集功能缺失。当时，计算机技术应用并不广泛，无法实现计算机延伸应用技术。

4.2 本文将解决的门禁欠缺功能

旅游景区的门禁系统，需要满足验票功能性需求，更要满足景区风格化统一、便捷性提升、功能性拓展、数据性添加、安全性防护等系列功能。

景区门禁系统，分为软件与硬件两部分。硬件包含基建工程、环境整体规划工程等，满足文化性、保证主题需求；软件包含计算机系统与网络系统等功能，通过相互配合满足票务销售与检票识别两大核心功能。

4.3 票务管理系统

（1）票务管理后台。票务管理后台，通过计算机与网络手段优化传统操作功能，而开发的包含门禁控制、票务管理、财务统计、查询报表等各专项功能的软件系统。系统以景区“购票―验票―财务记录”的基本运作方式为模型，将其中人工处理较多、计算量大且流程繁琐的重复性劳动通过计算机功能进行替代。每个子系统独立运作、后台共享，实现各职能部门人工劳动力得以优化，通过各子系统之间相互通信协同作业，通过计算机与网络手段共同完成景区票务运营工作。

（2）票务监控管理。后台管理系统对各业务部门、入园信息量、游客调研数据量进行收集、统计以及统筹管理，便于景区负责人实时掌握景区动态。本系统不仅对检票、售票运行情况进行时时有效查询和监督，更可根据景区现有人流情况采取相应处置措施，通过多重手段增加景区经营收入或合理调控人工成本与人工安排。财务管理系统通过票务计算读取底层数据，主要完成整个景区的票务管理数据提取与分析、预付款管理等功能。

4.4 检票管理系统

4.4.1 检票系统的功能实现

检票系统由监控程序和后台控制程序组成（如图2所示），监控程序的主要功能是在游客持有效信息条码或其他介质，通过光电感应器与门控器形成通信，完成门票代码及准入次数信息的读取与记录、数据读回同步等操作，记录检票情况并写入数据库。由于门控器的存储容量有限，可能不能够容纳下全部门票信息，这时监控程序要参与检票。监控后台程序采用TCP/IP方式与前台票务管理子系统通信，为远程控制数据下装、读回提供了接口。监控后台程序的另一个重要功能是监视监控程序的运行。系统主要完成门票（条码）识别、合法性检查、处理结果回送、门票信息记录、相关数据统计、查询等功能。该子系统与后台票务系统一起构成了旅游景区条码门禁系统。整个系统用来为景区的科学管理提供帮助，为景区的发展计划提供决策支持，同时也有利于提高工作效率。

4.4.2 主要硬件配置

光电读取器（刷卡机）、控制器、三棍闸机。

光电读取器：工作电压：9-14VDC；读取时间：不高于90ms；输出格式：Wiegand26bit；频率13.56MHz。

控制器：可连接不少于2个通用接口的控制器；具有反潜回功能；使用TCP/IP通讯协议。

三棍闸机：具备紧急控制功能；劝阻级访问控制；具有防尾随进入控制功能。

5 票务系统运行流程

5.1 景区门票的定义

景区门票即是由旅游企业在国家相关监督部门的管理下，制作、发行、销售并监管使用的一种有价票证。作为景区门票（包含电子门票），除去验证的功能后，更需要经过复杂的财务工作流程，获取相应信息。门票需要经过入库、出库、销售、检票等几个主要环节，所有数据由财务管理系统进行统计、收集。

（1）数据采集。纸质门票票根在印刷完毕后，统一交由财务部门管理，但此时票面为空白页。门票票根从票库发放至闸口票务打印机端口后，根据游客购票意愿，收费、打印门票；电子门票，从缴费开始，在系统中生成密钥（密钥即为本文所述一维码、二维码、身份证识别等方式），发送至游客手持终端，此时系统内部记录票务整体有效数量，作为入库门票统计数据。

（2）票务出售。票务工作人员将门票分配给不同的售票渠道出售，该门票除纸质形式门票外，还包含电子门票等相关形态。目前票务数据一般通过条形码作为密钥，完成票务数据传输与记录。条形码、二维码，具有信息存储量大、结构简单、介质广泛、容错能力强、破译可靠性强、制作成本低廉等特点。

由于计算机技术与网络技术的不断发展，游客通过网络途径或者手机APP的途径预订门票后，二维码具有更好的加密功能，且通过手机推送的二维码相比纸质门票来说成本更为低廉，安全性更好，所包含信息量更大，所以通过二维码推送的游客可通过手机屏幕对二维码实现扫码验证功能。且目前来看，二维码扫码通P逐渐被现有游客所接受。

5.2 检票过程

（1）票面信息识读。通过纸质门票背后条形码、手机二维码或身份证信息进行读取等方式进行刷卡识别。同时，设置自动补票功能，如有因儿童超高、老年人年龄不够等原因需要补票，手持检票机可自动生成收款二维码，由游客通过微信、支付宝等方式实现现场补票功能。检票人员不触碰现金，避免财务渎职问题。

（2）门控器判断。通过票面信息识读，扫描器将扫描信息进行分析、识别并上传，在后台管理系统根据系统指令与所读取的信息进行统一判断，确定是否允许通过、抬闸。主要通过门控器实现验证操作。所谓门控器，就是门禁系统的主要识别动作系统之一，是控制核心单片机的主要部分，核心为一个24MHz主频的51单片机，存储容量为480KB。一般运用RS485通信协议监测各个马鞍体，监测扫描器是否有检票动作，并采用RS232协议与计算机通信。所有售票信息，存放于门控器中，当游客检票时实现查行动作，验证不通过怎禁止抬闸，如验证正确，则给与准入抬闸命令。

（3）计算机与系统预留信息比对。上传信息如与售票信息（含预定信息等）相匹配，符合开闸要求，门控器自动识别开启执行命令；如果不符合开闸要求，则提出禁止开闸指令。闸道管理人员看到不予通过信息出现时，应予以制止游客进入。

（4）验证说明。根据计算机判断指令，在闸机界面进行反馈，验证通过或禁止进入信息，并在检票机上进行图像反馈。

（5）闸机作用。通过计算机判定，此票有效，则准予抬闸；如果闸机未能验证通过，则根据票面显示状态予以反馈，如：票已使用、该票不存在、无效票等。

（6）游客持票入场检票识读。检票只需将条码门票、手机显示二维码、身份证等具有门票信息存储介质，平铺于闸机读码器上方，由光电识读设备读取。读取信息提交门控器判断，门控器将识别票面信息并与出票机房数据比对，执行通过或拒绝命令。

5.3 票务监控流程

每天定时汇总统计入园及售票游客数据，并向相关职能管理人员定时发送，如遇黄金周等特殊高峰期，可增加发送密集程度。由景区管理人员根据激增游客量，采取应急措施。

后台服务器自行统计门票销售、入场日报表、门票分类报表等信息，定时生成报表，提供景区负责人与相关业务部门参考。

6 结语

就这套门禁系统硬件的基础功能来说，国内部分旅游景区通过多年的运行，系统基本稳定。以山东枣庄台儿庄古城为例，该景区门禁系统目前来说可以成为国内一流水准，其门禁外包、功能配套拥有了国内最先进的设计里面，完全符合本文设计思路与功能配置。从硬件来说，游客通行速率极快，同时验证通过率及准确率极高；第二，其后台系统，通过服务器进行分析，能够第一时间自动生成景区各项分类报表、汇总报表，能够为景区日常运营分析，提供必要的数据支持；第三，其门禁外包极具景区风格特色，达到了口碑传播硬件效果。同时，广东片区欢乐谷、东部华侨城、锦绣中华；华东片区徐州潘安湖湿地片区、冠世榴园、三孔景区；山西乌金山欢乐世界、大同云冈石窟、乔家大院等景区均已采取此类门禁系统设计思路，目前来看整体运营平稳，取得了大量意外收获。

参考文献

[1]陈有君.基于“3S”的大理风景区数字化建设与应用[J].大理学院学报，2009（8）.

[2]游鹎澹李苏剑，张益强，等.无线射频识别技术（RFID）理论与应用[M].北京：电子工业出版社，2004：95-121.

[3]张波.智能化门禁系统的设计与实践[J].河南科学，2004（1）.

[4]李华丰.景区电子门票系统的设计与实现[D].西南交通大学，2005.

数码行业前景分析第3篇

[关键词]计算机图形；艺术设计：现状；就业

计算机图形设计随着社会的不断进步和人们观念的提高而不断发展。通过计算机软硬件的进步，计算机绘图软件也逐渐成为设计行业表现手段的主流。所谓计算机数码图形就是设计师通过计算机技术表现设计意图，最终以电脑图像的方式告知客户，使客户清晰理解设计师的设计意图和创意，是一种对比传统手绘更为直接，更加有效的表现方式。

一、计算机数码图形艺术设计的起源

计算机的出现和应用，使我们的生活日新月异。计算机数码图形起源于计算器图形软件技术的产生，计算机数码图形辅助设计的研究构想发端于20世纪50年代，但最早应用的计算机图形技术是在1963年，美国麻省理工学院的研究人员伊凡・苏泽兰特在美国计算机联合会会议上发表名为《画板》的博士论文，从此开始了计算机图形设计的发展历程。他从1950年开始开发通过图形技术来处理人与计算机交互对话的操作系统。1963年，这套以主机、显示屏、光电笔和键盘为工作的图形画线系统得到实现。，这套图形画线系统的开发，使用户可以运用电脑画出直线、复杂曲线以及简单的标准部件。

我国计算机图形技术起源于20世纪70年代，与国外计算机图形技术发展的轨迹相似，国内计算机图形技术的研究与发展基本上是从各高等院校发展起来的。20世纪90年代，随着我国现代化进程的迅猛发展以及计算机的普及，在艺术设计领域中，计算机数码图形技术开始逐渐被人们应用和认可。

二、我国计算机数码图形艺术设计的现状

中国数码图形行业近几年来一直保持着高速发展的状态，备受瞩目。目前，数码图形行业在我国已经形成一个以技术为基础的视觉艺术创意产业。关于这个行业目前的现状如何，主要从事哪些领域，以及发展趋势和就业前景，都有很大的分析价值和探究意义。我国数码图形行业起步大约是从2000年开始，经历了10年的发展，在北京、上海、广州、武汉等几个大的城市，有着相当好的发展势头，但相对于美国等国外发达国家而言，我国的计算机数码图形行业仍然处在相对幼稚的发展阶段。随着以计算机为主要工具进行视觉设计和生产的一系列相关产业的形成，数码图形的概念正随着应用领域的拓展在不断扩大，并在不同领域中呈现出不同的特点和趋势。

数码图形行业是电脑技术和创意艺术的结合体，几乎涵盖了计算机技术进行的所有视觉艺术创作，包括游戏美术、三维动画、影视多媒体特效、建筑设计等。纵观2010年我国数码图形行业发展状况，主要体现在以下四个领域：建筑效果图、影视制作、动漫设计和游戏美术。

1.建筑效果图。是指以虚拟现实技术为基础，以建筑产品为对象的设计手段，充分地利用了模拟仿真技术，主要通过图形软件实现。建筑师可以虚构出一个三维场景，用动态交互的方式全方位展示自己的作品，让客户和消费者进行身临其境的观赏。数码图形技术带出的建筑可视化产业，拥有着广阔的市场前景，但目前国内建筑师在这方面的技术大多处于中低端水平，导致市场竞争异常激烈。

2.影视制作。数码图形影视制作主要体现在影视后期加工、栏目包装和电视广告设计等方面，运用电脑合成特效去实现摄像机和人工道具无法实现效果，在更好达到制作者意愿要求的同时，也给广大电影电视观众带来了前所未有的视觉盛宴。国内每年都会推出几部以追求极致画面水平和场景的电影电视作品，并且在商业运作机制的配合下，大都取得了相当可观的赢利效果。然而，由于数码图形影视制作的成本极高，市场容量有限，再加上影视观众口味的日益挑剔，其带来的商业赢利效果在逐步弱化。

3.动漫艺术。它是数码图形行业中最为人熟知的领域。近些年来，随着国外电影类动画大片在国内的火热上映，精彩逼真的视觉效果带来的巨大赢利，引发了我国动漫艺术产业革命的爆发。在政府的大力扶持下，我国培养出了大批动漫艺术专业人才，与此同时，从事动漫艺术开发创作的企业也日益增多，国产动漫作品也如同雨后春笋般相继诞生。

4.游戏美术。相比于前面三个领域，从发展前景还是最终赢利效果上来看，数码图形游戏美术产业都明显优胜。

凭借令人瞩目的发展速度和不断丰富的产业元素，网络游戏出版产业正对经济社会发展和人们的文化休闲生活产生越来越大的影响，成为我国文化创意产业中不可或缺的重要组成部分。

三、数码图形行业就业分析

数码图形行业的就业情况是近些年来的热议问题。通过上述对2010年数码图形行业四大领域的市场状况分析。从人才需求的角度上来看，目前，建筑可视化领域缺乏高端水平人才；影视制作领域由于制作成本昂贵，人行门槛较高，难以进入：动漫设计领域人才基本处于饱和状态；游戏美术领域对数码图形人才的需求量最大，并且在未来五年内都将保持着较大缺口。

一个优秀的数码图形游戏人才，需要具备过硬的专业基础和高端的技术水平。随着国产网游进入新纪元的到来，游戏美术水平成为了最基础的专业技术衡量标准。然而，目前我国高校并未设置游戏美术学习专业，而社会上绝大多数游戏动漫培训机构也大都偏向于游戏程序开发和网页设计类，这给广大立志投身游戏美术行业的学生造成了无处投医的局面。未来五年内，中国数码图形行业总体处于高速发展状态，而游戏美术作为主力领域，未来市场前景不可估量，但随着从业人数的增加，竞争也会愈演愈烈，因此，谁能尽早一步踏人游戏美术行业，谁就能率先获得高薪的机会。

参考文献：

[1]邓庆尧.环境艺术设计[M].山东美术出版社.

数码行业前景分析第4篇

关键词：H载波；R4载波；拆闲补忙

中图分类号：TP393文献标识码：A文章编号：1009-3044(2011)24-5887-02

随着3G时代的到来以及无线技术的宽代化发展，无线接入网络的迅速发展，中国移动TD网络建设的全面铺开。随着G3用户的急剧增长，移动用户无线上网、音乐视频流媒体等业务的在线播放与下载、适时在线的网络游戏等3G业务将会成为新一代通信业务的主流，加上全业务的快速发展，将使得无线网络对传输网的带宽需求也迅猛增加。如何避免网络资源配置不合理出现“忙的忙死，闲的闲死”的情况；如何处理根据实际的用户分布与需求调整资源配置，在资源有限的前提下做到“拆闲补忙”，使得网络价值最大化，近一步提升用户感知保障市场的快速发展。这些都是现有网络需要重点分析和处理的问题。

1 网络小区拥塞标准划定

要做到“均衡资源，拆闲补忙”，首先要确定“忙”和“闲”的标准，“闲”的标准显而易见，而对于“忙”的标准就需要同时考虑提高资源利用率和保障用户感受。以下是保定TD项目组根据实际的网络配置，在充分考虑用户感受的情况下对小区拥塞标准的划定，主要从H载波和R4载波两个方面来对网络的拥塞的判决门限进行划定。

1.1 H载波的拥塞判决标准划定

对于数据业务不同的场景需要的资源配置不同，一般场景和VIP场景的对资源的要求相差比较大，并且对网络的数据量贡献度也存在巨大差距，因此在资源有限的前提下优先保障VIP场景下的VIP用户，尽量兼顾普通用户，这是符合价值最大化要求的。对于这两种场景的数据载波资源有不同的拥塞判决标准。

1.1.1 一般普通场景H载波拥塞判决标准划定

在TD-SCDM时隙为2：4的配置下，为保障单载波的H接入用户数与用户感知，建议H-SDPA的上行的最大速率设置为64kbps（为保障单载波的H用户数，建议上行最大速率设置为64kbps）,初始接入速率是32kbps(HSDPA的下行速率要达到A值，上行速率必须满足A/40；为了保障COT测试的下行速率到1250kbps,上行速率必须满足1250/40=32kbps)；这样的设置下，在用户以上行32kbps接入并且不升速的话，单H载波可以接入7个用户；但是用户以上行初始速率32kbps接入后迅速升级到64kbps的话，一个H载波只能接入3个上行64kbps和1个上行32kbps的H用户；考虑用户上行的升速行为，单H载波的最大用户接入数在4-7之间波动，如果单载波接入7个H用户，每用户的下载速率仅有200kbps,严重影响用户感知，但是单载波最大接入4个H用户的时候，每用户的下载速率在300kbps以上可以满足用户的日常使用，所以将单载波的H接入用户数为4作为该载波的一个拥塞判决条件是合理的，即单载波接入用户大于等于4即存在拥塞的可能。相对集团定义的单载波7个用户接入来定义拥塞来看，我们分析的4个用户是热点区域小区最大用户接入数，拥塞更接近现实情况，更能作到提升用户感知的提前扩容。

另一个判决H载波拥塞的标准是码资源利用率。单纯的考虑用户数，可能存在多个用户接入后数据下载量不大，码资源利用不足的问题，为避免单纯考虑用户数来判决太武断，所以增加码资源利用率为另一个判决条件。由于HSDPA的下行业务信道多用户共享无法体现多用户的拥塞问题，所以以H载波的上行码资源利用率为判决H载波拥塞的标准。

采集保定现网一周的PS域高业务量与高H用户小区（取每天小时级的载波数据），发现接入用户数大于或等于4个的H载波的上行码资源利用率基本都大于75%。

即一般情况下用户数高的载波相应的上行码资源利用率也要高，但是如果就这么简单的将H载波的上行码资源利用率75%定为判决H载波拥塞的门限那就有些太武断了，下面将介绍两种极端临界情况：

1）极端临界一：4个H用户以上行初始速率32kbps接入统一H载波，并且都没有升速，上行一直保持在32kbps，这时候该H载波的用户数已经到达4个，也就是达到了判决H载波拥塞的用户数门限，但是这时该H载波的上行码资源利用率仅有53%（上行4个32kbps共占用16个码道，该载波的上行码资源利用率=16/30=53%）。在这种情况下虽然上行的码资源利用率不高（相对一般的75%要低），但该载波的H用户数已经达到了4个，所以此时这个小区是要考虑增加载波来缓解拥塞。

2）极端临界二：3个H用户接入同一H载波后，上行迅速升速到最大速率64kbps，这时该H载波的上行码资源利用率仅有80%（上行3个64kbps共占用24个码道，该载波的上行码资源利用率=24/30=80%），虽然该载波的上行码资源利用率比一般情况的75%要高，但是由于用户数不到4个，可以暂时不考虑扩容。

综上可知，对于H载波的用塞判决应该采用以下两个条件来判决：

条件1：单H载波的H用户小时平均接入用户数≥4

条件2：单H载波的上行码资源利用率53%

以上两个条件要同时具备才可以判决该载波出现拥塞。

在现网中，为防止小区H用户数的随即偶然临时性增加导致的偶然性拥塞，一般对于拥塞载波要持续观测一周左右，如果连续出现拥塞，就可以确定为该小区的H载波出现了恒定拥塞，即需要迅速扩容来提升用户感知。

1.1.2 VIP场景H载波拥塞判决标准划定

相对于一般普通场景，VIP区域尤其是大客户区域，这些区域的用户对速率的要求要相对高一些，并且作为价值主要产地这些区域的数据业务感受是必须要保障的。一般场景中定一个H载波接入用户的极限为4个，单载波的最大速率在1.4Mbps左右，所以单用户的平均速率在300kbps左右；相对于一般场景而言VIP区域的要求相对要高一些，所以将一个H载波的极限接入用户数定为3个，即单用户的速率要保障在400kbps以上。同一般场景一样同样需要两个判决条件来判决拥塞（原理同一般场景）：

条件1：单H载波的H用户小时平均接入用户数≥3

条件2：单H载波的上行码资源利用率40%

以上两个条件要同时具备才可以判决该载波出现拥塞。

在现网中，为防止小区H用户数的随即偶然临时性增加导致的偶然性拥塞，一般对于拥塞载波要持续观测一周到两周左右，如果连续出现拥塞，就可以确定为该小区的H载波出现了恒定拥塞，即需要迅速扩容来提升用户感知。

1.2 R4载波的拥塞判决标准划定

对于R4载波，由于CS业务占该载波的几率比较大，参考GSM网络多年的网络拥塞判决经验，认为R4载波的码资源利用率大于或等于50%即需要考虑扩容。

由于CS业务上下行业务占用码道对称，而现阶段的时隙配比为2：4，存在上行码道受限问题，所以对于R4载波CS业务只需要考虑R4载波的上行码道资源利用率就可以，即R4载波的上行码资源利用率大于或等于50%即需要考虑扩容。（另外考虑到R4主载波上配置有RACH信道占2个码道，而R4辅载波上没有配置，为定义统一的码资源利用率，建议统一认定为R4载波的上行可用码道数为32，R4主载波的上行码道占用数=2+实际上行码道占用数，R4辅载波的上行码道占用数=实际上行码道占用数）。所有R4载波的上行码道占用率=上行码道占用数/32。

对于R4载波的PS业务，由于PS业务上下行不对称，对于上行同样考虑码资源占用率大于或等于50%即需要考虑扩容（同CS业务上行一样），而对于R4载波上的PS下行业务，一般下行业务量比较大，同样要考虑下行的码道资源利用率如果大于或等于50%即需要考虑扩容；由于下行的时隙数为4，R4载波下行可用码道数=16*4=64，R4载波的下行码道资源利用率=下行码资道站用数/64。

综上可知，对于R4载波的拥塞判决门限如下：

1）R4载波的上行码资源利用率≥50% （考虑到R4主载波上配置有RACH信道占2个码道，而R4辅载波上没有配置，为定义统一的码资源利用率，建议统一认定为R4载波的上行可用码道数为32，R4主载波的上行码道占用数=2+实际上行码道占用数，R4辅载波的上行码道占用数=实际上行码道占用数）

2）R4载波的下行码资源利用率≥50%

以上两个条件只要具备任何一个可以判决该载波出现拥塞。

在现网中，为防止小区H用户数的随即偶然临时性增加导致的偶然性拥塞，一般对于拥塞载波要持续观测一周左右，如果每天24个小时中平均拥塞2个小时以上且每周7天中有3天以上出现拥塞，就可以确定为该小区的H载波出现了恒定拥塞，即需要迅速扩容来提升用户感知。（每天2个小时*3天/个24小时*7天=6/168=3.57%，即每7天按小时来取数据出现3.57%以上的拥塞小时就要考虑扩容）

2 总结

充分利用现有网络的资源来提供更优的业务，提高现有网络资源的利用率，提升现有网络的使用价值，实时关注网络资源利用状态，作到适时对网络进行容量和资源评估，根据网络实际需要进行资源的调整，“拆闲补忙”，利用有限的资源优先保障高价值区域，这是网络优化需要持续关注的内容。通过对PS与CS的热点区域进行及时的分析，及时观测网络用户行为和动态，作到提前扩容，提前分析，保障网络的问题与用户的感受。

数码行业前景分析第5篇

整个安全管控系统分为五个部分：视频数据采集、图像分离、人像特征挖掘、人像库建立和危险行为识别，如图1所示。图1安全管控系统系统体系其中视频数据采集和图像分离两个阶段实现了基础数据的粗加工，视频数据采集模块为系统提供实时的视频信息数据流，图像分离实现了图像中前景和背景的分离，为进一步进行人像的提取奠定了基础。人像特征挖掘阶段尤为重要，此时系统要将识别出来的物体运行分类定性，可以运用多种数据挖掘方法（监督的和非监督的）进行分类，也可以融入的机器自学习理论运行分类的优化。人像特征挖掘不但要进行人像识别，更重要的是要形成便于存储、传输和共享的人像特征库，便于在多通道视频输入环境下进行各分布式分类器同时进行处理。上述过程的完成仅仅是实现了从复杂背景图像中提取人像的任务，接下来的任务是对生产环节中人员的着装、佩戴的安全装备和行为动作等关键的安全要素进行识别和处理。

2图像分离

图像分离技术包括静态图像分离和动态图像分离两个方面。静态图像分离可以采取的手段并不多，主要集中在图像分割技术的讨论，包括阈值分割、区域分割、边缘分割和直方图法。近年针对人体特征的分割技术有了一些进展，出现了MagicWand[1]、IntelligentScissors[2]、ActiveContourModel[3]、GraphCut和LevelSet[4]等一系列有代表性的算法。但是无论上述哪种算法都是基于单张图像有限的图元信息进行分析，局限性比较大，比如：GraphCut算法是基于图像的颜色进行分析，如果前景和背景颜色比较接近时，就无法得到完整的人像轮库；LevelSet算法无法处理模糊的和有噪声干扰的图像。本文的数据来源是连续视频信息，可以利用多帧图像信息的关联性将人像从背景中准确的提取出来。提取出来的图像没有背景的干扰，求取出来的特征值将更具有代表性。现有的运动图像前景提取算法包括：背景差分法、帧间差分法、光流法[5]、能量分析法和码本法[6]等。2.1光流法真实的物体运动是在三维空间中进行的，可以用运动场来表示，而视频录像却是二维平面图像，物体的运动是通过计算各个像素点色彩（为了减少计算量，往往采用灰度进行计算）的变化趋势，从而得到运动矢量来体现的。从三维空间到二维平面的映射，即是运动场到光流场（OpticalFlowField）的转换。光流法即是利用多帧连续图像序列来计算各个像素点的运动矢量，从而为真实的运动进行近似估计的方法。光流法分离前景的最大特点是：该算法能够独立检测运动目标，甚至可以精确地计算出目标的运动速度而不需要任何先验的背景信息。光流法缺点也比较多。首先是计算繁杂，不适用于对效率要求较高的环境；其次外部光线变化对算法的影响比较大，即使物体没有运动，也能检测到光流；最后如果图像的灰度等级变化不明显，很难检测出运动和识别物体。2.1码本法码本（CodeBook）模型处理对象是仍然是连续图像。首先利用颜色失真程度和亮度失真范围相结合的方式将图像各像素量化后用码本表示，将不同时刻图像中对应像素的码本做比较判断，利用减除背景的思想提取出前景运动目标。颜色失真因子：δ=colordist(x)t,vi=xt2-xt,xi2xi2(1)亮度失真因子：brightness(I),Ǐ,Î=ìíîtrueifIlow≤xt≤Ihifalseotherwise(2)具体算法是为每个像素建立一个编码本，这个编码本里包括一个或者多个码字。进行运动检测时，在编码本里已有的码字中查找当前帧像素点，如果前者中有可以匹配的码字，则该像素点即为背景点；如果匹配失败，那么该像素点即为前景点，即运动目标的一部分。码本检测算法利用量化和聚类技术来构建背景模型具有鲁棒性强，计算效率高的特点，可以通过迭代更新码本模型来适应背景变化。

3人体特征挖掘与识别

通过图像分离，所有的活动目标都被区分识别出来了，其中包括人和其他物件。本节将要讨论如何选择合适的特征表述方法对目标进行标识，从而将人体和其他物件区分开来。物体具有的特征的非常多，比如说颜色、轮廓、形状、尺寸和纹理等，本文将选取HOG[7]（HistogramofOrientedGradient）特征作为标志和区分的依据。方向梯度直方图（HOG）特征是由经过计算和统计的图像局部区域梯度方向直方图构成，在计算机视觉（ComputerVision）和图像处理中常用来进行物体检测的特征描述。3.1HOG特征提取算法1.图像预处理—灰度化；2.图像颜色空间的标准化和归一化；3.计算每个像素的梯度值：大小和方向；4.将图像划分成细胞单元（Cell）；5.统计每个Cell的梯度形成直方图（Histogram），即CellDescriptor；6.将每几个Cell组成一个区块（Block），每个区块内所有CellDescriptor再次归一化便得到该区块的BlockDescriptor。7.图像内的所有区块的BlockDescriptor串联起来就可以得到该图像以特征向量表示的ImageDescriptor了。第2步的归一化处理，能对光照变化和阴影获得更好的效果。第3步通过卷积运算，确定每个像素在水平方向和垂直方向上的梯度分量，计算公式如下：Gx(x),y=H(x)+1,y-H(x)-1,y(3)Gy(x),y=H(x),y+1-H(x),y-1(4)其中Gx(x),y，Gy(x),y，H(x),y分别表示坐标(x),y处像素点的水平方向梯度分量、垂直方向梯度分量和灰度值。然后再计算该像素点的梯度幅值和梯度方向。G(x),y=Gx(x),y2+Gy(x),y2(5)θ(x),y=tan-1æèççöø÷÷Gy(x),yGx(x),y(6)其中G(x),y代表梯度幅度值，θ(x),y代表梯度方向。第4步可以采用矩形（Rectangular）或星形（Radial）结构来划分细胞单元（Cell）。第5步统计每个Cell的梯度形成直方图，即是求取该Cell的特征向量。根据不同的精度要求，将梯度方向360度（2π）根据需要分割成若干个区间（Section），比方分割成12个Section，每个Section即为30度，然后根据Cell中每个像素点的梯度方向，将其幅值累加到这12个区间中，最终形成能刻画该Cell灰度特征的特征向量。第6步的Cell组合，可以采取Overlap和Non-Overlap两种策略。Overlap指的是组合出的Block互相交叠，有重合的区域；Non-Overlap指的是Block不交叠，没有重合的区域。因为目前说做所有的分割和组合都带有随机性，以人脸为例，如果采用Non-Overlap方式进行组合，很有可能将人脸上的器官1分为N，直接影响后续的分类效果，但是它的好处是计算量小、速度快；而Overlap则不同，冗余的数据将提高器官完整的可能性，但是缺点是计算量大，因为重叠区域需要重复计算。总而言之，与其他的特征描述方法（SIFT和PCA-SIFT）相比，HOG算法着眼于图像局部单元（Cell和Block）的计算，受图像几何（Geometric）和光学（Photometric）形变影响比较小。3.2SVM分类器经过HOG运算完成之后得到的特征向量就可以纳入到分类器当中进行分类了，本文选择SVM（SupportVectorMachine）分类器进行人体识别。SVM分类器是基于统计学习的分类算法，在图像识别中得到广泛的应用，其主要思想是：将分类问题转化为寻找训练样本点的一个分割超平面的问题，目的是保证最小的分类错误率。如果样本线性可分，能够将样本完全分开的超平面不止一个，SVM算法的终极目标是找到其中的最优超平面（能使得每类数据中与超平面距离最近的向量之间距离最大的平面）；如果样本线性不可分，则是因为其特征向量维度太低引起的，可以通过所谓的核函数（非线性映射算法）将低维向量样本映射到高维特征空间，使其线性可分。本文使用到的SVM最优分类函数是：f(x)=æèçöø÷∑i=1nαiyixiTx+b=∑i=1nαiyixi,x+b(7)其中αi是支持向量的最优系数，b是分类阀值。使用核函数提高特征向量维度后进行分类的确可以提高分类的准确性，但是却因为其计算量大，对识别速度会有影响，常见的核函数如下：线性核函数：K(x),y=x∙y(8)多项式核函数：K(x),y=(x)∙y+1d,d=1,2,⋯,n(9)高斯核函数：K(x),y=e-2|x|-yσ2(10)实际应用中需要根据具体需求，平衡识别的准确率和效率，选择合适的核函数。3.3人体识别人体的识别过程分为两个部分：训练和识别，如图2所示。图2人体识别流程训练过程，首先通过码本分离算法从运动图像中提取出的前景，此时的前景包括了人体和其他物体；然后是通过人工分检，选出各种光照效果下具有典型劳动特征的人体形成训练样本库；接下来计算每一个样本的HOG特征值，并利用这个样本值集合进行SVM训练，使其针对HOG特征具有分类能力；最终构建出人体特征分类器。识别过程，首先将码本算法得到的前景提取HOG特征值，然后送入到训练过程产生的分类器当中进行分类；最终识别出人体。

4危险行为识别

随着行业的不同，生产环节中对安全的要求也有所不同，比如：不同工种的着装、佩戴的安全装备和行为动作等都属于安全生产管辖的范畴。本文就以建筑行业的施工环节中安全帽的佩戴作为检测目标，并作为出算法的验证试验。4.1人头模型识别安全帽首先要提取人体的头部信息，可以采取复杂模型：首先进行人脸识别定位人头的位置；然后建立人体躯体模型，找到躯干和四肢；最终完成人体重建。虽然看似第一步就可以通过脸部准确的定位人头，但是此方法在现实中却不可行，因为在工地上具体的施工环节中，不可能让每一个工人都正面面对摄像头进行人脸检测，摄像头中往往得到的是一个背影或侧影。简化模型：首先根据SVM人体分类器中不同工作姿势人体类别，统计各类别中人头的位置和大小比例；然后从待处理人体图像中分离处彩色的人头图像；最后使用颜色直方图进行安全帽的识别。4.1模型对比复杂模型适应于没有进行过前景背景分离的图像，识别的前提是图像中的人体有人脸的正面照，因此识别率较低；简化模型中识别对象是经过了前景背景分离和SVM分类并已经真正分割出来的独立的人体，虽然人体模型简单，但是人头的识别率非常高。

5实验及结果分析

为了验证本文阐述的安全管控系统的有效性，特地选取某建筑企业在建工地的钢筋加工车间实时视频监控图像进行分析，原始视频中包含了各种姿态（站姿和蹲姿）的人体，如图3所示。1)码本算法提取前景。由于码本算法是基于像素点的色彩变化进行统计分析来确定运动目标，受光线等干扰的影响，码本算法采集到的前景区域往往不连通，如图4所示。2)膨胀处理。对图像进行膨胀处理的目的是为了扩大连通区域，便于图像分割。膨胀之后的图像如图5所示。3)图像分割。采用第2章中所述的静态图像分离算法切割膨胀处理之后的局部连通图，分割出来的去除了背景的单体图像比分割前“意义”更明确，求出的HOG特征向量特征更明显，单体图像如图6所示。4)遮罩提取。上述步骤操作的都是对象区域，为了得到原始的分割图像，只需要进行遮罩运算即可，结果如图7所示。5)安全帽识别。使用4.1节所述的人体模型提取人头图像，如图8所示。因为安全帽的种类和颜色非常规范，提供统计建立颜色（红、黄、蓝）分布直方图，即可识别个人是否佩戴安全帽。上述过程前4步可以实现前景提取，并进行基于SVM的人体特征挖掘与识别。本例构建的训练样本分别为100、300、500张，使用HOG算法进行特征向量提取，并将此特征向量集用于SVM训练，最终得出人体分类器、人头位置和尺寸参数。通过训练好的分类器对测试样本进行检测，实验结果如表1所示。从表中数据可以看出：随着训练样本数的增加，人体检出准确率明显提高，而安全帽检出的准确率受样本规模影响比较小。

6结论

数码行业前景分析第6篇

视频编码与分析的技术挑战

在编码效率方面，大家可能知道，到现在为止，所有视频系统里面用的都是非常常规的，通用的视频编码的算法和芯片。这个用法对不对呢？实际上这是不对的，但是现在已经形成这种习惯了，都是这么用的，你不这么用，人家反倒会质疑你。当然从市场化、从减小成本这个角度来说它是对的。但是从视频监控的目的来看，实际上是不对的。因为那个通用的编码技术，它是为电视服务的，本身它这个出发点就是错的。

目前视频的自动分析做得不好。因为它在系统设计的时候，不是为了视频自动分析这个目的，而是为了视频存储和以人为核心的视频跟踪，就是一定要有一个人坐在那里看那个大的显示屏。靠这样的一套指导思想来设计现有的智慧城市里面的视频系统，用这样的一个架构去做自动分析，是根本无法实现的。

随着时间的推移，监控视频的数据占整个大数据的比重基本上都在一半或者一半以上这样一个数量级。所以数据的存储和处理做好了，大数据的问题就解决了大部分。现在这些大数据之所以没有有效的利用起来，里面很多知识还没有归纳总结出来，也是和现有的数据积累过程，以及这个系统设计的出发点是有关联的。

针对这些问题，我们要找到一个技术上的切入点来处理。这个切入点，要更多的看目前智慧城市里急需的到底是什么。实际上就是急需事件的追踪。例如说，有一个人报案，说某家银行被抢了，劫匪坐了一辆白色的车跑掉了，你有没有办法在比较短的时间内查到这辆车的位置。

智慧城市中视频技术面临的挑战，就是我们现在面临的三大问题，一个是监控视频的数据存不下，一个是查不准，一个是挡不住。如果我们把这三个问题梳理一下，从技术上来说就是，一个是编码的问题，一个是视频分析与跟踪的问题，融合起来还有跟GPS、音视频结合起来使用的问题。

如果我们把它归纳为技术挑战，那就是两个挑战，一个是高效视频编码的挑战，当然是面向监控视频的。第二个就是如何对分析和检索进行支持。如果大家对视频编码和视频分析稍微熟悉一点的话，你会发现一个很奇特的现象，就是做视频编码的人对视频分析不感兴趣，或者说不太做。反过来，做视频分析的人对编码怎么编，基本上做的也不多。为什么会出现这样的情况？做编码的人处理的对象是像素和块，而做分析的人面对的是特征。这两个一个是踩在地面上，一个是在山头上，所以这两伙人很难交汇。我们现在是希望解决这个问题，因为必须把这两个事一起来做，你才可能做成一个面向智慧城市的技术。

高效视频编码标准

从标准的历史上来看，实际上前30年中，基本上所有的贡献、所有的技术都是围绕着通信领域的视频编码和广播里面的视频编码做的，前期主要是面向广播的视频编码。当然也有面向通信的视频编码，后来也出现了兼顾通信和广播的视频编码，但是所有这些编码都不是面向监控的。你可能会说，视频通信不就是监控的一种吗？有的专家就说，如果你要看现在的视频监控，实际上它是发展了三代，第一代是模拟，第二代是数字，第三代是IP监控。这个IP监控是在网络上，但是不是和编码有针对性的，所以面向监控的编码，目前国际上没有人做这样的标准，只有中国人在做。

目前的编码框架一个是变换编码，一个是预测编码，还有一个是商务编码，把这三块组合起来，称为混合编码框架结构。这种编码技术已经使用了30多年。中国从2002年开始，也组织了一个自己的标准，2006年第一版出来之后被ITUT接受为IPTV的一个格式。再后来被广电和工信部联合接受为我们国家地面数字电视机顶盒和地面数字电视一体机的标准，去年AVS的增强档成了我们国家广电的行业标准。去年我们为了把这个标准国际化，也专门在IEEE的标准化协会下面成立了一个AVS的工作组，目前这个工作组已经把第一版编码所有的流程走完了。

到现在为止，监控档次实际上是AVS若干个档次当中的一个。AVS的监控档次引入了一个背景建模技术，这是目前其它的标准里面还没有非常明确的事情。我们做了一些数据分析发现，对于监控而言，它看的场景是比较固定的，不管摄像头是固定不动的还是旋转的，这都不要紧，实际上它的场景是固定的，一旦这个摄像头安在这个地方，它就在这个场景下，如果你有办法把这个场景学习下来，用它参与编码，可以提高编码效率。如果你用场景建模，它就可以降低以前的码率，这样就可以提高它的编码效率。场景模型这方面就没有太大的难度，就是我给你一个视频，把视频分为前景和后景，前景是场景没有的东西，背景是原来的场景，如果能这样有效的分开，任何一个视频就可以分为前景和背景的组合，就可以分开进行编码，对前景可以多用一点比特，使它几乎没有损失，对于背景，可以用相当的参数代替它的场景，减少它的比特。

整个系统工作起来，需要对整个码流进行定义，这些定义会告诉你现在参考的是背景模型，还是实际码流。通常我们编码的时候，它的参考帧都是固定给你的。我们现在就变成需要换参考帧的时候，你可以用模型，也可以用实际的帧，哪个效果更好，就用哪个。这样我们就从语法上把这个机制建立起来了，而且这个机制可以允许你在原来的框架中增加背景建模。有了这样一个机制，我们利用背景建模技术，不单在AVS上可以提高一倍的编码效率，还可以把它嵌到H.264和HEVC里面，结果是一样的，都可以提高原来一倍以上的编码的效率。这是面向视频监控，面向背景建模的编码技术。

关于视频分析

现在的分析技术都是基于把原来的编码图象解开了以后来做。现在的问题是有没有办法不用解码就进行分析。这个也是我们需要做实时响应的要点。现在的系统设计，完全不是面向视频分析的，因为它是存在那里，要用的时候把它解开，然后再进行分析的。我们现在试图找一种方法，就是不用解开，或者不用全解，就来进行分析。

AVS有一个监控档次，就可以支持这件事。为了说明这件事可以支持，它可以从帧、区域、对象、事件等不同层面对这个东西进行描述。这里最关键的一个就是ROI区域，你要对它进行描述和表达，将来编码进行阐述的时候，是对这一块单独来做的，当进行视频的时候，你只需要对前景，或者说对ROI来分析。

这种思路其实不仅仅是可以用在AVS上，我有几个学生专门把这种思路嵌到HEVC、H.264里面，不但编码可以提高1倍以上，还可以把感兴趣的区域定位出来。从处理速度上来讲，不同的算法可能有的时间长一点，有的时间短一点。HEVC的块的结构组合更灵活，利用它的块的组合的特点，也可以做很多ROI的描述，也可以根据这种可变块结构描述，做很高的编码和识别的工作。

人脸识别是非常重要的，我们也有一个专门的课题做人脸识别的工作。人脸识别最理想的分辨率是100×100，最低的也要50×50，如果再小的话，识别效率就会差。编码压缩的力度越大，识别率就会降低得越快。

我们现在追求的目标不是光用人脸，实际是人脸和身体组合在一起去做跟踪，这样才会比较有效。因为光看人脸的话，如果分辨率不够，你很难完成跟踪的任务，特别是有时候他是背过身来的。我们要把这个对象从头到脚跟踪下来，然后找到他正面的图象，看看是不是你要找的人，如果是的话，你就可以全部回溯，如果不是的话，你就把它丢掉。

数码行业前景分析第7篇

关键词：人体识别；码本；方向梯度直方图；支持向量机

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2015）31-0152-04

Application of Figure Recognition Technology in Safety Production

WANG Jian1，FANG Hong-ying2

（1.College of Computer Science and Technology，Chongqing University of Posts and Telecoms，Chongqing 400065；2.College of Science，Chongqing Jiaotong University，Chongqing 400074）

Abstract：The role of fine management in the construction industry is increasingly prominent， and its core is the safety and quality supervision. In this paper， the image processing technology and data mining technology will be applied to the security supervision at first， and the possibility of human image mining based on the integration of Code Book， HOG and SVM will be discussed as well. At last the human body detection technology based on multi-gesture will be performed and its utility and effectiveness of the algorithm will be proved by experiments.

Key words：figure recognition； code book； hog； SVM

近年来，随着物联网、大数据等技术的成熟和普及，建设行业中的精细化管控手段的作用和重要性日渐突出。现代的安全管控体系衍变成了由“人防”和“技防”相结合的综合监管系统。

精细化管控的核心是安全质量监管，涉及“安全”和“质量”两方面内容，具体落实到生产环节中的“人、机、物料”三个要素，物联网技术在其中起的至关重要的作用。比如：传统的施工设备或配料设备借助于物联网技术，实时的汇报工作状态，出现偏差，可以及时纠正；万一产生问题，保存的历史数据，也可以作为问题溯源的依据。精细化管控等内容非常丰富，本文研究的重点是如何利用现代视频处理技术为施工人员提供安全保障。

随着硬件价格降低和互联网环境的改善，绝大多数建设施工现场都安装配备的摄像头，但是其作用主要是用于防盗和事后查找问题追责。现在我们的目的是要变被动为主动，以图像处理技术和数据挖掘技术为依托对视频大数据进行实时分析，识别出危险行为并加以提醒。

1 系统体系结构

整个安全管控系统分为五个部分：视频数据采集、图像分离、人像特征挖掘、人像库建立和危险行为识别，如图1所示。

图1 安全管控系统系统体系

其中视频数据采集和图像分离两个阶段实现了基础数据的粗加工，视频数据采集模块为系统提供实时的视频信息数据流，图像分离实现了图像中前景和背景的分离，为进一步进行人像的提取奠定了基础。

人像特征挖掘阶段尤为重要，此时系统要将识别出来的物体运行分类定性，可以运用多种数据挖掘方法（监督的和非监督的）进行分类，也可以融入的机器自学习理论运行分类的优化。人像特征挖掘不但要进行人像识别，更重要的是要形成便于存储、传输和共享的人像特征库，便于在多通道视频输入环境下进行各分布式分类器同时进行处理。

上述过程的完成仅仅是实现了从复杂背景图像中提取人像的任务，接下来的任务是对生产环节中人员的着装、佩戴的安全装备和行为动作等关键的安全要素进行识别和处理。

2 图像分离

图像分离技术包括静态图像分离和动态图像分离两个方面。静态图像分离可以采取的手段并不多，主要集中在图像分割技术的讨论，包括阈值分割、区域分割、边缘分割和直方图法。近年针对人体特征的分割技术有了一些进展，出现了Magic Wand[1]、Intelligent Scissors[2]、Active Contour Model[3]、Graph Cut和Level Set[4]等一系列有代表性的算法。但是无论上述哪种算法都是基于单张图像有限的图元信息进行分析，局限性比较大，比如：Graph Cut算法是基于图像的颜色进行分析，如果前景和背景颜色比较接近时，就无法得到完整的人像轮库；Level Set算法无法处理模糊的和有噪声干扰的图像。

本文的数据来源是连续视频信息，可以利用多帧图像信息的关联性将人像从背景中准确的提取出来。提取出来的图像没有背景的干扰，求取出来的特征值将更具有代表性。现有的运动图像前景提取算法包括：背景差分法、帧间差分法、光流法[5]、能量分析法和码本法[6]等。

2.1 光流法

真实的物体运动是在三维空间中进行的，可以用运动场来表示，而视频录像却是二维平面图像，物体的运动是通过计算各个像素点色彩（为了减少计算量，往往采用灰度进行计算）的变化趋势，从而得到运动矢量来体现的。从三维空间到二维平面的映射，即是运动场到光流场（Optical Flow Field）的转换。光流法即是利用多帧连续图像序列来计算各个像素点的运动矢量，从而为真实的运动进行近似估计的方法。

光流法分离前景的最大特点是：该算法能够独立检测运动目标，甚至可以精确地计算出目标的运动速度而不需要任何先验的背景信息。

光流法缺点也比较多。首先是计算繁杂，不适用于对效率要求较高的环境；其次外部光线变化对算法的影响比较大，即使物体没有运动，也能检测到光流；最后如果图像的灰度等级变化不明显，很难检测出运动和识别物体。

2.1 码本法

码本（Code Book）模型处理对象是仍然是连续图像。首先利用颜色失真程度和亮度失真范围相结合的方式将图像各像素量化后用码本表示，将不同时刻图像中对应像素的码本做比较判断，利用减除背景的思想提取出前景运动目标。

颜色失真因子：

[δ=colordistxt，vi=xt2-xt， xi2xi2] （1）

亮度失真因子：

[brightnessI，I，I=trueif Ilow≤xt≤Ihifalseotherwise] （2）

具体算法是为每个像素建立一个编码本，这个编码本里包括一个或者多个码字。进行运动检测时，在编码本里已有的码字中查找当前帧像素点，如果前者中有可以匹配的码字，则该像素点即为背景点；如果匹配失败，那么该像素点即为前景点，即运动目标的一部分。

码本检测算法利用量化和聚类技术来构建背景模型具有鲁棒性强，计算效率高的特点，可以通过迭代更新码本模型来适应背景变化。

3 人体特征挖掘与识别

通过图像分离，所有的活动目标都被区分识别出来了，其中包括人和其他物件。本节将要讨论如何选择合适的特征表述方法对目标进行标识，从而将人体和其他物件区分开来。物体具有的特征的非常多，比如说颜色、轮廓、形状、尺寸和纹理等，本文将选取HOG[7]（Histogram of Oriented Gradient）特征作为标志和区分的依据。

方向梯度直方图（HOG）特征是由经过计算和统计的图像局部区域梯度方向直方图构成，在计算机视觉（Computer Vision）和图像处理中常用来进行物体检测的特征描述。

3.1 HOG特征提取算法

1.图像预处理―灰度化；

2.图像颜色空间的标准化和归一化；

3.计算每个像素的梯度值：大小和方向；

4.将图像划分成细胞单元（Cell）；

5.统计每个Cell的梯度形成直方图（Histogram），即Cell Descriptor；

6.将每几个Cell组成一个区块（Block），每个区块内所有Cell Descriptor再次归一化便得到该区块的Block Descriptor。

7.图像内的所有区块的Block Descriptor串联起来就可以得到该图像以特征向量表示的Image Descriptor了。

第2步的归一化处理，能对光照变化和阴影获得更好的效果。

第3步通过卷积运算，确定每个像素在水平方向和垂直方向上的梯度分量，计算公式如下：

[Gxx，y=Hx+1，y-Hx-1，y] （3）

[Gyx，y=Hx，y+1-Hx，y-1] （4）

其中[Gxx，y]，[Gyx，y]，[Hx，y]分别表示坐标[x，y]处像素点的水平方向梯度分量、垂直方向梯度分量和灰度值。然后再计算该像素点的梯度幅值和梯度方向。

[Gx，y=Gxx，y2+Gyx，y2 ] （5）

[θx，y=tan-1Gyx，yGxx，y] （6）

其中[Gx，y]代表梯度幅度值，[θx，y]代表梯度方向。

第4步可以采用矩形（Rectangular）或星形（Radial）结构来划分细胞单元（Cell）。

第5步统计每个Cell的梯度形成直方图，即是求取该Cell的特征向量。根据不同的精度要求，将梯度方向360度（[2π]）根据需要分割成若干个区间（Section），比方分割成12个Section，每个Section即为30度，然后根据Cell中每个像素点的梯度方向，将其幅值累加到这12个区间中，最终形成能刻画该Cell灰度特征的特征向量。

第6步的Cell组合，可以采取Overlap和Non-Overlap两种策略。Overlap指的是组合出的Block互相交叠，有重合的区域；Non-Overlap指的是Block不交叠，没有重合的区域。因为目前说做所有的分割和组合都带有随机性，以人脸为例，如果采用Non-Overlap方式进行组合，很有可能将人脸上的器官1分为N，直接影响后续的分类效果，但是它的好处是计算量小、速度快；而Overlap则不同，冗余的数据将提高器官完整的可能性，但是缺点是计算量大，因为重叠区域需要重复计算。

总而言之，与其他的特征描述方法（SIFT和PCA-SIFT）相比， HOG算法着眼于图像局部单元（Cell和Block）的计算，受图像几何（Geometric）和光学（Photometric）形变影响比较小。

3.2 SVM分类器

经过HOG运算完成之后得到的特征向量就可以纳入到分类器当中进行分类了，本文选择SVM（Support Vector Machine）分类器进行人体识别。

SVM分类器是基于统计学习的分类算法，在图像识别中得到广泛的应用，其主要思想是：将分类问题转化为寻找训练样本点的一个分割超平面的问题，目的是保证最小的分类错误率。如果样本线性可分，能够将样本完全分开的超平面不止一个，SVM算法的终极目标是找到其中的最优超平面（能使得每类数据中与超平面距离最近的向量之间距离最大的平面）；如果样本线性不可分，则是因为其特征向量维度太低引起的，可以通过所谓的核函数（非线性映射算法）将低维向量样本映射到高维特征空间，使其线性可分。本文使用到的SVM最优分类函数是：

[fx=i=1nαiyixiTx+b=i=1nαiyixi，x+b ] （7）

其中[αi]是支持向量的最优系数，[b]是分类阀值。使用核函数提高特征向量维度后进行分类的确可以提高分类的准确性，但是却因为其计算量大，对识别速度会有影响，常见的核函数如下：

线性核函数：[Kx，y=x?y] （8）

多项式核函数：[Kx，y=x?y+1d ，d=1，2，…，n] （9）

高斯核函数：

[Kx，y=e-2x-yσ2] （10）

实际应用中需要根据具体需求，平衡识别的准确率和效率，选择合适的核函数。

3.3 人体识别

人体的识别过程分为两个部分：训练和识别，如图2所示。

图2 人体识别流程

训练过程，首先通过码本分离算法从运动图像中提取出的前景，此时的前景包括了人体和其他物体；然后是通过人工分检，选出各种光照效果下具有典型劳动特征的人体形成训练样本库；接下来计算每一个样本的HOG特征值，并利用这个样本值集合进行SVM训练，使其针对HOG特征具有分类能力；最终构建出人体特征分类器。

识别过程，首先将码本算法得到的前景提取HOG特征值，然后送入到训练过程产生的分类器当中进行分类；最终识别出人体。

4 危险行为识别

随着行业的不同，生产环节中对安全的要求也有所不同，比如：不同工种的着装、佩戴的安全装备和行为动作等都属于安全生产管辖的范畴。本文就以建筑行业的施工环节中安全帽的佩戴作为检测目标，并作为出算法的验证试验。

4.1 人头模型

识别安全帽首先要提取人体的头部信息，可以采取复杂模型：首先进行人脸识别定位人头的位置；然后建立人体躯体模型，找到躯干和四肢；最终完成人体重建。虽然看似第一步就可以通过脸部准确的定位人头，但是此方法在现实中却不可行，因为在工地上具体的施工环节中，不可能让每一个工人都正面面对摄像头进行人脸检测，摄像头中往往得到的是一个背影或侧影。简化模型：首先根据SVM人体分类器中不同工作姿势人体类别，统计各类别中人头的位置和大小比例；然后从待处理人体图像中分离处彩色的人头图像；最后使用颜色直方图进行安全帽的识别。

4.1 模型对比

复杂模型适应于没有进行过前景背景分离的图像，识别的前提是图像中的人体有人脸的正面照，因此识别率较低；简化模型中识别对象是经过了前景背景分离和SVM分类并已经真正分割出来的独立的人体，虽然人体模型简单，但是人头的识别率非常高。

5 实验及结果分析

为了验证本文阐述的安全管控系统的有效性，特地选取某建筑企业在建工地的钢筋加工车间实时视频监控图像进行分析，原始视频中包含了各种姿态（站姿和蹲姿）的人体，如图3所示。

图3 原始视频图像

图4 码本算法提取前景

图5 膨胀处理

图6 图像分割

图7 遮罩提取

图8 头部

1） 码本算法提取前景。由于码本算法是基于像素点的色彩变化进行统计分析来确定运动目标，受光线等干扰的影响，码本算法采集到的前景区域往往不连通，如图4所示。

2） 膨胀处理。对图像进行膨胀处理的目的是为了扩大连通区域，便于图像分割。膨胀之后的图像如图5所示。

3） 图像分割。采用第2章中所述的静态图像分离算法切割膨胀处理之后的局部连通图，分割出来的去除了背景的单体图像比分割前“意义”更明确，求出的HOG特征向量特征更明显，单体图像如图6所示。

4） 遮罩提取。上述步骤操作的都是对象区域，为了得到原始的分割图像，只需要进行遮罩运算即可，结果如图7所示。

5） 安全帽识别。使用4.1节所述的人体模型提取人头图像，如图8所示。因为安全帽的种类和颜色非常规范， 提供统计建立颜色（红、黄、蓝）分布直方图，即可识别个人是否佩戴安全帽。

上述过程前4步可以实现前景提取，并进行基于SVM的人体特征挖掘与识别。本例构建的训练样本分别为100、300、500张，使用HOG算法进行特征向量提取，并将此特征向量集用于SVM训练，最终得出人体分类器、人头位置和尺寸参数。通过训练好的分类器对测试样本进行检测，实验结果如表1所示。

表1 不同样本空间检测准确率对比结果

[训练样本数＼&人体检出准确率＼&安全帽检出准确率＼&综合准确率＼&100＼&53%＼&86%＼&≈46%＼&300＼&62%＼&89%＼&≈55%＼&500＼&84%＼&93%＼&≈78%＼&]

从表中数据可以看出：随着训练样本数的增加，人体检出准确率明显提高，而安全帽检出的准确率受样本规模影响比较小。

6 结论

本文首次将图像处理技术和数据挖掘技术应用到安全生产管理中。研讨了将码本运算、HOG运算、SVM运算融为一体进行人体图像挖掘的具体实现细节，提出基于实时视频流模式的多姿态安全帽检测技术，并且通过试验证明该算法的实用性和有效性，取得了令人满意的结果。

未来的工作是对人像进行跟踪，分析其动作，并抽象提炼出行为，通过对每一种行为的危险系数进行评估，最终实现危险行为识别即做出有害和无害的结论。

参考文献：

[1] Adobe System Incop. Adobe Photoshop User Guide. 2002.

[2] Mortensen E.N， Barrett W.A： Intelligent scissors for image composition [C] Proceedings of the 22nd international conference on Computer Graphics and Techniques. ACM： 191-198.

[3] Caselles V， Kimmel R， Sapiro G. Geodesic contours [C].In Proceedings of IEEE International Conference on Computer Vision. 1995： 694-699.

[4] 王芳梅，范虹，王凤妮.水平集在图像分割中的应用研究[J].计算机应用研究.2012，29（4）： 1207-1210.

[5] Sun H， Feng T， Tan T. Robust extraction of moving objects from image sequences[C]. Proc the Fourth Asian Conference on Computer Vision， Taiwan. 2000：961-964.

数码行业前景分析第8篇

[关键词] 点读式导游机 可行性分析 投资回收期 本量利分析

旅游业已成为全球经济中发展势头最强劲和规模最大的产业之一。导游机就是顺应这种经济发展趋势催生的新型产品，而点读式导游机是导游机产品中的新型成果。目前我国学术界对于点读式导游机市场的分析还存在空白，一个潜在的广阔市场并没有被充分的重视。本文重点在于挖掘这个市场的潜力，构建一个新的运营模型。第一部分分析了我国旅游景点发展的现状以及导游市场的状况；第二部分介绍了点读式导游机，并将其与目前市场存在的导游机进行了比较；第三部分是对即将投资进行的点读式导游机在韶山旅游市场推广项目的可行性分析。

一、旅游景点导游市场现状分析

1.国内旅游市场发展趋势分析

作为国民经济的新兴行业，中国旅游业在发展初期就明确了开发建设的基本方针。2007年1月～11月，中国主要城市接待旅游人数为近4千万人次，与上年同期相比增长了13.37％。未来10年间，中国旅游业将保持年均10.4%的增长速度，其中个人旅游消费将以年均9.8%的速度增长。

2.导游市场存在问题分析

目前我国各旅游景点仍以人员导游为主，人员导游有其优势同时也存在弊端。

(1)导游人员素质参差不齐。由于游客人次的大量增加，高素质导游人员的数量无法达到需求。

(2)导游人员的培训成本很高，一个导游人员从培训到上岗需要长时间过程。

(3)不可避免的存在导游与商家合作抽取回扣行为，损害了游客的经济利益和景区形象，不利于旅游行业健康有序发展。

(4)人员导游产生环境噪音。不利于景区环保，不能让游客享受到专属服务。

二、点读式导游机优势分析

点读式导游机是当今旅游业蓬勃发展孕育而生的产物。它扬长避短，很好的解决了人员导游给旅游业所造成的一些负面影响。不仅适合于各种不同文化的景区，同时保证了导游服务的高品质，减少了人员培训费用，提供多种语言的导游，操作简单，维护容易，游客之间不会相互干扰，不会产生噪音污染。

1.点读式导游机简介

点读式导游机应用世界最先进的隐形码光电识别技术和高品质的数码录音合成技术。利用数字水印技术，在书中植入了肉眼看不到的水印编码，点读式导游机应用自身光电识别感应器，将这些编码准确地识别出来，通过一系列运算解码过程，将此编码对应的语音资料播放出来，这时导游图所对应的导游词就会响起在耳边。这是一种十分易用的人机交互技术，在几乎不增加导游图印刷成本的情况下，还具有安全性高、简单易于操作的特点。

2.点读式导游机优势比较

目前国内市场的传统导游机主要有无线接收式导游机和按键式导游机，点读式导游机的推出无疑是导游机发展史上的一次革命性创举。其优势如下：

(1)轻巧便捷，更易于携带。传统导游机本身质量较大，增加了游客负担。点读式导游机轻巧方便，其质量略大于二支笔的质量。

(2)操作简便，灵活性强。无线接收式导游机受接收范围限制；按键式导游机操作复杂。而点读式导游机则只需要轻轻点击地图就可以轻松的听到导游介绍。

(3)点读式导游机的性价比更高。无线接收式导游机的价格在2500元以上，按键式导游机的价格在1300元以上，而点读式导游机的价格在300元。

(4)无线接收式导游机和按键式导游机的沉没成本和机会成本要高于点读式导游机。点读式导游机应用范围广泛，不仅可用于景区导游，还可以用于少儿英语的学习、景区的特色纪念品等多方面。

(5)点读式导游机的音质为mp3音质，导游讲解词制作融入了具有景区特色的音乐，给了游客更高的听觉享受。

三、点读式导游机在韶山推广预测分析

由于红色旅游热潮的兴起，2007年10月，吉林拓远电子有限公司构思点读式导游机运用于韶山景区。

1.成本估计分析

项目启动初期，公司计划投入200台点读式导游机。初期投资成本估计如下表。

2.盈利能力分析

在韶山景区设立4个租赁点，租赁价格20元/次。韶山旅游局统计数据表明韶山年均游客量300万人次，点读式导游机以争取散客为主，公司预期市场最低占有率1%（以下的分析均以1%来计算），导游机的变动成本如下表。

采用直线折旧法,该项目的生命周期为10年,残值为0。其每年折旧金额为1.16万,分摊到每月为967元。

(1)月销售收入

销售毛利=(3000000×1%×20)÷12=50000

销售收入=50000/1.17= 42735.04

销售税金 =(42735.04×9950×967)×0.33 =10499.95

销售净利润= 50000-9950-10499.95=29550.05

(2)投资回收期

运用投资回收期模型，不考虑旅游季节性因素，平均每月的收入与支出。

其中PP为投资回收期，T表示时间，NII为期初投资额，NCF为净现金流量。

NCF（每月净现金流量）=29550.05

公司的期初投资将4个月全部收回。

(3)风险分析

企业盈利能力指标可间接地揭示企业财务风险的大小。一般来讲，企业盈利能力越强，财务风险越小；反之，则财务风险越大。反映企业盈利能力的指标有资产净利润率、销售净利润率、成本费用利润率。

销售净利润率=(净利润/销售收入)×100%

该项目的销售净利润率为69.1%, 其盈利能力指标数很高,财务风险也就相对较小

3.财务不确定性分析

盈亏平衡法是通过分析产品成本、销售量、和销售利润这三个变量之间的关系，掌握盈亏变化的临界点而进行选择的方法。

BEP=[固定成本 /( 销售收入-税金-变动成本)]×100%

该项目BEP为33.9%，表明每月机器出租率达到33.9%时,项目就可以保本。

四、结束语

点读式导游机在韶山景区的租赁项目属于低投资高回报项目，不仅能带来可观的经济利益，同时对于旅游景点的精神文明建设有着很强的推动作用，具有很高的社会效应。

参考文献：

[1]William L:Meggionson , Corporate Finance Theory [M].Pearson Education Limited, 1997.272～274

[2]屠梅曾:项目管理[M].上海:上海人民出版社，2006.133～143

数码行业前景分析第9篇

【关键词】茶叶图像;八方向链码;骨架细化图像

目前，采摘的茶叶都是以人工为主，采摘的茶叶分支个数参差不齐，影响了茶叶的品质，同时也浪费了原材料。因此，对采摘的茶叶鲜叶的分选方法进行研究是十分必要的，而智能化茶叶生产的一个重要一步是对采摘的新鲜茶叶分支数量的识别技术。

在农业工程中，国内外研究者应用图像处理和识别技术对农作物的识别和检测进行了广泛的研究，例如杨福增等通过研究颜色和形状特征识别茶叶嫩芽[1]、唐仙等人通过阈值分割方法进行嫩芽识别[2]、陈全胜等通过计算机视觉方法识别茶叶色泽[3]等方面取得了一些成果，但对茶叶的分支节点识别，目前国内外相关报道较少。唐仙[2]等针对在自然环境下的茶叶，利用RGB空间的R、B分量差进行多阈值分割嫩芽图像。

本文采摘的新鲜茶叶图像为研究对象，基于RGB颜色空间，利用颜色分量R-B，进行阈值比较获得二值图像数据。采用Zhang-Suen算法[4]获得骨架细化图像，通过八方向链码初步计算节点位置，最后对初步的节点垂直坐标值进行排序，确定节点数量。对于茶叶分支数的识别研究具有一定的参考价值，也可为智能化茶叶鲜叶分选的研究提供技术支持。

1.图像采集

试验试验CCD摄像头，在图像采集过程中，在黑色背面下，采用漫反射三原色光源照射茶叶叶片。为了有效的识别出叶片的分支节点，应该避免大、小叶片完全重叠的情况。

本试验共采集了100张jpg的茶叶样本图像进行分析研究。本试验在配置CPU为I5、内存为2GB的PC机上运行matlab2013R对采集的茶叶鲜叶图像进行分支节点识别计算。

2.茶叶图像的二值化算法

茶叶的颜色大都呈现浅绿色，因此颜色特征是进行茶叶图像与背景分割的一个有效依据，而且由于色差法R减去B可以减弱光照引起的干扰，很好的将茶叶图像和背景进行分割。所以，本试验选用RGB色彩空间的R-B分量对茶叶图像进行灰度化。

R-B分量灰度直方图存在明显的波峰波谷，茶叶与背景在灰度特征上的差异。因此可以设定阈值将茶叶与背景分割开。

3.查找图像中可能的分支节点

对二值图像进行骨架细化处理。查找细化图像中像素点值为1的所有点，并对这些点进行八方向链码值和计算。

为八方向链码值和;为二值化图像的像素点值;

其中，保存可能为分支节点的当前像素点垂直坐标值。

j为当前像素点的垂直坐标。

如果，则表示该像素点可能为分支节点位置。记录当前像素点的垂直坐标值到。

4.确定分支节点

上述采用八方向链码[5]进行计算确定的是可能分支节点，真实节点包含在节点列表中。通过下述算法可以将真实节点筛选出。对记录的垂直坐标值进行由小到大冒泡算法排序，并对序列进行后、前两数差值计算，如果计算值大于2，则表示找到一个真正的分支节点。

5.识别结果

至此，茶叶的分支节点总数被确定，对采集的100组样本进行算法有效性分析结果如表1所示。

表1 算法有效性分析结果

算法名称 样本数量/张 骨架图像准确性 节点正确度

颜色骨架特征算法 100 95% 95%

其中，5%样本分支检测失败原因是采集的茶叶鲜叶样本叶片出现残缺，使得骨架细化图像结果错误，从而导致后续的识别出现错误。

6.结束语

本文根据茶叶的颜色和骨架特征，实现了茶叶分支节点数量的识别。实验结果表明：根据颜色特征提取的茶叶叶片R-B分量能够清晰地区分茶叶与背景的差异;通过对茶叶图像二值化和骨架细化处理，有效识别出茶叶可能的分支节点，最后进行节点排序比较，成功的确定茶叶图像的分支节点数量，准确率可达95%。

参考文献

[1]杨福增，杨亮亮，田艳娜，等.基于颜色和形状特征的茶叶嫩芽识别方法[J].农业机械学报，2009，40：119-123.

[2]唐仙，吴雪梅，张富贵，顾金梅.基于阈值分割法的茶叶嫩芽识别研究[J].农业装备技术，2013：39（6）.

[3]陈全胜，赵杰文.利用计算机视觉识别茶叶的色泽类型[J].江苏大学学报（自然科学版）.2005，26（6）.

[4]王晓静.迭代骨架化算法在汉字图像识别中的分析与应用[J].辽宁大学学报（自然科学版），2013，40（3）.

[5]王要峰.基于方向链码去除骨架图像毛刺算法[J].计算机应用，2013，33（z1）.

[6]汪建，杜世平.基于颜色和形状的茶叶计算机识别研究[J].茶叶科学，2008，28（6）.